论文部分内容阅读
有限元模型与实际模型之间存在各种各样的误差,使有限元模型有时不能很好地反映结构的动力学特性,而基于模态试验的有限元模型修正技术,可以有效减小有限元分析结果与实测结果的误差,提高有限元模型的精度。 本文首先简要介绍了与模型修正技术紧密相关的模型匹配和相关性分析技术,主要探讨了三种模型修正方法——Berman法、ICMCM法和RBF神经网络法的应用范围,并通过对两种模型——有附加质量的简支梁模型和螺栓连接悬臂梁的模型修正,对比了三种模型修正方法在不同结构中的应用效果。在每种模型的修正中,都选用了两种方法进行了修正,并在建模中考虑了不同的建模方案,旨在对比不同方法在同一模型修正中的修正精度及不同建模方案对修正效果的影响。 对有附加质量简支梁的模型修正采用了Berman法和ICMCM法,其中Berman法修正后的固有频率在测试频带内完全等于试验值,在测试频带外,与增加了节点质量的有限元模型的固有频率相对误差在5％以内,修正精度较高,而ICMCM法的修正精度与之相比略显不足,但是Berman法得到的矩阵失去了物理意义,且复杂的矩阵运算很难用于大型复杂结果,在这一点上ICMCM法具有优势。 对螺栓连接悬臂梁的模型修正主要运用了ICMCM法,修正后的模型能准确地复现测试频段范围内的固有频率,且能预示测试频段范围外的固有频率及结构的动力学特性。不仅如此,该部分还得出一个重要结论:对于螺栓连接结构,无需建立复杂、精细的有限元模型,只要对刚性模型进行修正即能获得满足实际工程需要的计算模型,这一方法为该领域的工程应用提供了指引。 对螺栓连接悬臂梁的RBF神经网络法修正属于探索性的研究,该部分同时找出了对该结构动态特性最为敏感的修正参数。修正结果表明通过建立输入输出之间的非线性映射关系,该修正方法的修正误差在2%以内,而且能够很方便地应用到修正参数较多的大型复杂结构中。