一种基于有限元分析法的大跨度钢结构指标变化预测方法与流程

1.本发明实施例涉及大跨度钢结构指标预测技术领域，具体涉及一种基于有限元分析法的大跨度钢结构指标变化预测方法。


背景技术：

2.大跨度钢结构的使用年限较长，在其使用过程中，外部环境的侵蚀、疲劳效应、材料老化、自然灾害等的影响和结构实际状态与设计不符、施工缺陷等原因，结构本身会产生抗力减小、损伤积累等反应，这些反应到一定程度就会导致工程事故突发。
3.根据大跨度钢结构的受力特点可以看出结构的稳定性起到控制作用，大跨度钢结构构件在弹塑性失稳后不能继续承受荷载，很小的外部荷载就能导致结构变形的急剧增加，这种失稳属于脆性破坏，对于结构的承载是很不利的，另外，大跨度钢结构失稳的原因除与结构自身的承载能力有关外，还与空间结构的支撑体系和边界条件有关，设计人员在设计中常常要对大跨度钢结构的支座和边界条件进行假定，这种假定只是近似的与结构本身的受力状态一致，假定和本身结构受力状态的差异将对大跨度钢结构的建造和使用过程中的安全性和使用期造成很大的影响，对于大跨度钢结构构件的损伤一般不可避免，如何准确了解结构的实际受力状态，对于判断结构损伤后的临界荷载、分析结构当前的安全状态也起着关键的作用。
4.当前的大跨度钢结构指标变化预测方法能将精确的有限元分析方法、建筑物的检测与鉴定规程运用于结构的安全性评估中来，但是还存在以下缺陷：
5.(1)现有的大跨度钢结构指标变化预测，由于影响钢结构指标的要素很多，各个要素的影响大小不一、形式各异，同时在各要素的综合作用下形成了最终的不完全相似模型整体误差，导致现有的大跨度钢结构指标变化预测模型相对复杂，且各个要素对模型误差的影响并不能简单的线性叠加或累积，导致钢结构指标变化预测复杂度较高，无法厘清各要素的影响权重；
6.(2)现有的大跨度钢结构指标变化预测方法不注重相似误差问题，对于非完全相似的因素没有进行过细致研究，导致缺乏统一的大跨度钢结构指标变化预测误差估计值，无法统筹分析，易造成资源浪费。


技术实现要素：

7.为此，本发明实施例提供一种基于有限元分析法的大跨度钢结构指标变化预测方法，以解决现有技术中钢结构指标变化预测复杂度较高，缺乏统一的大跨度钢结构指标变化预测误差估计值，无法统筹分析，易造成资源浪费的问题。
8.为了实现上述目的，本发明的实施方式提供如下技术方案：
9.一种基于有限元分析法的大跨度钢结构指标变化预测方法，包括以下步骤：
10.步骤100、获取大跨度钢结构原始指标数据，并将原始指标数据存储在excel表格中；
11.步骤200、依据指标数据参数范围建立函数模型，采用大型有限元软件abaqus建立有限元节点模型；
12.步骤300、将原始指标数据表导入abaqus有限元节点模型中，自动输出节点刚度；
13.步骤400、根据节点刚度参数分析各因素影响权重，利用非完全相似误差预测法获取数据误差预测指标。
14.作为本发明的一种优选方案，在步骤200中，采用abaqus中的线性减缩积分单元c3d8r，有限元的计算钢结构的节点刚度参量，所述有限元计算模型中节点刚度的测量步骤如下：
15.首先、获取钢结构柱端到梁顶距离l及柱头荷载f，计算柱端节点弯矩m
16.m＝f
×
l；
18.其次、根据钢结构柱端左右两端的竖直方向上的位移计算节点转角θ
19.θ＝(s
1-s2)/h
20.其中，s1、s2分别为钢结构柱端左、右两端的竖直方向上的位移，h为端柱截面高度；
21.最后，根据柱端节点弯矩m以及节点转角θ计算节点初始转动刚度k
22.k＝m/θ。
24.作为本发明的一种优选方案，根据所述节点刚度在有限元计算模型中模拟节点的弯矩转角曲线，获取原型与模拟模型的差异，定义节点的相似误差，建立端板节点模型的非完全相似节点数据库，所述相似误差计算公式如下：
[0025][0026][0027]
其中，δ1为自变量相似误差，δ2为目标量相似误差，φ为非完全相似模型的自变量取值，φf为完全相似模型的自变量取值，k为非完全相似模型的初始转动刚度，kf为完全相似模型的初始转动刚度。
[0028]
作为本发明的一种优选方案，对所述相似误差引入灵敏度系数，分析节点梁端变量之间的变化趋势，分别建立缩尺模型和基本几何缩尺比为1:2的非完全相似缩尺模型，设定非完全相似因素包括端板厚度、梁截面高度、柱截面高度、螺栓规格。
[0029]
作为本发明的一种优选方案，对所述非完全相似因素采用拉丁超立方抽样方法进行优选，所述拉丁超立方抽样的步骤为：
[0030]
首先、确定相似误差计算的影响因素个数d与模型计算总数n；
[0031]
其次、将每个因素的取值范围划分为互不重叠的n个区间使各个区间的概率相同，在均匀分布的情况下各区间的长度相同；
[0032]
再者、在每个相似因素的取值范围的各个区间中根据对应的概率密度函数各抽取一个样本点
[0033]
最后、将所有抽出的样本点随机组合为样本向量，生成n个拉丁超立方样本点x(i)。
[0034]
作为本发明的一种优选方案，根据一系列拉丁超立方样本点x(i)代表点的参数值建立对应的精确分析有限元模型，以计算所需逼近的性能函数在n个样本点处的响应值。
[0035]
作为本发明的一种优选方案，将对应的精确分析有限元模型按照梁柱端板连接节点和梁柱t型件连接节点两种类型进行自动建模，其实现步骤为：
[0036]
首先、利用excel软件统计所有样本点的关键参数，表格中每一行代表一个模型，每一列代表一个参数，表格的规模为[i
×
j]，其中i为行数代表模型数，j为参数总数，包括灵敏度计算参数和不变参数；
[0037]
其次、按行自动读取表格中的模型关键参数，调用abaqus中的建模模块完成建立基于影响因素的运算流程；
[0038]
再者、自动进入模型后处理模块，提取关键点的应力及变形数据，并计算得出节点的转动刚度数据；
[0039]
最后、创建输出表格，输出关键点应力、变形、支座反力及节点刚度数据表格。
[0040]
作为本发明的一种优选方案，依据所述梁柱端板连接节点和梁柱t型件连接节点模型结合所述相似误差采用神经网络预测法预测刚度。
[0041]
作为本发明的一种优选方案，将所述梁柱端板连接节点和梁柱t型件连接节点模型的参数作为神经网络的输入数据，利用参数化自动建模技术获得神经网络训练数据，所述神经网络预测法具体实现步骤为：
[0042]
首先、依据abaqus参数化建模结构获取节点关键参数，作为神经网络的输入参数，并根据精度要求、计算时间要求自由设定数据计算组数；
[0043]
其次、定义一个固定规模大小的指标种群，指标种群种群中的个体为待优选的权值阈值，编码长度为权值、阈值的个数总和，依次生成初始种群与优胜子种群和临时子种群；
[0044]
最后、输入参数代表节点的不同指标，对指标进行归一化处理后输入神经网络分析指标变化趋势。
[0045]
作为本发明的一种优选方案，在所述神经网络中确定隐层节点数以确定线性预测函数，所述隐层节点数计算公式为：
[0046][0047]
其中，n为输入层节点数，m为输出层节点数，α为灵敏度系数
[0048]
本发明的实施方式具有如下优点：
[0049]
(1)本发明建立精确的节点有限元模型，分析了全相似端板连接节点的模型与原型应力分布的一致性，获取对应的主要影响因素，通过构建不完全相似的节点模型数据库，将相似误差预测问题根据具体情况区分层次，并利用神经网络方法预测大跨度钢结构的相似误差，分析误差影响因子及权值，降低了模型的复杂程度；
[0050]
(2)本发明通过大量的有限元建模，建立起以主要非完全因素为核心的相似程度不一的模型数据库，可针对包括多个相似目标建立非完全相似模型，从而可以统筹分析预测误差估计值，减少资源浪费。
附图说明
[0051]
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方
式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
[0052]
图1为本发明实施方式中的大跨度钢结构指标变化预测方法的流程示意图。
具体实施方式
[0053]
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0054]
如图1所示，本发明提供了一种基于有限元分析法的大跨度钢结构指标变化预测方法，本实施方式通过在表格中输入若干节点的关键参数，实现abaqus的自动建模、计算及数据的处理，利用完全相似条件确定各个参数的相似关系比，以确定参数范围，建立精确的节点有限元模型，分析了全相似端板连接节点的模型与原型应力分布的一致性，获取对应的主要影响因素，通过构建不完全相似的节点模型数据库，将相似误差预测问题根据具体情况区分层次，并利用神经网络方法预测大跨度钢结构的相似误差，分析误差影响因子及权值，降低了模型的复杂程度，采用有限单元法构建模型，可以用更低的成本实现接近甚至更优的效果。
[0055]
包括以下步骤：
[0056]
步骤100、获取大跨度钢结构原始指标数据，并将原始指标数据存储在excel表格中；
[0057]
步骤200、依据指标数据参数范围建立函数模型，采用大型有限元软件abaqus建立有限元节点模型；
[0058]
步骤300、将原始指标数据表导入abaqus有限元节点模型中，自动输出节点刚度；
[0059]
步骤400、根据节点刚度参数分析各因素影响权重，利用非完全相似误差预测法获取数据误差预测指标。
[0060]
本实施例中，以表格形式列出各个相似因素的变化情况，获取所有不完全性相似模型的节点初始刚度计算结果，并将各个参数与目标变量的影响因素进行量化，获取影响权值。
[0061]
在步骤200中，采用abaqus中的线性减缩积分单元c3d8r，有限元的计算钢结构的节点刚度参量，所述有限元计算模型中节点刚度的测量步骤如下：
[0062]
首先、获取钢结构柱端到梁顶距离l及柱头荷载f，计算柱端节点弯矩m
[0063]
m＝f
×
l；
[0065]
其次、根据钢结构柱端左右两端的竖直方向上的位移计算节点转角θ
[0066]
θ＝(s
1-s2)/h
[0067]
其中，s1、s2分别为钢结构柱端左、右两端的竖直方向上的位移，h为端柱截面高度；
[0068]
最后，根据柱端节点弯矩m以及节点转角θ计算节点初始转动刚度k
[0069]
k＝m/θ。
[0071]
本实施例中，将节点刚度作为核心性能指标，并以节点刚度作为量测非完全相似
节点相似程度的目标量，利用柱端节点弯矩m与节点转角θ比值测量模型中节点刚度。
[0072]
根据所述节点刚度在有限元计算模型中模拟节点的弯矩转角曲线，获取原型与模拟模型的差异，定义节点的相似误差，建立端板节点模型的非完全相似节点数据库，所述相似误差计算公式如下：
[0073][0074][0075]
其中，δ1为自变量相似误差，δ2为目标量相似误差，φ为非完全相似模型的自变量取值，φf为完全相似模型的自变量取值，k为非完全相似模型的初始转动刚度，kf为完全相似模型的初始转动刚度。
[0076]
本实施例中，将节点应力及节点初始刚度作为相似目标，对影响此两种节点性能的关键参数进行误差分析，寻求将各个变量对相似误差的影响定量化、公式化，从而提高相似误差的预测精度。
[0077]
本实施例中，建立端板节点模型的非完全相似节点数据库，通过定义节点的相似误差，包含自变量误差及因变量误差等，以提高节点初始转动刚度预测精度。
[0078]
对所述相似误差引入灵敏度系数，分析节点梁端变量之间的变化趋势，分别建立缩尺模型和基本几何缩尺比为1:2的非完全相似缩尺模型，设定非完全相似因素包括端板厚度、梁截面高度、柱截面高度、螺栓规格。
[0079]
本实施例中，基于灵敏度计算方法，对影响节点完全相似程度的因素进行筛选，引入相似误差，获取原型节点与完全相似模型节点的弯矩转角曲线对比值，降低各种影响因素与目标变量的影响，能够在误差允许范围内精确地计算出模型的各个参数取值，并得出对应节点转动刚度数值。
[0080]
本实施例中，通过建立非完全相似节点模型，对节点的梁柱构件宽度、高度及板厚，梁长、柱长、端板的长度、宽度、厚度、螺栓孔的布局、间距、螺栓的等效直径、螺栓孔径、螺栓预紧力等参数进行了全面的分析，引入非参数相关系数得到对节点性能影响最大的四个因素，为有限元精细分析提供理论依据。
[0081]
本实施例中，通过有限元软件abaqus作为计算平台，分别对大跨度钢结构梁柱节点和大跨度钢结构框架进行精细建模，明确各类模型的计算假定，通过分析原型节点与完全相似模型节点的弯矩转角曲线对比值，获取相似误差的非线性特性，得到不同参数对目标量的不同影响。
[0082]
对所述非完全相似因素采用拉丁超立方抽样方法进行优选，所述拉丁超立方抽样的步骤为：
[0083]
首先、确定相似误差计算的影响因素个数d与模型计算总数n；
[0084]
其次、将每个因素的取值范围划分为互不重叠的n个区间使各个区间的概率相同，在均匀分布的情况下各区间的长度相同；
[0085]
再者、在每个相似因素的取值范围的各个区间中根据对应的概率密度函数
各抽取一个样本点
[0086]
最后、将所有抽出的样本点随机组合为样本向量，生成n个拉丁超立方样本点x(i)。
[0087]
根据一系列拉丁超立方样本点x(i)代表点的参数值建立对应的精确分析有限元模型，以计算所需逼近的性能函数在n个样本点处的响应值。
[0088]
本实施例中，根据大数定理和中心极限定理，在样本点足够多的情况下，采用拉丁超立方抽样方法进行随机抽样，可以用样本的规律近似估计总体规律，且样本无限多的情况下可以无限接近真实解，为了减小样本数量，当参数数量与样本点水平数相同时，采用拉丁超立方抽样方法对样本数量进行优选。
[0089]
将对应的精确分析有限元模型按照梁柱端板连接节点和梁柱t型件连接节点两种类型进行自动建模，其实现步骤为：
[0090]
首先、利用excel软件统计所有样本点的关键参数，表格中每一行代表一个模型，每一列代表一个参数，表格的规模为[i
×
j]，其中i为行数代表模型数，j为参数总数，包括灵敏度计算参数和不变参数；
[0091]
其次、按行自动读取表格中的模型关键参数，调用abaqus中的建模模块完成建立基于影响因素的运算流程；
[0092]
再者、自动进入模型后处理模块，提取关键点的应力及变形数据，并计算得出节点的转动刚度数据；
[0093]
最后、创建输出表格，输出关键点应力、变形、支座反力及节点刚度数据表格。
[0094]
本实施例中，调用abaqus中的自动进入模型后处理模块，提取关键点的应力及变形数据，并计算得出节点的转动刚度数据；创建输出表格，输出包括关键点应力、变形、支座反力及节点刚度等后处理数据，整个过程由程序自动完成，只需前期准备好样本点的关键数据表格，即可实现自动计算与节点模型库的精确解集的自动获取。
[0095]
依据所述梁柱端板连接节点和梁柱t型件连接节点模型结合所述相似误差采用神经网络预测法预测刚度。
[0096]
本实施例中，利用python语言编制梁柱端板连接节点和梁柱t型件连接节点两种类型的自动建模程序，利用有限元软件abaqus计算求得样本点处的精确解，作为节点相似误差代理模型的数据库。
[0097]
将所述梁柱端板连接节点和梁柱t型件连接节点模型的参数作为神经网络的输入数据，利用参数化自动建模技术获得神经网络训练数据，所述神经网络预测法具体实现步骤为：
[0098]
首先、依据abaqus参数化建模结构获取节点关键参数，作为神经网络的输入参数，并根据精度要求、计算时间要求自由设定数据计算组数；
[0099]
其次、定义一个固定规模大小的指标种群，指标种群种群中的个体为待优选的权值阈值，编码长度为权值、阈值的个数总和，依次生成初始种群与优胜子种群和临时子种群；
[0100]
最后、输入参数代表节点的不同指标，对指标进行归一化处理后输入神经网络分析指标变化趋势。
[0101]
在所述神经网络中确节点数以确定线性预测函数，所述隐层节点数计算公式为：
[0102][0103]
其中，n为输入层节点数，m为输出层节点数，α为灵敏度系数。
[0104]
本实施例中，采用三层神经网络通过连续函数映射输入层和输出层，通过减少隐含层数降低映射函数的复杂程度，以提高计算速率。
[0105]
本实施例中，采用python编程语言的abaqus参数化建模结构，通过关键参数表格，实现有限元软件批量建模与节点关键参数计算结果的自动输出，为神经网络的训练提供必要数据，提高了神经网络映射模型的泛化能力。
[0106]
本实施例中，采用思维进化算法对神经网络结构进行优化，该算法可以提高神经网络的收敛速度和精度，提高故障诊断率，同时避免陷入局部极小值，方便寻找全局最优解，同时解决了遗传算法等传统进化算法的早熟和收敛速度慢等问题，提高神经网络的泛化能力和预测精度，使之能够准确模拟出节点非完全相似条件与相似误差之间复杂的非线性函数关系，从而作为考虑多因素相关性时的误差分析方法。
[0107]
因此本实施方式通过建立精确的节点有限元模型，分析了全相似端板连接节点的模型与原型应力分布的一致性，获取对应的主要影响因素，通过构建不完全相似的节点模型数据库，将相似误差预测问题根据具体情况区分层次，并利用神经网络方法预测大跨度钢结构的相似误差，分析误差影响因子及权值，降低了模型的复杂程度；
[0108]
因此作为本发明的另一创新点，本实施方通过大量的有限元建模，建立起以主要非完全因素为核心的相似程度不一的模型数据库，可针对包括多个相似目标建立非完全相似模型，从而可以统筹分析预测误差估计值，减少资源浪费。
[0109]
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。