-
公开(公告)号：CN115310176B
公开(公告)日：2023-05-05
申请号：CN202210843596.6
申请日：2022-07-18
Applicant: 哈尔滨工业大学
IPC: G06F30/13 , G06F30/28 , G06F113/08 , G06F119/14
Abstract: 本发明提出基于OpenFOAM和导数矩变换的二维流场气动力重构方法。该方法将流场气动力重构通过导数矩方法变换为基于流场流态的气动力重构公式，将流场流动信息与桥梁气动力相结合，桥梁结构在发生振动时流场出现的特征流态与振动之间存在关系。二维气动力重构公式建立了从流场获得气动力的通道，通过OpenFOAM获得流场数据，计算出流动控制体内的数据作为气动力重构的输入数据，实现了流场特征流态、气动力与结构振动之间的关联。在OpenFOAM数据基础上实现了二维特征流动的流场气动力重构，搭建了流场流动信息到结构气动力的桥梁，可以用于特征流动分离的气动力贡献与机理分析。
-
公开(公告)号：CN115344819B
公开(公告)日：2023-04-07
申请号：CN202210978921.X
申请日：2022-08-16
Applicant: 哈尔滨工业大学
IPC: G06F17/11 , G06F30/20 , G06F18/214 , G06N20/00 , G06F111/10
Abstract: 本发明提出基于状态方程的显式欧拉法符号网络常微分方程识别方法。本发明所述方法首先通过数值模拟准备识别方程所用的数据集，将位移数据与速度数据组合成状态向量；将状态向量形式的数据送入符号网络进行学习，网络的深度推进格式采用显式欧拉法，每一个符号网络循环块的输入都作为下一个网络循环块的输入以此提高网络对长期时域信号的学习能力；将最终学习到的方程形式与真实方程作比较并用学习到的方程作预测曲线与真实的曲线对比来验证学习方程的准确性。所述方法智能化学习程度更高，所需先验知识更少，实用性更广模型搭建的难度更低。
-
公开(公告)号：CN115114859B
公开(公告)日：2023-03-24
申请号：CN202210833876.9
申请日：2022-07-15
Applicant: 哈尔滨工业大学
IPC: G06F30/27 , G06N3/0442 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06F113/08
Abstract: 本发明提出一种基于双向门控循环单元的高时间分辨率流场重构方法。该方法使用粒子图像测速技术(PIV)测量的高空间分辨率流场数据和局部测量点处高频风速传感器测量的高时间分辨率数据，通过深度卷积自编码器的提取流场空间特征，将局部测点处的高时间分辨率数据输入双向门控循环单元，重构出整个流场的高时间分辨率的特征时程系数，最后将该系数输入卷积自编码器中即可重构出高时间分辨率的流场。本发明无需采用昂贵的高频PIV设备，采用普通低频PIV和高频风速传感器即可较好地重构出高时间分辨率流场。
-
Patent Agency Ranking
公开(公告)号：CN115345074A
公开(公告)日：2022-11-15
申请号：CN202210979030.6
申请日：2022-08-16
Applicant: 哈尔滨工业大学
IPC: G06F30/27 , G06F30/13 , G06F17/11 , G06F17/16 , G06K9/62 , G06N20/00 , G06F111/10 , G06F111/08
Abstract: 本发明提出一种识别软颤振气动力方程的方法。本发明所述方法首先准备识别方程所用的数据集，在风洞中基于节段模型实验获得软颤振位移响应数据，将数据低通滤波器处理并经过数值差分后获得速度以及加速度数据；将数据以一定重叠率的形式送入稀疏字典进行方程识别，目标函数为带有零范数的回归，零范数回归易出现N‑P困难，因此用等效的岭回归方法进行优化，即顺序阈值岭回归；将最终得到的方程进行仅仅指定初始值的响应预测并与真实的信号比较来验证算法的准确性；值得注意的是，相比于无时间数据重叠的方法，具有时间重叠的字典识别方法对识别具有弱非线性特征的软颤振气动力方程是十分有效的。
-
公开(公告)号：CN115311530A
公开(公告)日：2022-11-08
申请号：CN202210833886.2
申请日：2022-07-15
Applicant: 哈尔滨工业大学
Abstract: 本发明提出一种基于深度卷积自编码器的流场特征提取方法。所述方法具体包括：步骤一：获得流场数据，根据流场数据构建数据集；步骤二：搭建深度卷积自编码器模型；步骤三：将数据集随机按比例划分为训练集、验证集和测试集；利用训练集对深度卷积自编码器模型进行训练，利用验证集对深度卷积自编码器模型进行验证；步骤四：利用测试集对验证后的深度卷积自编码器模型进行测试，对比输入和输出流场差异。相比于POD等线性方法，本发明所述方法能够将流场压缩到更低的维度，流场重构精度也优于POD方法。
-
公开(公告)号：CN115292780A
公开(公告)日：2022-11-04
申请号：CN202210826212.X
申请日：2022-07-14
Applicant: 哈尔滨工业大学
IPC: G06F30/13 , G06F30/27 , G06F30/28 , G06N3/04 , G06N3/08 , G06F113/08 , G06F119/06 , G06F119/14
Abstract: 本发明提出基于深度学习的大跨度桥梁抖振响应预测方法。所述方法具体包括：步骤一、数据集构造：计算风速特征以及桥梁响应特征，形成模型的数据集；步骤二、模型搭建与训练：以门限循环单元GRU神经网络作为基本网络建立结合频域响应计算公式的深度神经网络模型；步骤三、响应预测：模型训练完成后用来进行预测，对于给定的风环境，确定风速特征后即可利用所述深度神经网络模型预测得到对应的响应特征。本发明无需有限元模型以及风洞试验结果的先验知识，通过数据挖掘技术对隐含在海量监测数据中的结构行为特征进行提取。本发明一经训练完成即可进行快捷预测，其为大跨度桥梁抖振响应预测提供了解决方案。
-
公开(公告)号：CN113642068A
公开(公告)日：2021-11-12
申请号：CN202110765670.2
申请日：2021-07-07
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于决策树和循环神经网络的桥梁涡激振动响应幅值预测方法。该方法首先基于现场实测的桥梁涡激振动数据，采用决策树方法，建立了涡激振动模态预测模型，实现仅通过监测风速条件即可预测涡振模态；其次基于原型桥梁涡振位移幅值微分方程一般表达式和监测数据，设计了一种适用于表征桥梁结构振动动力系统的循环神经网络算法，直接建立风速和风向与各阶模态涡振响应幅值之间的映射关系，其优点在于可实现时变、不均匀自然风，超高雷诺数下原型桥梁涡振幅值机器学习预测，解决了传统基于风洞试验的半理论半经验模型无法准确预测自然风作用下原型桥梁涡振响应的难题，为桥梁涡振预警、预报，安全评估提供重要的支撑。
-
公开(公告)号：CN102505627B
公开(公告)日：2013-12-04
申请号：CN201110365848.0
申请日：2011-11-03
Applicant: 哈尔滨工业大学
IPC: E01D19/00
Abstract: 本发明提供一种抑制分离式箱梁涡激振动控制系统。涡激振动感知单元连接涡激振动控制单元，涡激振动控制单元连接涡激振动制动单元，涡激振动制动单元连接涡激振动控制板单元。涡激振动感知单元的两个单向高精度加速度传感器和两个三维超声风速仪连接A/D数据采集卡和工控机。涡激振动制动单元的电机连接导向轨道和导向杆。涡激振动控制板单元的四块轻质碳纤维板可自由伸展和折叠。本发明的涡激振动控制板单元在涡激振动发生时自动将空隙封闭，从而完全消除分离式箱梁的涡激振动。控制板能自动收缩至折叠状态，避免对大跨度桥梁的颤振效应产生影响。本发明能够对现场大跨度桥梁的涡激振动迅速做出响应，进而采取相应的控制措施。
-
-
-
-
-
-
-
Search Results
38
records
(took 0.044 seconds)
