超彈性形狀記憶合金（SMA）是一種在經(jīng)歷大的非彈性變形后,可自行恢復(fù)形狀并同時(shí)耗散能量的材料,在建筑物和橋梁的振動(dòng)控制中具有廣闊的應(yīng)用前景。通常利用優(yōu)化方法確定SMA材料的屬性參數(shù),并將其應(yīng)用于基于SMA的抗震結(jié)構(gòu)動(dòng)態(tài)分析之中。本文研究選擇采用Metropolis-Hasting算法來(lái)計(jì)算SMA數(shù)值模型中參數(shù)的概率分布特征,從而對(duì)SMA模型不確定性進(jìn)行探討和研究,并將其應(yīng)用于裝有SMA設(shè)備的抗震結(jié)構(gòu)的地震時(shí)程分析中。首先,對(duì)具有相同幾何尺寸和熱處理的SMA棒進(jìn)行了一系列循環(huán)拉伸測(cè)試,并選擇部分實(shí)驗(yàn)數(shù)據(jù),使用馬爾可夫鏈蒙特卡羅方法（Markov Chain Monte Carlo,MCMC）對(duì)SMA數(shù)值模型參數(shù)進(jìn)行采樣;然后,基于參數(shù)樣本來(lái)計(jì)算其概率特性;最后,基于模型參數(shù)的概率特性分析SMA數(shù)值模型的不確定性。研究進(jìn)一步采用考慮隨機(jī)變量間相關(guān)性的線性矩理論,建立起基于MCMC采樣樣本的高效采樣器進(jìn)行采樣,用于裝有SMA支撐的六層鋼框架的非線性響應(yīng)時(shí)程分析。通過(guò)對(duì)最大頂部位移角,最大層間加速度等響應(yīng)結(jié)果的不確定性研究,探討了了 SMA模型參數(shù)的不確定性對(duì)裝有SMA支撐的結(jié)構(gòu)非線性響應(yīng)時(shí)程... 

【文章來(lái)源】：山東大學(xué)山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．１削弱段直徑６ｍｍ的ＮｉＴｉ?ＳＭＡ試件尺寸示意圖??

?山東大學(xué)碩士學(xué)位論文???ｐｒｏｔｏｃｏｌ，簡(jiǎn)稱ＭＳ）；每種加載制度均分為準(zhǔn)靜態(tài)加載（ＱＴ）和動(dòng)態(tài)加載（Ｄ�。�??兩種加載方式。??本文的研究?jī)H考慮一種加載制度（ＩＳ），即一種加載方式（準(zhǔn)靜態(tài)加載ＤＴ）??下的ＳＭＡ的性能的不確定性分析，故此處僅展示ＩＳ的加載制度示意圖，如圖??２．２所示：采用了?２％的應(yīng)變?cè)隽�，并且在每個(gè)應(yīng)變水平下進(jìn)行了兩個(gè)循環(huán)。??１?２?３?４?５?６?７?８??加棚環(huán)??圖２．２?ＩＳ加載制度示意圖??２．１．４試件的預(yù)處理和試驗(yàn)結(jié)果??試件的加載方式如圖２．３（ａ）所示。利用一臺(tái)萬(wàn)能試驗(yàn)機(jī)（ＵＴＭ）對(duì)試件進(jìn)準(zhǔn)??靜態(tài)的循環(huán)拉伸試驗(yàn)，并用紅色的方形保護(hù)夾板保護(hù)試件不受壓彎破壞。試件預(yù)??處理主要包括拉伸卸載（ｔｒａｉｎｉｎｇ）和退火處理。前者指將試件進(jìn)行一個(gè)峰值應(yīng)變??達(dá)到７％的準(zhǔn)靜態(tài)拉伸后卸載的處理，使材料內(nèi)部晶體結(jié)構(gòu)重新排列，這樣有助??于提高試件的滯回耗能以及形狀恢復(fù)的性能，拉伸卸載后觀察到試件出現(xiàn)３．８％??的殘余應(yīng)變，如圖２．３（ｂ）所示；第一階段的試驗(yàn)通過(guò)對(duì)試件分別在３８０°Ｃ，４００°Ｃ??和４２０°Ｃ的退火溫度，１５分鐘和３０分鐘的退火時(shí)間的條件下，進(jìn)行ＩＳ加載制度??的測(cè)試，發(fā)現(xiàn)試件退火后顏色由銀色轉(zhuǎn)為金色，如圖２．３（ｃ）所示，且４００°Ｃ＋１５分??鐘退火處理的試件體現(xiàn)出“滯回曲線飽滿、殘余應(yīng)變很斜的性質(zhì)，故選取該組??處理方式下，加載制度為ＩＳ的試件的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行不確定性分析和概率建模，??其滯回曲線如圖２．４（ｄ）所示。??由圖２．３（ｄ）可以看出，相較于前６圈加載的滯回曲線（每?jī)扇Φ募虞d應(yīng)變峰??值依次為２°／。、４％、６％，分別用藍(lán)色、橘色和黃色的

?山東大學(xué)碩士學(xué)位論文???象，進(jìn)而導(dǎo)致滯回曲線在屈服后的平臺(tái)期出現(xiàn)上翹的現(xiàn)象。??＾ｌｓ：ｒｙ１??ｆ?應(yīng)變??（ａ）加載方式示意圖?（ｂ）拉伸后卸載結(jié)果示意圖??１０００?＇?＇?＇?￣＾ｆ??—等—??｛）ｊｆ?．??０?０．０２?０．０４?０．０ｆ＞?０．０８??（ｃ）退火前后示意圖?（ｄ）試件滯回曲線示意圖??圖２．３實(shí)驗(yàn)過(guò)程及結(jié)果示意圖??２．２?ＳＭＡ的數(shù)值模型和參數(shù)優(yōu)化??概率建模建立在峰值應(yīng)變?yōu)椋埃埃笖?shù)據(jù)的試驗(yàn)結(jié)果上，而其他結(jié)果則作為比??較，用以說(shuō)明峰值應(yīng)變和加載周期的影響。因此，參數(shù)優(yōu)化也僅針對(duì)峰值應(yīng)變?yōu)??０．０８的兩個(gè)加載循環(huán)實(shí)驗(yàn)數(shù)據(jù)。??為了提高馬爾可夫鏈－蒙特卡洛算法（ＭＣＭＣ）的效率，采用粒子群優(yōu)化算??法（ＰＳＯ）對(duì)模型參數(shù)進(jìn)行優(yōu)化，將優(yōu)化的參數(shù)作為初始參數(shù)向量輸入ＭＣＭＣ算??法，省去了?ＭＣＭＣ算法尋找參數(shù)收斂的過(guò)程，使得ＭＣＭＣ算法一開始就達(dá)到??收斂，提高了?ＭＣＭＣ算法的效率［６９］。??此外，參數(shù)優(yōu)化得到的最優(yōu)模型，既是我們概率建模的起點(diǎn)，也是與概率模??型進(jìn)行優(yōu)劣比對(duì)的有力參照。??２．２．１?Ｑｉａｎ?等人改進(jìn)的?Ｇｒａｓｓｅｒ?＆?Ｃｏｚｚｚａｒｅｌｌ?模型??基于Ｗｅｎ和Ｏｚｄｅｍｉｒ提出的材料滯回模型’的Ｇｒａｅｓｓｅｒ＆Ｃｏｚｚａｒｅｌｌｉ模型［５４］，??１１??

【參考文獻(xiàn)】：
期刊論文
[1]MCMC及其應(yīng)用[J]. 邵建鑫.  數(shù)學(xué)學(xué)習(xí)與研究. 2017(19)
[2]基于DRAM算法的α穩(wěn)定分布參數(shù)估計(jì)[J]. 郝燕玲,單志明,沈鋒.  華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2011(10)
[3]Metropolis-Hastings自適應(yīng)算法及其應(yīng)用[J]. 陳平,徐若曦.  系統(tǒng)工程理論與實(shí)踐. 2008(01)
[4]粒子群優(yōu)化算法[J]. 李愛(ài)國(guó),覃征,鮑復(fù)民,賀升平.  計(jì)算機(jī)工程與應(yīng)用. 2002(21)

碩士論文
[1]震后可恢復(fù)功能的新型消能減震裝置研究[D]. 張邑塵.山東大學(xué) 2019



本文編號(hào)：3603442