第一个书签之前
摘 要
Abstract
第一章 绪论
1.1 研究背景及意义概述
1.2 桥梁涡激振动研究
1.2.1 涡激振动现象
1.2.2 涡激振动研究方法
1.2.3 涡激振动影响因素
1.3 桥梁涡激振动待解决的问题
1.4 本文主要研究内容
第二章 人工神经网络基本理论
2.1 人工智能发展及理论研究概况
2.1.1 人工智能发展历史
2.1.2 人工智能理论研究发展概况
2.2 BP神经网络模型
2.2.1 BP神经网络的结构
2.2.2 BP神经网络的学习算法
2.2.3 三层BP神经网络算法推导
2.3 径向基函数网络
2.3.1 径向基函数
2.3.2 径向基函数网络的结构
2.3.3 径向基函数网络的学习算法
2.4 广义回归神经网络
2.4.1 广义回归神经网络理论基础
2.4.2 广义回归神经网络结构
2.5 概率神经网络
2.5.1 模式分类的贝叶斯决策理论
2.5.2 概率神经网络结构
2.5.3 概率神经网络的优点
2.6 本章小结
第三章 π型梁涡激振动风洞试验研究
3.1 典型桥例工程概况
3.2 动力特性对比分析
3.2.1 建模思想
3.2.2 动力特性计算结果
3.2.3 对比分析
3.3 不同宽高比裸梁涡激振动性能研究
3.3.1 模型参数设计、试验工况及试验结果
3.3.2 涡振区与起振风速
3.3.3 斯托罗哈数
3.4 涡振控制措施研究
3.4.1 风嘴
3.4.2 稳定板
3.5 本章小结
第四章 π型梁涡激振动学习样本采集
4.1 π型梁涡激振动数值模拟方法
4.1.1 湍流模型的选择
4.1.2 网格质量评价
4.1.3 动网格技术介绍
4.1.4 涡激振动的Fluent-UDF二次开发
4.2 π型梁数值模拟结果及校核
4.2.1 计算断面及参数设置
4.2.2 π型梁静态数值模拟校核
4.2.3 π型梁涡振数值模拟校核
4.3 π型裸梁学习样本
4.3.1 参数范围的选定
4.3.2 学习样本汇总
4.3.3 学习样本初步规律
4.4 抑振措施学习样本
4.4.1 抑振措施参数范围选定
4.4.2 学习样本汇总
4.4.3 学习样本初步规律
4.5 本章小结
第五章 π型梁涡振性能人工智能识别
5.1 π型裸梁涡振性能预测
5.1.1 学习样本的插值处理
5.1.2 建立径向基函数神经网络模型
5.1.3 网络参数优化
5.1.4 涡振性能预测
5.2 π型裸梁涡振性能拟合
5.2.1 适用于非线性拟合的神经网络
5.2.2 建立人工神经网络模型
5.2.3 运行时间与误差对比分析
5.2.4 拟合结果
5.3 π型梁措施组合抑振效果分类
5.3.1 抑振效果分类
5.3.2 建立概率神经网络模型
5.3.3 正确率检验
5.4 基于MATLAB的神经网络相关函数解释
5.4.1 内嵌函数
5.4.2 调用函数
5.5 本章小结
结论与展望
参考文献
致 谢