Prediction of aeroelastic response of bridge decks using artificial neural networks
Prediction of aeroelastic response of bridge decks using artificial neural networks
复制标题
使用人工神经网络预测桥面气动弹性响应
DOI：
10.1016/j.compstruc.2020.106198
复制
发表时间：
2020
影响因子：
4.7
通讯作者：
Lahmer
中科院分区：
文献类型：
--
作者：
Kavrakov;Morgenthal;Lahmer
风致振动的评估被认为是大跨度桥梁设计的关键。本研究的目的是开发一种方法框架，强大的和有效的预测策略，复杂的空气动力学现象，采用混合模型，采用数值分析以及元模型。在这里，一种方法来预测运动诱导的气动力开发使用人工神经网络（ANN）。人工神经网络实现在经典的配方和训练与一个全面的数据集，这是从计算流体动力学强迫振动模拟。人工神经网络的输入是桥梁截面的响应时程，而输出是运动诱导力。已开发的人工神经网络进行了测试，不同的横截面几何形状，提供有前途的预测的训练和测试数据。还针对具有多个频率的环境响应输入执行预测。此外，训练的人工神经网络的气动力耦合的结构模型进行完全耦合的流固耦合分析，以确定气动弹性不稳定极限。ANN参数对模型预测质量和效率的敏感性也得到了强调。所提出的方法在大跨度桥梁的分析和设计中具有广泛的应用。
The assessment of wind-induced vibrations is considered vital for the design of long-span bridges. The aim of this research is to develop a methodological framework for robust and efficient prediction strategies for complex aerodynamic phenomena using hybrid models that employ numerical analyses as well as meta-models. Here, an approach to predict motion-induced aerodynamic forces is developed using artificial neural network (ANN). The ANN is implemented in the classical formulation and trained with a comprehensive dataset which is obtained from computational fluid dynamics forced vibration simulations. The input to the ANN is the response time histories of a bridge section, whereas the output is the motion-induced forces. The developed ANN has been tested for training and test data of different cross section geometries which provide promising predictions. The prediction is also performed for an ambient response input with multiple frequencies. Moreover, the trained ANN for aerodynamic forcing is coupled with the structural model to perform fully-coupled fluid–structure interaction analysis to determine the aeroelastic instability limit. The sensitivity of the ANN parameters to the model prediction quality and the efficiency has also been highlighted. The proposed methodology has wide application in the analysis and design of long-span bridges.
登录
查看更多内容
影响因子：
2.6
作者：
Abbas, Tajammal;Morgenthal, Guido
通讯作者：
Morgenthal, Guido
MATLAB 深度学习与机器学习神经网络和人工智能第一版
DOI：
--
发表时间：
2017
期刊：
影响因子：
--
作者：
L. A. Auersvald;D. Rothstein;S. Oliveira;C. Q. Khuong;G. Basadonna
通讯作者：
G. Basadonna
DOI：
--
发表时间：
1994-12
期刊：
--
影响因子：
--
作者：
J. Walther;J. Jensen;J. Sørensen;P. S. Larsen
通讯作者：
J. Walther;J. Jensen;J. Sørensen;P. S. Larsen
DOI：
10.1016/j.jweia.2008.02.044
发表时间：
2008-10
影响因子：
4.8
作者：
Chern‐Hwa Chen;Jong-Cheng Wu;Jow-Hua Chen
通讯作者：
Chern‐Hwa Chen;Jong-Cheng Wu;Jow-Hua Chen
DOI：
10.1680/stbu.14.00022
发表时间：
2015-09
期刊：
--
影响因子：
--
作者：
A. Kareem;Teng Wu
通讯作者：
A. Kareem;Teng Wu