Structural damping is known to be approximately rate-independent in many cases. Popular models for rate-independent dissipation are hysteresis models; and a highly popular hysteresis model is the Bouc-Wen model. If such hysteretic dissipation is incorporated in a refined finite element model, then the mathematical model includes the usual structural dynamics equations along with nonlinear nonsmooth ordinary differential equations for a large number of internal hysteretic states at Gauss points, to be used within the virtual work calculation for dissipation. For such systems, numerical integration becomes difficult due to both the distributed non-analytic nonlinearity of hysteresis as well as the very high natural frequencies in the finite element model. Here we offer two contributions. First, we present a simple semi-implicit integration approach where the structural part is handled implicitly based on the work of Pich\'e, and where the hysteretic part is handled explicitly. A cantilever beam example is solved in detail using high mesh refinement. Convergence is good for lower damping and a smoother hysteresis loop. For a less smooth hysteresis loop and/or higher damping, convergence is observed to be roughly linear on average. Encouragingly, the time step needed for stability is much larger than the time period of the highest natural frequency of the structural model. Subsequently, data from several simulations conducted using the above semi-implicit method are used to construct reduced order models of the system, where the structural dynamics is projected onto a small number of modes and the number of hysteretic states is reduced significantly as well. Convergence studies of error against the number of retained hysteretic states show very good results.


翻译:在很多情况下,人们都知道在结构上存在障碍,在结构上存在障碍,在很多情况下,人们都知道这种结构是基本上不依靠率独立的消散的流行模型是歇斯底里模型;而高度流行的歇斯底里模型是Bouc-Wen模型。如果将这种歇斯底里消散纳入一个精细的有限元素模型,那么数学模型就包括了通常的结构动态方程式以及非线性非线性普通差异方程式,在高斯点的大量内部歇斯底里化状态中,在虚拟工作计算中将使用用于消散的模型。对于这类系统来说,数字整合变得非常困难,因为分布的非分析性的结构动态非线性非线性强的超线性静态模型模式,以及有限元素模型模型模型的自然频率非常高。我们在这里提供两种贡献。首先,我们提出了一个简单的简单的半隐性整合方法,根据Piche的工作对结构部分进行隐性处理,并且明确处理螺旋性部分。在虚拟工作计算中,使用高度的精度模型来解决一个保留性的例子。对于这类系统来说,由于高度的精度的精细的精细的精细的精确性模型是很好的,对于低的精细的精细的精细的精细的精细的精确性模型是良好的,对于低的精确的精确的精确度是好的,在预测的精确的精确的精确的精细的精细的精细的精确性研究,对于低的精细的精确性研究,对于低的精确的精确的精确的精确的精确的精确的精确的精确的精确性研究是用来,对于低的精确的精确的精确性研究,对于低的周期性研究,对于低的周期的周期性研究,对于低的周期性研究,在的周期性研究是观察到的周期的周期的周期的周期的周期的周期的周期性的研究。

0
下载
关闭预览

相关内容

ACM/IEEE第23届模型驱动工程语言和系统国际会议,是模型驱动软件和系统工程的首要会议系列,由ACM-SIGSOFT和IEEE-TCSE支持组织。自1998年以来,模型涵盖了建模的各个方面,从语言和方法到工具和应用程序。模特的参加者来自不同的背景,包括研究人员、学者、工程师和工业专业人士。MODELS 2019是一个论坛,参与者可以围绕建模和模型驱动的软件和系统交流前沿研究成果和创新实践经验。今年的版本将为建模社区提供进一步推进建模基础的机会,并在网络物理系统、嵌入式系统、社会技术系统、云计算、大数据、机器学习、安全、开源等新兴领域提出建模的创新应用以及可持续性。 官网链接:http://www.modelsconference.org/
不可错过!《机器学习100讲》课程,UBC Mark Schmidt讲授
专知会员服务
73+阅读 · 2022年6月28日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
78+阅读 · 2020年7月26日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
14+阅读 · 2018年11月29日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
93+阅读 · 2022年8月2日
Hierarchical Graph Capsule Network
Arxiv
20+阅读 · 2020年12月16日
Arxiv
13+阅读 · 2019年11月14日
Arxiv
17+阅读 · 2019年3月28日
VIP会员
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
14+阅读 · 2018年11月29日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员