کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6955092 1451856 2016 14 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Probabilistic updating of building models using incomplete modal data
ترجمه فارسی عنوان
به روز رسانی احتمالی مدل های ساختمان با استفاده از داده های ناقص مدال
کلمات کلیدی
به روز رسانی مدل احتمالی استنتاج بیزی، زنجیره مارکوف مونت کارلو، شناسایی مودال، اصطلاح بهبود یافته سیستم کاهش یافته است. نظارت بر سلامت سازمانی،
ترجمه چکیده
این مقاله یک استراتژی احتمالات جدید برای به روز رسانی مدل بیزی با استفاده از داده های مودال ناپذیر را مورد بررسی قرار می دهد. تطبیق حالت مستقیم بین مقادیر اندازه گیری شده و مقادیر پیش بینی شده در روند به روز رسانی نیازی نیست که از طریق کاهش مدل تحقق می یابد. یک روش مونت کارلو زنجیره مارکوف با مراحل تصادفی پیاده سازی پیشنهاد شده است تا نمونه ها را برای اندازه گیری عدم قطعیت پارامتر مدل ارائه دهد. تکرار بهبود یافته روش سیستم کاهش یافته است برای به روز رسانی خطای پیش بینی و همچنین برای محاسبه تابع احتمال در فرآیند نمونه برداری استفاده می شود. از آنجا که مقادیر مودال در به روز رسانی مدل استفاده می شود، ابتدا شناسایی مودال برای استخراج فرکانس های طبیعی و شکل حالت ها از طریق اندازه گیری شتاب سیستم ساختاری انجام می شود. الگوریتم پیشنهادی در نهایت توسط هر دو نمونه عددی و تجربی به اثبات رسیده است: یک ساختمان 10 طبقه با داده های مصنوعی و یک ساختمان 8 طبقه با داده های آزمون تکان دادن جدول. نتایج نشان می دهد که الگوریتم پیشنهادی برای به روز رسانی مدل احتمالاتی ساختمان ها برای اندازه گیری عدم قطعیت پارامتر موثر و قوی است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر پردازش سیگنال
پیش نمایش مقاله
به روز رسانی احتمالی مدل های ساختمان با استفاده از داده های ناقص مدال
چکیده انگلیسی
This paper investigates a new probabilistic strategy for Bayesian model updating using incomplete modal data. Direct mode matching between the measured and the predicted modal quantities is not required in the updating process, which is realized through model reduction. A Markov chain Monte Carlo technique with adaptive random-walk steps is proposed to draw the samples for model parameter uncertainty quantification. The iterated improved reduced system technique is employed to update the prediction error as well as to calculate the likelihood function in the sampling process. Since modal quantities are used in the model updating, modal identification is first carried out to extract the natural frequencies and mode shapes through the acceleration measurements of the structural system. The proposed algorithm is finally validated by both numerical and experimental examples: a 10-storey building with synthetic data and a 8-storey building with shaking table test data. Results illustrate that the proposed algorithm is effective and robust for parameter uncertainty quantification in probabilistic model updating of buildings.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Mechanical Systems and Signal Processing - Volume 75, 15 June 2016, Pages 27-40
نویسندگان
, ,