一种考虑初始扰动的扁平钢箱梁风嘴气动外形优化方法

本发明涉及桥梁抗风设计领域，特别是一种考虑初始扰动的扁平钢箱梁风嘴气动外形优化方法。

背景技术：

1、颤振是大跨桥梁安全的核心威胁。随着日本明石海峡大桥（主跨1991m）与土耳其1915恰纳卡莱大桥（主跨2023m）的建成，悬索桥跨径已突破2000m，中国张靖皋长江大桥和狮子洋大桥正在挑战2300m和2180m的主跨纪录。研究表明，颤振稳定性已成为限制跨径进一步提升的关键因素。在现有颤振控制策略中，气动措施通过改善主梁断面绕流特性，兼具效果显著与成本低廉的优势。风嘴作为主梁前缘的关键气动构件，其几何参数直接影响主梁的气动性能。

2、由于强烈的气动力非线性作用，桥梁断面可能出现亚临界分岔，振动状态与初始条件密切相关。矩形断面、桁架梁及流线型箱梁的风洞试验均证实，初始扰动可在较低风速下诱发颤振，颤振临界风速随初始振幅增大而降低。桥梁在服役期间面临涡激振动、强紊流抖振、船撞、波浪、海流及地震等诸多扰动来源，相邻主梁之间的气动干扰同样可能诱发大幅振动。这些扰动所产生的初始振幅均可能弱化主梁的颤振性能。若在设计中忽略初始扰动的影响，将高估桥梁的实际抗风能力，给结构安全带来潜在风险。因此，在大跨桥梁抗风设计中考虑初始扰动效应具有重要意义。

3、然而，要实现初始扰动下风嘴外形的合理设计仍面临挑战。一方面，目前缺乏精确施加初始扰动的手段，风洞试验中手动激励仅能获得近似初始幅值，cfd模拟框架也尚未实现初始扰动的精确施加。另一方面，现有气动优化框架普遍基于小振幅假设下的线性颤振理论，既忽略了主梁的非线性颤振特性，也难以考虑初始扰动对颤振性能的影响，且所采用的传统代理模型在处理风嘴几何参数与非线性颤振性能之间的复杂映射关系时精度有限。

技术实现思路

1、鉴于此，本发明的目的在于提供一种考虑初始扰动的扁平钢箱梁风嘴气动外形优化方法，能够有效考虑初始扰动对颤振性能的影响，并实现风嘴外形的全局优化设计。

2、为解决上述技术问题，本发明采用的技术方案是：

3、一种考虑初始扰动的扁平钢箱梁风嘴气动外形优化方法，包括以下内容：

4、选取扁平钢箱梁风嘴几何设计参数作为优化变量，其取值范围上下界构成约束条件；优化目标为目标初始扰动工况下的颤振发散风速最大化；

5、建立扁平钢箱梁风嘴气动外形优化模型并进行训练，得到训练完成的扁平钢箱梁风嘴气动外形优化模型；所述训练完成的扁平钢箱梁风嘴气动外形优化模型以扁平钢箱梁风嘴几何设计参数取值范围内的样本为输入，以目标初始扰动工况下的颤振发散风速最大化的最优扁平钢箱梁风嘴几何设计参数为输出；

6、在所述约束条件的取值范围内随机生成n组扁平钢箱梁风嘴几何设计参数并输入训练完成的扁平钢箱梁风嘴气动外形优化模型中得到使得目标初始扰动工况下的颤振发散风速最大化的扁平钢箱梁风嘴几何设计参数作为最优风嘴外形。

7、进一步，所述扁平钢箱梁风嘴几何设计参数包括风嘴顶点的水平坐标x1、竖向坐标x2及平台长度x3，三个坐标以主梁质心轴与风嘴竖向接合面的交点为坐标原点，三个参数之间相互独立并一起来表针风嘴外形。

8、进一步，所述步骤1中，将所述三个几何参数作为优化变量，目标函数为最大化目标扰动工况下的颤振发散风速：

9、

10、约束条件为：

11、

12、式中，ucr为目标扰动工况下的颤振发散风速；为代理模型表征的非线性映射关系；和分别为各优化变量取值范围的上界和下界。

13、进一步，所述扁平钢箱梁风嘴气动外形优化模型的训练过程如下：

14、获取深度神经网络代理模型并进行训练，建立所述优化变量与目标初始扰动工况下的颤振发散风速之间的映射关系，得到训练完成的深度神经网络代理模型，将训练完成的深度神经网络代理模型嵌入北方苍鹰优化算法得到训练完成的扁平钢箱梁风嘴气动外形优化模型。

15、进一步，所述深度神经网络代理模型的训练过程如下：

16、采用最优拉丁超立方抽样方法在所述约束条件下生成n组优化变量作为样本集；所述n是大于或等于1的自然数；

17、基于计算流体动力学构建可施加初始扭转激励的流固耦合数值模拟框架，用于获取样本集中不同风嘴外形方案在目标初始扰动下的结构气动响应，得到对应的真实颤振发散风速；

18、将样本集中的优化变量和对应的真实颤振发散风速作为标签输入所述深度神经网络代理模型中，构建多层神经网络，建立优化变量与目标扰动下颤振性能之间的映射关系；训练过程采用均方误差损失函数。

19、进一步，训练完成的扁平钢箱梁风嘴气动外形优化模型得到最优风嘴外形的具体过程如下：

20、将n组扁平钢箱梁风嘴几何设计参数定义为北方苍鹰优化算法的初始种群，并设定算法终止准则；

21、调用训练完成的深度神经网络代理模型得到初始种群中每个个体对应的颤振发散风速，将其作为适应度值；根据适应度值更新个体最优位置与全局最优位置，并据此迭代搜索；

22、若满足预设终止准则，则输出全局最优个体对应的优化变量，即为最优风嘴外形；否则返回之前步骤继续迭代，直至输出最优风嘴外形为止。

23、进一步，所述流固耦合数值模拟框架通过cfd自由振动模拟得到真实颤振发散风速，其判定准则为：系统气动响应由收敛状态或等幅振荡状态转变为振幅持续增大状态所对应的最低风速；

24、初始扭转激励的施加方式为：在计算启动后的极短时间内，利用用户自定义函数赋予主梁预设速度条件，使其达到指定初始扭转振幅后立即释放，触发自由振动。

25、进一步，深度神经网络代理模型通过多个隐藏层的非线性变换，建立优化变量与目标扰动工况下颤振发散风速之间的高精度非线性映射关系。

26、进一步，深度神经网络代理模型的损失函数为均方误差：

27、

28、其中，n为训练样本数量；yi为第i个样本的颤振发散风速真实值；为第i个样本的颤振发散风速预测值。

29、进一步，深度神经网络代理模型的每个隐藏层后均添加dropout层以防止过拟合；训练过程中学习率采用分段衰减策略。

30、本发明具有如下有益效果：（1）能考虑主梁的非线性颤振特性。通过cfd自由振动模拟获取不同风嘴外形下的气动响应时程，以响应由收敛或等幅振荡转变为持续发散所对应的风速作为颤振发散风速，克服了传统方法基于线性颤振理论的局限。（2）能考虑初始扰动对颤振性能的影响。通过在cfd中利用用户自定义函数精确施加初始扭转激励，获取扰动工况下的真实颤振响应，解决了传统方法难以考虑初始扰动效应的问题；（3）代理模型预测精度高。采用深度神经网络通过多层非线性变换，准确地建立风嘴几何参数与扰动工况下颤振发散风速之间的映射关系；（4）优化结果鲁棒性强。结合北方苍鹰优化算法的全局寻优能力，优化断面在不同初始扰动工况下均能保持显著的颤振性能提升；（5）自动化程度高。通过最优拉丁超立方抽样、cfd自动计算、深度神经网络自动学习、群智能算法自动寻优，整个流程高度自动化，显著提高了优化效率。