Professional Documents
Culture Documents
11 2-基于遗传算法的TMD参数优化研究
11 2-基于遗传算法的TMD参数优化研究
2
2023 年 4 月 J. Xi'an U niv. of A rch. & Tech. (Natural Science Edition ) Apr.2023
基于遗传算法的 T M D 参数优化研究
关晓迪1 , 郭宏超1 , 王洪臣2 , 王振山1
(1 . 西安理工大学 土木建筑工程学院 , 陕西 西安 710048 ; 2 . 中国建筑西北设计研究院有限公司 , 陕西 西安 710018)
(1. School of Civil Engineering and Architecture ,Xi'an University of T echnology ,Xi'an 710048 ,China ;
2. China Northwest Architecture Design and Research Institute Co .,Ltd .,Xi'an 710018 ,China)
Abstract :T he genetic algorithm is applied to the parameter optimization of the structural passive vibration damping
device ,and the optimization method and mathematical model are proposed .Taking the control of human-induced
vibration of a large-span steel truss corridor as an engineering example , the main program of the algorithm is
w ritten by M atlab , and the finite element is used for cyclic calculation to optimize the stiffness and damping
parameters of the ST MD system and the position combination of the M T MD system .T he results show that the
optimal parameters obtained by applying the genetic algorithm in the T MD system are 2 .7% higher than the
optimal parameters calculated by the Den hartog fixed-point theory .T he optimal layout in M T MD system is 2 .2%
higher than that of uniform layout ,and the feasibility of the genetic algorithm in the optimization of the T MD
damping system is also illustrated .
Key words :steel corridor ;genetic algorithm ;tuned mass damper ;human induced vibration ;parameter optimization
[4 ]
公式 , 推导该公式时为了简化计算 , 假定主结构 以描述为在一定的约束条件下 , 充分发挥减振器
的阻尼为 0 ; 对于有阻尼主结构 , Warburton 表 的性能将结构的振动响应降低到最小值 , 其一般
[5 ]
明无法继续利用定点理论推导出最佳参数的解析公 性的数学模型可以写成如下形式 .
式 , 而是利用非线性数学规划的方法进行求解 ; 薛 min R(x) = [ f 1 (x) , f 1 (c)] (1)
收稿日期 : 2022-07-11 修改稿日期 : 2023-02-20
基金项目 : 国家自然科学基金项目 (51978571 ) ; 陕 西省杰 出青年基金项目 (2021JC - 41 ) ; 陕西 省重点研发计 划 (2022SF - 199 , 2022SF -
121)
第一作者 : 关晓迪 (1995 — ) , 男 , 博士研究生 , 主要从事结构动力学与抗震 、 减震技术方面的研究 .E-mail :2837867139@ qq. com
通信作者 : 郭宏超 (1981 — ) , 男 , 教授 , 博导 , 主要从事工程结构抗震 、 钢结构方面的研究 .E-mail :g hc-1209@ 163. com
212 西 安 建 筑 科 技 大 学 学 报(自然科学版) 第 55 卷
图3 连廊平面及立面图
Fig. 3 Corridor plane and elevation
3 工程实例 图4 连廊有限元模型
某站站 房 改 造 项 目 中 的 一 幢 办 公 及 商 业 配 Fig. 4 Finite element model of corridor
第2期 关晓迪 , 等 : 基于遗传算法的 T MD 参数优化研究 213
3. 1 对 T M D 力学参数的优化 产生新个体的目的 .
工程设计中 T M D 刚度 、 阻尼 值 常 采 用 Den
hartog 提出的定点理论最优化参数进行计算 , 根
据双自由度体系的动力平衡方程推导出式 (3 ~ 4 ) ,
该公式假定主结构的阻尼值为 0 , 但实际结构中多
少均存在一定的阻尼值 , 这就导致由公式计算出
的最优参数与实际的最优参数存在一定误差 , 为 图 5 遗传算子操作示意图
了获得最佳的减振效果 , 采用遗传算法对这两个 Fig.5 Schematic diagram of genetic operator operation
力学参数进行寻优 . 选择操作建立在种群中个体适应度评估的基
f opt = 1 / 1 + μ (3) 础上 , 将每代个体按适应度 (减振率 )大小进行排
序 , 采用末尾淘汰制 , 每代淘汰适应度排名后 5 %
ξopt = 3 μ /8(1 + μ /2) (4)
式中 : f opt 为结构圆频率与激振力频率之比 ; μ 为 的个体 , 用适应度最好的染色体进行代替 .
固定质量比 ; ξopt 为阻尼比 . 当计算出的适应度在解空间中无对应可行解
在进 行 优 化 时 , 采 用 固 定 质 量 比 , 也 就 是 时 , 即根据个体约束的取值范围重新随机生成一
T M D 的质量为常量取 4 000 kg , 刚度和阻尼系数 个个体 , 相比于罚函数法 , 使用更加简单 .
为变量 , 为了提高算法的寻优速度 , 同时排除一 优化结果过程中适应度随迭代次数变化的曲
些不合理的值 , 需要指定一个合适的参数取值范 线如图 6 所示 , 可以看出 , 该算法具有良好的收敛
围 , 通常来说结构的阻尼比较小 , 约为 2% ~ 5% 性 , 当计算到第 11 代和第 17 代时 , 种群中的最大
之间 , 最优参数值与利用 Den Hartog 计算出的参 适应度和平均适应度分别达到最大值 , 说明寻优
数值相差并不会太大 , 因此给出待优化参数的取 过程已经结束 , 提取结果如表 2 所示 , 从表中可以
值范围如表 1 所示 . 看出 , 遗传算法得到的最优刚度为 976 kN /m 、 阻
尼为 7. 66 kN · s /m , 而 D H 算法计算的最优刚度
表1 遗传算法参数取值
为 966 kN /m 、 阻尼为 7. 53 kN · s /m , 存在 1% ~
Tab. 1 Values of genetic algorithm parameters
2% 的误差 .
参数 取值
刚度 [900 ~ 1 000 ]kN /m
阻尼 [7 ~ 8]kN · s /m
种群大小 30
适应度函数 减振率
交叉概率 0. 6
变异概率 0. 2
初始种群为一定数量的个体 , 每个个体均包
含有刚度和阻尼两条染色体 , 种群越大 , 越容易
找到全局最优解 , 但消耗的计算时间也越长 . 本
次初始种群数量取为 30 , 采用二进制的编码方式 ,
以原结构和减振结构在共振频率 2. 5 Hz 的人行荷 图 6 遗传算法的最优与平均适应度曲线
载激励下 , 跨中节点加速度响应降低的幅度为基 Fig. 6 Optimal and average fitness curves of
础 , 定义减振率为适应度函数 , 如式(5) . genetic algorithms
F(x) = (amin - amax ) /amax (5) 表2 不同计算方法下的最优 TMD 参数
式中 : F(x)为适应度函数 ; amax 为减振结构加速度 Tab. 2 Optimal TMD parameters under different
响应峰值 ; a 为原结构加速度响应峰值 .
max calculation methods
交叉和变异可以使得遗传算法的搜索能力得 质量 刚度 / 阻尼 /
计算方法 频率比 阻尼比
到提高 , 同时也是获得新的优良个体的重要手段 , /kg (kN · m ) (kN · s · m
-1 -1
)
自振频率存在偏移时 , 由多个不同频率 T M D 组成
[12 ]
数时跨中节点的加速度 , 提取加速度时程曲线
如图 7 所示 , 可以看出 D H 算法下的减振结构的加 的 M T M D 可以扩大减振频带的覆盖范围 , 相比
速度响应峰值为 0. 087 m /s , 非减振结构加速度 T M D 能获得更好的有效性和鲁棒性 . 当 TMD
2 [13 ]
图8 MTMD 待选位置及编号
Fig. 8 MTMD candidate positions and numbers 图9 初始种群及编码示意图
种群数量取为 30 , 种群中的个体为 T M D 待选 Fig. 9 Schematic diagram of initial population and coding
位置 , 每个个体由 34 个待选位置中随机选出的 9 式中 : F(x)为适应度函数 ; a'i ,max 为减振结构在受
个组成 , 分别对应着 m1 ~ m9 不同质量的 T M D , 到频率为 iHz 外激励时的加速度峰值 ; ai ,max 为原
采用自然数的编码形式 , 如图 9 所示 . 结构在受到频率为 iHz 外激励时的加速度峰值 .
M T M D 系统对减振频段范围内的激励频率均 将个体中某个 T M D 位置与另一个体进行互
具有减振效果
[16 ]
, 为了评估个体的适应度 , 定义 换 , 以此来进行交叉操作 , 将个体中某个 T M D 的
适应度函数为减振系统在减振区间 2. 2 ~ 2. 8 Hz 内 位置改变为解空间中的其他待选位置 , 以此来进
的总减振率 , 如式(6) . 行变异操作 , 如图 10 所示 , 采用末尾淘汰制 , 每
kH z kH z kH z 代淘汰适应度排名后 5% 的个体 , 用适应度最好的
F(x) = ∑ ai ,max - ∑ a'i ,max /∑ ai ,max (6)
iHz iH z iH z 染色体进行代替 , 算法参数取值如表 4 所示 .
第2期 关晓迪 , 等 : 基于遗传算法的 T MD 参数优化研究 215
图 10 交叉和变异操作示意图
Fig. 10 Schematic diagram of crossover and mutation
operations
表4 遗传算法参数取值
Tab. 4 Values of genetic algorithm parameters 图 13 两种算法加速度时程曲线对比
参数 取值 Fig. 13 Comparison of acceleration time history curves of the
种群大小 30 two algorithms
个体 34 个待选位置中随机选 9 个
适应度函数 减振率 表5 两种 MTMD 布置方位下结构加速度峰值(m/s2 )
交叉概率 0. 6 Tab. 5 Structural acceleration peaks under two MTMD layout
变异概率 0. 3 orientations (m/s2 )
外荷载为人群以频率为 2. 2 Hz ~ 2. 8 Hz 的行 激励频率 /Hz 2. 2 2. 3 2. 4 2. 5 2. 6 2. 7 2. 8
走激励 , 按照上述设定的参数进行遗传算法的寻 均布位置 0. 137 0. 113 0. 139 0. 099 0. 092 0. 103 0. 106
优计算 , 迭代过程中种群的最优适应度和平均适 最优位置 0. 135 0. 109 0. 135 0. 086 0. 087 0. 100 0. 105
应度如图 11 所示 , 当计算到第 15 代和第 21 代时 , 从对 M T M D 位置的优化结果来看 , 采用遗传
种群中的最大适应度和平均适应度分别达到最大 算法得到的最优布置位置时 , 可以获得最佳的减
值 , 说明寻优过程已经结束 , 得到的 M T M D 最优 振效果 , 对于中心频率的减振率提升较大 , 而对
布置方位如图 12 所示 , 将结果与均布位置时的结 频段内的其他频率点提升效果不明显 , 主要是因
果进行对比 , 在受到中心频率 2. 5 Hz 的外激励时 , 为此连廊结构为单阶竖向振型起主要控制作用 ,
最优位置与采用均布位置的加速度时程曲线对比 而对于各阶模态较为集中 , 多个振型起控制作用
如图 13 所示 , 在减振器均布位置下的加速度峰值 的复杂结构 , M T M D 位置将对于减振效果影响显
为 0. 099 m /s , 在 最 优 位 置 时 的 加 速 度 峰 值 为
2
著 , 采用遗传算法进行位置寻优可大大减少由于
0. 086 m /s , 减振率提高了 13% , 对于整个减振
2
过多位置组合造成的巨大计算量 .
频段 2. 2 ~ 2. 8 Hz 时的加速度峰值如表 5 所示 , 总
减振效果提高了 2. 2 % . 5 结论
应用遗传算法在对 T M D 装置控制结构人致振
动响应时的参数进行优化分析 , 具有良好的效果
以及收敛性 , 同时可以得到如下结论 :
(1)遗传算法是一种全局性的搜索方法 , 可以
和有限元法联合仿真优化 , 在 T M D 参数优化中具
有良好的效果 , 避免了传统优化方法中求全局最
优解的困难 ;
(2)对于连廊 T M D 减振结构 , 采用遗传算法
得到的最优刚度 、 阻尼参数可以达到最大减振率 ,
图 11 遗传算法的最优与平均适应度曲线 与 Den Hartog 推导出的最优参数相比 , 减振率能
Fig. 11 Optimal and average fitness curves of genetic algorithms
提高约 2. 7 % , 提升的幅度不大 , 工程应用时 D H
计算公式应用简单 , 也能起到很好的减振效果 ;
(3)对于连廊 M T M D 减振结构 , 各质量块的
布置位置对于中心频率处的减振效果影响较大 ,
对于减振频段内其他频率点的影响较小 , 当结构
各阶模态较为密集 , 需对多模态进行减振控制时 ,
图 12 MTMD 减振系统的最优布置位置 M T M D 位置 对 于 减 振 效 果 影 响 显 著 , 相 比穷 举
Fig. 12 Optimal placement of MTMD vibration reduction system 法 , 采用遗传算法进行位置寻优的优势更加明显 .
216 西 安 建 筑 科 技 大 学 学 报(自然科学版) 第 55 卷