检索结果-南通市图书馆

地震作用下柱承式筒仓动态侧压力计算方法研究

在线全文

学校读者我要写书评

暂无评论

地震工程与工程振动 2022年第6期42卷 144-152页

作者：陈佳丁永刚许启铿刘强索焕河南工业大学土木工程学院河南郑州450001 河南省粮油仓储建筑与安全重点实验室河南郑州450001

为研究筒仓结构动态侧压力计算方法,将地震作用下仓壁动态侧压力问题简化为支撑失效质量块的贮料壁板振动问题。假定筒仓结构处于线弹性范围,采用弹性壁板的振动模型推导了仓壁在地震作用下的动态侧压力计算公式;建立了柱承式筒仓结构... 详细信息

为研究筒仓结构动态侧压力计算方法,将地震作用下仓壁动态侧压力问题简化为支撑失效质量块的贮料壁板振动问题。假定筒仓结构处于线弹性范围,采用弹性壁板的振动模型推导了仓壁在地震作用下的动态侧压力计算公式;建立了柱承式筒仓结构动力有限元模型,通过数值分析和振动台试验结果验证了该方法的有效性;进而分析了筒仓结构在不同地震加速度峰值作用下的动态侧压力分布规律。结果表明:由推导的动态侧压力计算公式得到的理论值与试验值平均相对误差为3.0%,精度较高;柱承式筒仓结构的动态侧压力随加速度峰值的增加而增大;沿筒仓深度方向,动态侧压力呈“钟形分布”趋势;且动态侧压力峰值向仓壁中下部位置集中;对于设防烈度较高地区,建议在柱承式筒仓结构的柱顶和环梁位置采取加强措施,以保证结构的整体安全性。研究成果可为筒仓结构仓壁动态侧压力计算和结构设计提供理论依据。

关键词：柱承式筒仓动态侧压力地震作用计算方法

在线全文

学校读者我要写书评

暂无评论

分层卸料时粮食立筒仓动态侧压力试验研究

河南工业大学学报（自然科学版） 2022年第1期43卷 113-120页

作者：丁永刚孙启帅刘强许启铿河南工业大学土木工程学院河南郑州450001 河南省粮油仓储建筑与安全重点实验室河南郑州450001

粮食立筒仓卸料时的动态侧压力是仓体部位设计时需要考虑的重要因素,动态侧压力的取值直接关系卸料时立筒仓的安全性。为研究立筒仓分层卸料时动态侧压力分布规律和超压系数,分别进行了立筒仓模型一次性卸料和分层卸料试验,测定了两种... 详细信息

粮食立筒仓卸料时的动态侧压力是仓体部位设计时需要考虑的重要因素,动态侧压力的取值直接关系卸料时立筒仓的安全性。为研究立筒仓分层卸料时动态侧压力分布规律和超压系数,分别进行了立筒仓模型一次性卸料和分层卸料试验,测定了两种不同卸料工况下立筒仓模型不同高度处的动态侧压力,对比分析了动态侧压力分布规律与相应超压系数。结果表明:满仓静态侧压力分布值大于规范值,且静态侧压力最大值出现在仓壁与漏斗连接部位;分层卸料时,漏斗处卸料稳定后的静态侧压力出现增大现象,较上一级卸料增大3%,结构设计时应重点关注该部位;一次性卸料时,不同卸料流速下,仓体下部2/3h_(n)范围内的超压系数明显不同,沿测点深度0.5、0.8、1.1 m的超压系数分别增大了10.8%、1.9%、0.7%;一次性卸料时,在0.8 m测点深度处超压系数最大;分层卸料时,在0.8 m测点深度处超压系数高于一次性卸料的超压系数,现行规范的水平侧压力修正系数C_(h)=2.0是偏于不安全的。研究成果可为实际筒仓卸料工程提供依据和重要参考。

关键词：立筒仓分层卸料一次性卸料动态侧压力超压系数

同方期刊数据库

基于机器学习的筒仓动态侧压力预测模型及概率分布研究

在线全文

学校读者我要写书评

暂无评论

河南工业大学学报（自然科学版） 2022年第2期43卷 103-110页

作者：余汉华徐志军赵世鹏刘婷婷原方河南工业大学土木工程学院河南郑州450001

筒仓卸料时的动态侧压力是导致筒仓结构被破坏的重要原因,但影响筒仓动态侧压力的因素众多,且相互之间存在着复杂的非线性关系。因此,建立一种考虑多因素影响、高效、准确的动态侧压力的预测方法尤为重要。基于机器学习方法,将支持向量... 详细信息

筒仓卸料时的动态侧压力是导致筒仓结构被破坏的重要原因,但影响筒仓动态侧压力的因素众多,且相互之间存在着复杂的非线性关系。因此,建立一种考虑多因素影响、高效、准确的动态侧压力的预测方法尤为重要。基于机器学习方法,将支持向量机、BP神经网络和随机森林等3种机器学习方法应用到筒仓动态侧压力的预测中。选取影响筒仓动态侧压力的相关因素作为输入变量,动态侧压力为输出值。对常用的3种机器学习中的参数进行寻优与设置,建立筒仓动态侧压力预测模型。通过测试样本对预测模型进行测试,分析表明支持向量机算法具有最优的预测能力与适用性,为筒仓动态侧压力的预测提供了一种新的方法。通过MATLAB软件对贮料密度这一单因素进行随机抽样,得到1 000组均匀分布的随机数。将数据输入最优的预测模型中,并利用Easyfit软件对预测值进行概率分布拟合,得到筒仓动态侧压力的概率分布,为筒仓结构的可靠度研究提供了理论基础。

关键词：动态侧压力机器学习预测模型随机抽样概率分布

同方期刊数据库

在线全文

学校读者我要写书评

暂无评论

储粮仓仓壁动态侧压力的树模型预测方法

科学技术与工程 2024年第26期24卷 11158-11166页

作者：徐志军彭舒停赵世鹏范量余汉华河南工业大学土木工程学院郑州450001 河南省现代绿色生态仓储体系国际联合实验室郑州450001

针对储粮仓卸料时仓壁动态侧压力难以准确预测的问题,利用机器学习方法中的树模型建立了仓壁动态侧压力预测模型。首先,分析了仓壁动态侧压力的主要影响因素为筒仓的结构尺寸、贮料的物理参数及测点位置。利用收集的496组仓壁动态侧压... 详细信息

针对储粮仓卸料时仓壁动态侧压力难以准确预测的问题,利用机器学习方法中的树模型建立了仓壁动态侧压力预测模型。首先,分析了仓壁动态侧压力的主要影响因素为筒仓的结构尺寸、贮料的物理参数及测点位置。利用收集的496组仓壁动态侧压力数据,构建机器学习预测模型的数据集。然后,基于树模型,建立了仓壁动态侧压力的决策树(decision tree,DT)预测模型,在此基础上,利用Bagging算法和Boosting算法,建立了仓壁动态侧压力的随机森林(random forest,RF)预测模型和梯度提升树(gradient boosting decision tree,GBDT)预测模型。通过对比3种预测模型在测试集的均方误差(mean-square error,MSE)、决定系数和相对误差,表明GBDT预测模型的泛化性能最优。最后,通过开展模型试验和数值模拟,对GBDT预测模型进行验证,结果表明拟合良好。同时,根据树模型的分枝原理,判断出仓壁动态侧压力影响因素的重要性,得到对于贮料的物理参数,密度的重要性排第一;对于筒仓的结构尺寸,卸料口尺寸排第一。因此,在进行储粮仓设计时,建议优先考虑仓内散体物料的密度和仓的卸料口尺寸。

关键词：储粮仓动态侧压力树模型参数寻优预测模型

基于支持向量机的储粮仓壁动态侧压力预测模型

在线全文

学校读者我要写书评

暂无评论

农机化研究 2022年第5期44卷 9-16页

作者：徐志军刘婷婷李建平原方河南工业大学土木工程学院郑州450001 粮食储运国家工程实验室郑州450001

影响筒仓动态侧压力的影响因素十分复杂,如何全面考虑影响因素,高效、简单地预测筒仓动态侧压力是重要问题。针对此问题,尝试提出了基于支持向量机的预测模型。首先,将影响因素进行归一化处理,将归一化后的数据作为预测模型的输入向量,... 详细信息

影响筒仓动态侧压力的影响因素十分复杂,如何全面考虑影响因素,高效、简单地预测筒仓动态侧压力是重要问题。针对此问题,尝试提出了基于支持向量机的预测模型。首先,将影响因素进行归一化处理,将归一化后的数据作为预测模型的输入向量,筒仓动态侧压力作为预测模型的输出向量;其次,以400组PFC模拟数据作为训练样本,运用交叉验证和网格搜索法寻优获得最优支持向量机参数,最终建立基于SVM的筒仓动态侧压力预测模型,并对105组PFC模拟数据进行筒仓动态侧压力预测。结果表明:SVM预测模型的均方误差MSE小于0.0005,相关系数R;大于0.98,模型具有较高的准确率和较好的泛化性能。将模型试验、数值模拟、公式计算与预测数据进行对比分析,结果拟合良好;利用该模型验证筒仓动态侧压力随着相关参数的变化趋势,结果与前人研究结果相一致。该预测模型与传统方法相结合对筒仓动态侧压力进行研究可行性较高,可为筒仓动态侧压力预测、影响因素研究提供一种新的方法。

关键词：筒仓动态侧压力支持向量机网格搜索预测模型储粮

基于EDEM的粮食立筒仓卸料动态侧压力研究

在线全文

学校读者我要写书评

暂无评论

科学技术与工程 2023年第32期23卷 13927-13933页

作者：刘强张茜茜刘涛丁永刚许启铿孙启帅河南工业大学土木工程学院郑州450001 河南省粮油仓储建筑与安全重点实验室郑州450001 机械工业第六设计研究院有限公司郑州450001

立筒仓卸料过程中,贮料流态不断变化,仓壁压力随之表现出不同变化规律。为探究卸料过程中贮料在粮食立筒仓中的流动状态和速度分布、贮料对仓壁产生的动态侧压力以及相应超压系数,采用离散元仿真软件EDEM(engineering discrete element ... 详细信息

立筒仓卸料过程中,贮料流态不断变化,仓壁压力随之表现出不同变化规律。为探究卸料过程中贮料在粮食立筒仓中的流动状态和速度分布、贮料对仓壁产生的动态侧压力以及相应超压系数,采用离散元仿真软件EDEM(engineering discrete element method)对粮食立筒仓卸料过程进行模拟,分别选定两种不同卸料速度工况,并结合试验结果对比分析动态侧压力。结果表明:通过直接观察和整体流量指数分析筒仓内贮料流动状态,贮料流态与其所处的筒仓位置有关,发展进程为整体流动-管状流动-漏斗型流动;EDEM仿真模拟与试验结果的静态侧压力值接近、动态侧压力分布规律一致,且超压系数误差在合理范围内;卸料整体过程中,流速快工况的超压系数均大于流速慢工况;筒仓仓壁下部1/3 h_(n)范围内的动态侧压力突增最为明显(h_(n)为装粮线至仓身下部的高度),贮料内部不断重复动态拱过程致使仓壁卸料压力呈现不同震荡分布,且该位置的超压系数高于现行规范的水平侧压力修正系数C_(h)。EDEM离散元卸料仿真进行动态侧压力研究具有可行性,研究成果可为筒仓结构安全设计提供参考。

关键词：粮食立筒仓离散单元法卸料流态动态侧压力超压系数

大直径浅圆仓“离心”模型的动态侧压力颗粒流试验

在线全文

学校读者我要写书评

暂无评论

河南工业大学学报（自然科学版） 2009年第5期30卷 92-96页

作者：张松松原方河南工业大学土木建筑学院河南郑州450052

利用离散单元法颗粒流程序(PFC3D)建立大直径浅圆仓的缩尺模型,该缩尺模型借鉴了离心机模型试验的原理,能够提供计算原型浅圆仓所需的重力场.首先模拟了该模型浅圆仓的静态侧压力,然后在其静态侧压力与原型浅圆仓的实测值基本吻合的基... 详细信息

利用离散单元法颗粒流程序(PFC3D)建立大直径浅圆仓的缩尺模型,该缩尺模型借鉴了离心机模型试验的原理,能够提供计算原型浅圆仓所需的重力场.首先模拟了该模型浅圆仓的静态侧压力,然后在其静态侧压力与原型浅圆仓的实测值基本吻合的基础上进行该模型浅圆仓卸料过程的模拟分析,得到卸料过程中大直径浅圆仓仓壁动态侧压力的变化趋势和超压系数的范围.

关键词：浅圆仓 “离心”模型 PFC 动态侧压力

立筒仓粮食散体卸料时动态侧压力及影响因素分析

在线全文

学校读者我要写书评

暂无评论

立筒仓粮食散体卸料时动态侧压力及影响因素分析

作者：孙启帅河南工业大学

学位级别：硕士

粮食安全关乎国家安全、社会稳定与经济发展,粮仓则是保障国家粮食储备安全的重要设施。粮食立筒仓为一种筒状特种结构形式,具有占地面积小、仓容量大、能满足中转与储藏需求等诸多优点。粮食立筒仓卸料时的动态侧压力是仓体部位设计时... 详细信息

粮食安全关乎国家安全、社会稳定与经济发展,粮仓则是保障国家粮食储备安全的重要设施。粮食立筒仓为一种筒状特种结构形式,具有占地面积小、仓容量大、能满足中转与储藏需求等诸多优点。粮食立筒仓卸料时的动态侧压力是仓体部位设计时需要考虑的重要因素,动态侧压力的取值直接关系卸料时立筒仓的安全性。实际卸料工程中,会存在不同流速卸料工况和分层卸料工况,卸料过程中形成的动态拱具有连续形成和倒塌的特性,与动态侧压力的形成、贮料流动状态密切相关。由于不同贮料的密度、内摩擦角和摩擦系数等属性不同,都会对仓壁侧压力产生影响,目前还没有形成较统一的结论,故需对不同贮料种类下筒仓卸料的动态侧压力影响因素进行进一步研究。本文以粮食立筒仓为研究对象,采用几何缩尺1:25设计立筒仓模型,对立筒仓模型进行卸料试验,结合离散元仿真软件EDEM对粮食立筒仓卸料进行数值模拟,主要研究内容和结论如下:(1)考虑立筒仓实际卸料工况,分别进行一次性卸料和分层卸料两种工况试验,测定两种工况下立筒仓模型的静态侧压力分布并与规范计算值进行对比,分析卸料时的动态侧压力分布规律与相应超压系数,以及卸料过程中贮料的流动状态。静态侧压力最大值出现在仓壁与漏斗连接部位范围内,其分布值大于规范公式计算值;一次性卸料时,不同卸料流速下,仓体下部2/3h范围内的超压系数明显不同,流速快较流速慢的超压系数均分别增大;一次性卸料与分层卸料第一次卸料时,仓体下部1/3h范围内超压系数最大且超过了2.0,现行规范的水平侧压力修正系数C=2.0是偏于不安全的;一次性卸料与分层卸料第一次卸料时,漏斗处动态侧压力均突然下降;稳定后,分层卸料时漏斗处的静态侧压力均约为规范计算值的1/2。(2)基于离散元仿真软件EDEM,对粮食立筒仓卸料进行数值模拟,立筒仓和颗粒模型的尺寸、颗粒材料属性和接触参数设定与试验设计保持一致。模拟与试验两者之间的静态侧压力值接近、动态侧压力分布规律一致,其中0.8m测点深度处模拟卸料a相较于试验一次性卸料a、模拟卸料b相较于试验一次性卸料b的超压系数误差在3.4%、7.6%(a代表低流速卸料、b代表高流速卸料),差别较小且在合理误差范围内,可通过试验验证EDEM离散元卸料仿真模型具有可行性和合理性。(3)粮食筒仓进行卸料时,采用整体流量指数MFI、直观观察卸料两种方法进行筒仓内贮料流动状态的分析;结合颗粒间接触力,分析动态侧压力与成拱机理关系。贮料的中心速度均大于两侧仓壁的速度,并随着卸料的进行,由上而下不同高度处的竖向平均速度分布逐渐形成“漏斗状”;贮料所表现出的流态与所处于筒仓的位置有关,发展进程为整体流动—管状流动—漏斗流;筒仓卸料时成拱机理与仓壁侧压力的瞬时震荡增大相关,通过观察颗粒间接触力的分布,在筒仓仓壁下部1/3h范围内呈现管状流动状态,出现成拱区域,对筒仓仓壁的冲击较大,侧压力出现瞬时震荡增大现象。(4)在EDEM离散元卸料仿真模型的可行性和合理性基础上,考虑不同贮料的物理特性和接触属性,进行不同贮料种类下立筒仓卸料时的动态侧压力EDEM离散元数值模拟。分析仓壁的静态侧压力、卸料过程中贮料颗粒对筒仓仓壁产生的动态侧压力和相应的超压系数,分析贮料流动状态和速度分布。基于灰色关联度分析法分析得出不同贮料种类进行卸料时,同时影响静态、动态侧压力的影响因素关联度在0.8以上的有密度、贮料与筒仓结构静摩擦系数和贮料与筒仓结构碰撞恢复系数;目前筒仓规范中缺少对贮料与筒仓结构的碰撞恢复系数的提及与分析,在设计计算筒仓时,可考虑贮料与结构碰撞恢复特性的影响。

关键词：立筒仓卸料动态侧压力超压系数 EDEM离散元颗粒间接触力灰色关联度因素分析

筒仓卸料仓壁动态侧压力的集成机器学习预测研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

筒仓卸料仓壁动态侧压力的集成机器学习预测研究

作者：赵世鹏河南工业大学

学位级别：硕士

筒仓内的散体颗粒在卸料时对仓体侧壁产生的压力难以准确预测,是筒仓结构安全设计的一大难题。散体颗粒压力理论不同于传统的固体力学和流体力学特性,影响筒仓动态侧压力的主要因素为散体颗粒的物理属性和筒仓的结构尺寸,这些因素与筒... 详细信息

筒仓内的散体颗粒在卸料时对仓体侧壁产生的压力难以准确预测,是筒仓结构安全设计的一大难题。散体颗粒压力理论不同于传统的固体力学和流体力学特性,影响筒仓动态侧压力的主要因素为散体颗粒的物理属性和筒仓的结构尺寸,这些因素与筒仓动态侧压力的关系复杂且非线性相关。规范给出的动态侧压力计算公式是基于静态压力计算公式乘以修正系数,然而这种计算方法仅考虑一种或某几种影响因素,计算精度有待商榷。鉴于此,建立考虑多种影响因素且准确的筒仓动态侧压力预测模型尤为重要。机器学习算法可以考虑多因素进行非线性拟合,然而,单一的学习算法普遍存在较强随机性,准确性和稳定性较低,导致预测模型的泛化能力有限。集成学习算法能够对多个单一学习器的输出加以整合,在一定程度上防止过度拟合现象,提高模型预测精度及其稳定性。本文提出筒仓动态侧压力的集成算法模型,主要内容如下:(1)通过文献搜集和PFC数值模拟建立机器学习算法训练和测试所需的数据集,进行特征选择后确定筒仓动态侧压力预测模型的输入特征属性为:测点比例位置、高度、直径、高径比、漏斗角度、出料口尺寸、贮料密度,并按照8:2的比例划分训练集和测试集。为了对比分析集成学习策略对单一学习模型预测性能的提升效果,构建基于单一学习器(决策树、支持向量机、BP神经网络)的筒仓动态侧压力预测模型作为参照。(2)基于三大集成策略(Bagging、Boosting和Stacking)建立基于决策树集成算法的筒仓动态侧压力预测模型,分别为随机森林模型、Adaboost模型和Stacking模型。其中,以决策树为基学习器的Boosting集成策略除了Adaboost算法外,还有以梯度提升树(GBDT)及其改进算法(XGBoost、Light GBM)为代表的梯度提升算法。此6种决策树集成算法和单一学习器的3种算法,均在相同的训练数据集和测试数据集上开展训练和预测。(3)通过评价指标平均相对误差(MRE)、平均绝对误差(MAE)、均方误差(MSE)、均方根误差(RMSE)和相关系数(R)对比分析9种预测模型在测试集上的预测效果。其中,单一学习器中决策树的预测效果最差,预测精度远低于支持向量机和神经网络算法;决策树集成算法(随机森林、Adaboost和Stacking)的预测精度相比单一决策树大幅提高,且高于支持向量机和神经网络算法,预测精度最高的为Adaboost算法;此外,梯度提升树算法(GBDT、XGBoost、Light GBM)的预测精度相比Adaboost算法又有提高,最高为XGBoost算法。说明Boosting集成策略优于Bagging和Stacking,且Boosting算法中,利用损失函数的负梯度值拟合回归树的梯度提升算法优于根据误差调整弱学习器权重的提升算法。(4)对比9种预测模型在测试集中每个样本点的相对误差,找出预测效果最优的筒仓动态侧压力预测模型为XGBoost算法模型。并开展筒仓卸料模型试验和数值模拟试验,对比同种工况下的筒仓动态侧压力试验值、模拟值和机器学习算法预测值,验证了XGBoost算法的泛化性能,可以用来预测筒仓动态侧压力值。根据XGBoost算法中基于信息增益的建树依据,得出筒仓动态侧压力的特征重要性排名,为筒仓结构设计提供参考。

关键词：筒仓动态侧压力决策树算法集成算法梯度提升算法特征重要性