论文部分内容阅读
木结构古建筑受到材料老化、环境作用、人群荷载、突发灾害等因素的影响,存在不同程度残损与结构性能退化,通过结构健康监测技术可以实时掌握结构状态,从而实现其预防性保护。温度效应是古建木结构长期监测和结构状态评估的重要影响因素,因此,开展针对古建木结构长期监测数据的温度效应系统分析具有重要的理论意义和工程应用价值。
本论文基于典型西藏古建木结构的长期监测数据,采用统计分析、理论研究和试验验证等方法,对监测结构的温度效应进行了较为系统的研究。论文的主要工作和创新性成果如下:
(1)根据所获的长期监测数据,分析了环境温度和湿度对结构应变的影响,建立了每个月内应变增量与温湿度变化之间的主成分回归模型。应用Morrs分析法,对每个月内温度、湿度对应变的影响进行了敏感性分析,并对比了温度、湿度对应变的影响程度。结果表明:拉萨地区一年中七月和八月的湿度对应变的影响不可忽略;而其余月份湿度的影响很小,可以只考虑温度的作用。以2013.9.1-2014.6.30总计10个月监测数据为基础,提出了一种基于奇异谱分析方法(SSA)和多项式拟合(PR)的SSA-PR模型。结果表明:该模型能很好地反映应变增量与温度增量之间的关系,并能有效去除温度引起的应变增量。根据SSA-PR模型的残余应变,提出了一个标准化的结构状态判定参数,应用X-bar控制图和CUSUM控制图进行了结构的状态评估。
(2)根据西藏古建木梁的构造特点,将其边界条件简化为带有转动弹簧和非线性拉压弹簧的半刚性连接,提出了西藏古建木梁在温度作用下的力学简化模型,并建立了温度作用下跨中梁底顺纹方向应变的理论模型。以被监测西藏古建木结构的木梁为例,分析了一年中应变增量的变化规律。应变增量的理论模型计算值与监测值吻合较好。在上述工作基础上,完成了影响木梁应变变化的参数分析。
(3)完成了无约束木梁和燕尾榫约束木梁在拉萨地区室温条件下的空载和分级加载试验。根据试验数据,分别对木材的顺纹方向弹性模量及燕尾榫的拉压刚度、转动刚度进行识别,并将其表述成随温度变化的变量。根据燕尾榫的构造特点,在升温段和降温段识别为不同的拉压刚度。分析了上部荷载、约束条件等因素对梁底顺纹方向应变的影响,试验结果表明:燕尾榫约束梁在温度作用和上部荷载的作用下梁底部产生了附加应变,附加应变随温度和荷载的增大而增大;附加应变的计算值与实测值对比较好,说明附加应变的理论公式是合理的。
(4)应用SSA方法对西藏古建木结构的变形响应进行长期预测和短期预测。根据最小MSE原则确定SSA预测模型中的窗口长度L、重构分量组分数r,分别建立了长期预测模型和短期预测模型。SSA的预测结果与ARIMA的预测结果对比表明前者的预测结果MSE值更小,说明SSA预测方法具有更高的预测精度。
本论文基于典型西藏古建木结构的长期监测数据,采用统计分析、理论研究和试验验证等方法,对监测结构的温度效应进行了较为系统的研究。论文的主要工作和创新性成果如下:
(1)根据所获的长期监测数据,分析了环境温度和湿度对结构应变的影响,建立了每个月内应变增量与温湿度变化之间的主成分回归模型。应用Morrs分析法,对每个月内温度、湿度对应变的影响进行了敏感性分析,并对比了温度、湿度对应变的影响程度。结果表明:拉萨地区一年中七月和八月的湿度对应变的影响不可忽略;而其余月份湿度的影响很小,可以只考虑温度的作用。以2013.9.1-2014.6.30总计10个月监测数据为基础,提出了一种基于奇异谱分析方法(SSA)和多项式拟合(PR)的SSA-PR模型。结果表明:该模型能很好地反映应变增量与温度增量之间的关系,并能有效去除温度引起的应变增量。根据SSA-PR模型的残余应变,提出了一个标准化的结构状态判定参数,应用X-bar控制图和CUSUM控制图进行了结构的状态评估。
(2)根据西藏古建木梁的构造特点,将其边界条件简化为带有转动弹簧和非线性拉压弹簧的半刚性连接,提出了西藏古建木梁在温度作用下的力学简化模型,并建立了温度作用下跨中梁底顺纹方向应变的理论模型。以被监测西藏古建木结构的木梁为例,分析了一年中应变增量的变化规律。应变增量的理论模型计算值与监测值吻合较好。在上述工作基础上,完成了影响木梁应变变化的参数分析。
(3)完成了无约束木梁和燕尾榫约束木梁在拉萨地区室温条件下的空载和分级加载试验。根据试验数据,分别对木材的顺纹方向弹性模量及燕尾榫的拉压刚度、转动刚度进行识别,并将其表述成随温度变化的变量。根据燕尾榫的构造特点,在升温段和降温段识别为不同的拉压刚度。分析了上部荷载、约束条件等因素对梁底顺纹方向应变的影响,试验结果表明:燕尾榫约束梁在温度作用和上部荷载的作用下梁底部产生了附加应变,附加应变随温度和荷载的增大而增大;附加应变的计算值与实测值对比较好,说明附加应变的理论公式是合理的。
(4)应用SSA方法对西藏古建木结构的变形响应进行长期预测和短期预测。根据最小MSE原则确定SSA预测模型中的窗口长度L、重构分量组分数r,分别建立了长期预测模型和短期预测模型。SSA的预测结果与ARIMA的预测结果对比表明前者的预测结果MSE值更小,说明SSA预测方法具有更高的预测精度。