结构力学基础概念：结构的动力分析：结构的动力学基础_2024-08-03_22-31-36.Tex

结构力学基础概念：结构的动力分析：结构的动力学基础

动力学基础理论

牛顿运动定律

牛顿运动定律是结构动力学分析的基石，它描述了力与物体运动状态之间的关系。牛顿的三大运动定律如下：

1. 惯性定律：如果一个物体不受外力作用，它将保持静止状态或匀速直线运动状态。
2. 加速度定律：一个物体的加速度与作用在它上面的合外力成正比，与它的质量成反比，加速度的方向与合外力的方向相同。
3. 作用与反作用定律：对于每一个作用力，总有一个大小相等、方向相反的反作用力。

在结构动力学中，牛顿第二定律尤其重要，它可以用公式表示为：

$$F=m\cdot a$$

其中，$F$ 是作用在结构上的力，$m$ 是结构的质量，$a$ 是结构的加速度。

示例

假设一个质量为 $m=10$ kg 的结构在 $F=50$ N 的力作用下，我们可以计算其加速度：

# 定义变量
m = 10  # 质量，单位：kg
F = 50  # 力，单位：N

# 根据牛顿第二定律计算加速度
a = F / m  # 加速度，单位：m/s^2

# 输出结果
print(f"加速度为：{a} m/s^2")

动力学方程的建立

在结构动力学中，动力学方程的建立是通过应用牛顿运动定律来描述结构在动态载荷下的响应。对于一个单自由度系统，动力学方程可以表示为：

$$m\ddot{x}+c\dot{x}+kx=F(t)$$

其中，$m$ 是质量，$c$ 是阻尼系数，$k$ 是刚度系数，$x$ 是位移，$\dot{x}$ 是速度，$\ddot{x}$ 是加速度，$F(t)$ 是随时间变化的外力。

示例

考虑一个质量为 $m=1$ kg，刚度为 $k=100$ N/m，阻尼系数为 $c=10$ Ns/m 的单自由度系统，受到一个随时间变化的力 $F(t)=50\sin (2\pi t)$ N 的作用。我们可以使用Python的scipy库来求解这个系统的响应：

import numpy as np
from scipy.integrate import solve_ivp
import matplotlib.pyplot as plt

# 定义动力学方程
def dynamics(t, y, m, c, k):
    x, v = y  # 位移和速度
    F = 50 * np.sin(2 * np.pi * t)  # 外力
    a = (F - c * v - k * x) / m  # 根据动力学方程计算加速度
    return [v, a]

# 参数
m = 1.0  # 质量，单位：kg
c = 10.0  # 阻尼系数，单位：Ns/m
k = 100.0  # 刚度系数，单位：N/m

# 初始条件
y0 = [0, 0]  # 初始位移和速度

# 时间范围
t_span = (0, 10)
t_eval = np.linspace(0, 10, 1000)

# 求解动力学方程
sol = solve_ivp(dynamics, t_span, y0, args=(m, c, k), t_eval=t_eval)

# 绘制位移和速度随时间变化的曲线
plt.figure(figsize=(10, 5))
plt.plot(sol.t, sol.y[0], label='位移')
plt.plot(sol.t, sol.y[1], label='速度')
plt.legend()
plt.xlabel('时间 (s)')
plt.ylabel('位移/速度')
plt.title('单自由度系统响应')
plt.grid(True)
plt.show()

自由振动与强迫振动概念

自由振动

自由振动是指当结构受到初始扰动后，在没有外力持续作用的情况下，结构自身由于其质量和刚度而产生的振动。自由振动的频率和振型取决于结构的固有属性。

强迫振动

强迫振动是指当结构受到周期性或非周期性的外力作用时，结构的振动。强迫振动的频率可能与结构的固有频率不同，但其振幅和相位会受到外力频率的影响。

示例

假设一个单自由度系统，其固有频率为 ${\omega }_0=2\pi$ rad/s，受到一个频率为 $\omega =3\pi$ rad/s 的周期性外力作用。我们可以使用Python来模拟这个系统的强迫振动响应：

import numpy as np
from scipy.integrate import solve_ivp
import matplotlib.pyplot as plt

# 定义动力学方程
def forced_dynamics(t, y, m, c, k, omega, F0):
    x, v = y  # 位移和速度
    F = F0 * np.sin(omega * t)  # 外力
    a = (F - c * v - k * x) / m  # 根据动力学方程计算加速度
    return [v, a]

# 参数
m = 1.0  # 质量，单位：kg
c = 0.1  # 阻尼系数，单位：Ns/m
k = 100.0  # 刚度系数，单位：N/m
omega = 3 * np.pi  # 外力频率，单位：rad/s
F0 = 50.0  # 外力幅值，单位：N

# 初始条件
y0 = [0, 0]  # 初始位移和速度

# 时间范围
t_span = (0, 10)
t_eval = np.linspace(0, 10, 1000)

# 求解动力学方程
sol = solve_ivp(forced_dynamics, t_span, y0, args=(m, c, k, omega, F0), t_eval=t_eval)

# 绘制位移随时间变化的曲线
plt.figure(figsize=(10, 5))
plt.plot(sol.t, sol.y[0], label='位移')
plt.legend()
plt.xlabel('时间 (s)')
plt.ylabel('位移')
plt.title('单自由度系统强迫振动响应')
plt.grid(True)
plt.show()

通过以上示例，我们可以观察到结构在不同外力作用下的动态响应，从而更好地理解自由振动和强迫振动的概念。

结构动力响应分析

单自由度系统的动力响应

原理

单自由度系统(Single Degree of Freedom, SDOF)的动力响应分析是结构动力学的基础。这类系统通常由一个质量块、一个弹簧和一个阻尼器组成，可以沿一个方向移动。动力响应分析涉及求解质量块在外部动力荷载作用下的位移、速度和加速度。

动力方程

动力方程基于牛顿第二定律，表达为：

$$m\ddot{x}+c\dot{x}+kx=F(t)$$

其中：

• $m$是质量块的质量。
• $c$是阻尼器的阻尼系数。
• $k$是弹簧的刚度。
• $x$是质量块的位移。
• $F(t)$是随时间变化的外部荷载。

内容

对于SDOF系统，动力响应可以通过解析解或数值解来求得。解析解适用于特定的荷载函数，如简谐荷载。数值解则适用于更复杂的荷载情况，如地震荷载。

示例：简谐荷载作用下的SDOF系统

假设一个SDOF系统受到简谐荷载作用，荷载函数为 $F(t)=F_0\sin (\omega t)$，其中 $F_0$是荷载的幅值，$\omega$是荷载的角频率。我们可以通过求解动力方程来得到系统的响应。

代码示例

import numpy as np
from scipy.integrate import odeint
import matplotlib.pyplot as plt

# 定义动力方程
def sdot(y, t, m, c, k, F0, omega):
    x, v = y
    f = F0 * np.sin(omega * t)
    return [v, (f - c*v - k*x) / m]

# 参数设置
m = 1.0  # 质量
c = 0.1  # 阻尼系数
k = 10.0 # 弹簧刚度
F0 = 5.0 # 荷载幅值
omega = 2.0 # 荷载角频率

# 初始条件
y0 = [0, 0]

# 时间向量
t = np.linspace(0, 10, 1000)

# 求解动力方程
sol = odeint(sdot, y0, t, args=(m, c, k, F0, omega))

# 绘制位移响应
plt.plot(t, sol[:, 0], label='位移')
plt.xlabel('时间 (s)')
plt.ylabel('位移 (m)')
plt.legend()
plt.show()

描述

上述代码示例使用Python的odeint函数来求解SDOF系统在简谐荷载作用下的动力响应。通过设置系统参数和荷载函数，我们得到系统随时间变化的位移响应，并使用matplotlib库进行可视化。

多自由度系统的动力响应

原理

多自由度系统(Multiple Degree of Freedom, MDOF)的动力响应分析考虑结构在多个方向上的自由度。动力响应分析通常涉及求解一组耦合的二阶微分方程，这些方程描述了结构在动力荷载作用下的运动。

动力方程

动力方程可以表示为矩阵形式：

$$M\ddot{X}+C\dot{X}+KX=F(t)$$

其中：

• $M$是质量矩阵。
• $C$是阻尼矩阵。
• $K$是刚度矩阵。
• $X$是位移向量。
• $F(t)$是随时间变化的外部荷载向量。

内容

MDOF系统的动力响应分析通常使用模态分析或直接积分法。模态分析将系统分解为一系列独立的单自由度系统，每个系统对应一个模态。直接积分法则直接求解动力方程，适用于非线性系统或复杂荷载情况。

示例：模态分析求解MDOF系统

假设一个MDOF系统由两个质量块、两个弹簧和一个阻尼器组成。我们可以通过模态分析来求解系统的动力响应。

代码示例

import numpy as np
from scipy.linalg import eig
import matplotlib.pyplot as plt

# 定义质量矩阵、刚度矩阵和阻尼矩阵
M = np.array([[1, 0], [0, 1]])
C = np.array([[0.1, 0], [0, 0.1]])
K = np.array([[10, -5], [-5, 10]])

# 求解固有频率和模态
w, phi = eig(K, M)

# 荷载向量
F0 = np.array([5, 5])

# 时间向量
t = np.linspace(0, 10, 1000)

# 求解模态响应
phi_inv = np.linalg.inv(phi)
F_modal = phi_inv @ F0
X_modal = np.zeros((2, len(t)))
for i in range(2):
    X_modal[i] = F_modal[i] * np.sin(w[i] * t)

# 重构系统响应
X = phi @ X_modal

# 绘制位移响应
plt.plot(t, X[0], label='质量1位移')
plt.plot(t, X[1], label='质量2位移')
plt.xlabel('时间 (s)')
plt.ylabel('位移 (m)')
plt.legend()
plt.show()

描述

此代码示例展示了如何使用模态分析来求解MDOF系统在简谐荷载作用下的动力响应。首先，我们定义了系统的质量矩阵、刚度矩阵和阻尼矩阵。然后，使用scipy.linalg.eig函数求解系统的固有频率和模态。最后，我们求解模态响应，并重构得到系统的位移响应，使用matplotlib库进行可视化。

连续系统的动力响应

原理

连续系统(Continuous System)的动力响应分析涉及求解偏微分方程，这些方程描述了结构在动力荷载作用下的运动。连续系统可以是梁、板、壳或三维实体，其动力响应分析通常使用有限元方法或边界元方法。

动力方程

动力方程可以表示为：

$$\rho \frac{{\partial }^{2}u}{\partial t^2}-\nabla \cdot \sigma =f(t)$$

其中：

• $\rho$是材料的密度。
• $u$是位移。
• $\sigma$是应力。
• $f(t)$是随时间变化的外部荷载。

内容

连续系统的动力响应分析通常使用有限元方法(Finite Element Method, FEM)。FEM将连续系统离散化为有限数量的单元，每个单元的运动由一组局部动力方程描述。然后，通过求解全局动力方程来得到系统的动力响应。

示例：使用FEM求解连续系统的动力响应

假设一个连续系统为一维梁，受到简谐荷载作用。我们可以通过FEM来求解系统的动力响应。

代码示例

import numpy as np
from scipy.sparse.linalg import spsolve
from scipy.sparse import diags
import matplotlib.pyplot as plt

# 定义梁的参数
L = 1.0  # 梁的长度
E = 200e9  # 材料的弹性模量
rho = 7800  # 材料的密度
I = 0.05**4 / 12  # 惯性矩
A = 0.05**2  # 截面面积
n = 100  # 单元数量
h = L / n  # 单元长度

# 定义质量矩阵和刚度矩阵
M = diags([rho*A*h/2, rho*A*h, rho*A*h/2], [-1, 0, 1], shape=(n+1, n+1)).toarray()
K = diags([12*E*I/h**3, -24*E*I/h**3, 12*E*I/h**3], [-1, 0, 1], shape=(n+1, n+1)).toarray()

# 定义阻尼矩阵
C = 0.1 * M + 0.1 * K

# 荷载向量
F0 = np.zeros(n+1)
F0[50] = 10000  # 在梁的中间施加荷载

# 时间向量
t = np.linspace(0, 10, 1000)

# 求解动力响应
X = np.zeros((n+1, len(t)))
for i, ti in enumerate(t):
    F = F0 * np.sin(2*np.pi*ti)
    X[:, i] = spsolve(K, F)

# 绘制位移响应
plt.plot(np.linspace(0, L, n+1), X[:, 500], label='位移')
plt.xlabel('位置 (m)')
plt.ylabel('位移 (m)')
plt.legend()
plt.show()

描述

此代码示例展示了如何使用FEM来求解一维梁在简谐荷载作用下的动力响应。我们首先定义了梁的参数，包括长度、弹性模量、密度、惯性矩和截面面积。然后，我们构建了质量矩阵、刚度矩阵和阻尼矩阵。通过求解全局动力方程，我们得到梁在荷载作用下的位移响应，并使用matplotlib库进行可视化。

通过以上三个部分的详细讲解和代码示例，我们展示了结构动力响应分析的基本原理和方法，包括单自由度系统、多自由度系统和连续系统的动力响应分析。这些方法和工具对于理解和预测结构在动力荷载作用下的行为至关重要。

动力荷载与地震效应

动力荷载的类型与特性

动力荷载，与静力荷载相对，是指作用在结构上随时间变化的荷载。这类荷载的特性在于其力的大小、方向或作用点随时间发生改变，从而引起结构的动态响应。动力荷载的类型多样，包括但不限于风荷载、波浪荷载、爆炸荷载、机械振动荷载以及地震荷载等。

地震荷载的特性

地震荷载是一种典型的动力荷载，其特性主要体现在以下几个方面：

• 随机性：地震的发生时间、地点、强度和持续时间都是随机的，难以准确预测。
• 周期性：地震波的传播具有周期性，表现为地面加速度、速度或位移的波动。
• 非线性：地震荷载作用下，结构的响应往往呈现出非线性特征，即荷载与响应之间的关系不是简单的线性比例关系。
• 瞬时性：地震荷载作用的时间相对较短，但其强度和破坏力却非常大。

地震作用原理

地震作用原理主要涉及地震波的传播和结构的响应。当地震发生时，地震波以波动的形式向四周传播，当这些波动到达地面时，会引起地面的振动。这种振动以加速度、速度或位移的形式作用于结构上，形成地震荷载。结构对地震荷载的响应取决于其自身的动力特性，包括质量、刚度和阻尼等。

地震波的类型

地震波主要分为体波和面波两大类：

• 体波：包括P波（纵波）和S波（横波），P波传播速度最快，但破坏力相对较小；S波传播速度较慢，但破坏力较大。
• 面波：包括瑞利波和洛夫波，这些波在地表传播，具有较大的破坏力。

结构的地震响应

结构的地震响应分析通常采用动力学方程来描述，即：

$$M\ddot{u}+C\dot{u}+Ku=F(t)$$

其中，$M$是结构的质量矩阵，$C$是阻尼矩阵，$K$是刚度矩阵，$\ddot{u}$、$\dot{u}$和$u$分别表示结构的加速度、速度和位移响应，$F(t)$是随时间变化的地震荷载。

结构的地震响应分析

结构的地震响应分析是评估结构在地震荷载作用下性能的关键步骤。分析方法包括线性响应谱分析、非线性时程分析和模态分析等。

线性响应谱分析

线性响应谱分析是一种基于结构的线性假设进行的地震响应分析方法。它利用地震记录或设计地震波的加速度响应谱，结合结构的自振周期和阻尼比，计算结构在地震作用下的最大响应。

示例代码

假设我们有一个单自由度系统，其质量$M=1000kg$，刚度$K=10^{6}N/m$，阻尼比$\zeta =0.05$。我们使用Python的scipy库来计算该系统的响应。

import numpy as np
from scipy.integrate import odeint
import matplotlib.pyplot as plt

# 定义动力学方程
def dynamics(u, t, M, K, C, F):
    x, v = u
    a = (F(t) - C*v - K*x) / M
    return v, a

# 定义地震荷载函数
def earthquake_force(t):
    # 这里使用一个简化的正弦波作为地震荷载
    return 10000 * np.sin(2 * np.pi * 1 * t)

# 参数设置
M = 1000  # 质量，单位：kg
K = 1e6   # 刚度，单位：N/m
C = 2 * np.sqrt(M * K) * 0.05  # 阻尼，基于阻尼比计算

# 时间向量
t = np.linspace(0, 10, 1000)

# 初始条件
u0 = [0, 0]  # 初始位移和速度

# 解动力学方程
sol = odeint(dynamics, u0, t, args=(M, K, C, earthquake_force))

# 绘制位移响应
plt.plot(t, sol[:, 0])
plt.xlabel('时间 (s)')
plt.ylabel('位移 (m)')
plt.title('单自由度系统在地震荷载作用下的位移响应')
plt.grid(True)
plt.show()

非线性时程分析

非线性时程分析考虑了结构的非线性特性，如材料的非线性、几何非线性等。它通过直接积分动力学方程，使用实际的地震记录或设计地震波，来计算结构在地震作用下的动态响应。

模态分析

模态分析是基于结构的模态参数（自振周期、振型和模态质量）进行的地震响应分析。它将结构的复杂动力学问题分解为多个独立的单自由度系统，每个系统对应一个模态，从而简化了分析过程。

结论

结构的动力分析，特别是地震响应分析，是结构工程中一个复杂但至关重要的领域。通过理解动力荷载的特性、地震作用原理以及采用适当的分析方法，工程师可以更准确地评估结构在地震等动力荷载作用下的性能，从而设计出更加安全和经济的结构。

振动控制技术

被动控制方法

被动控制方法是振动控制领域中最基本且广泛应用的一种技术。它不依赖于外部能源，而是通过结构本身或附加的被动元件（如阻尼器、弹簧、质量块等）来吸收或减少振动。被动控制的设计通常基于结构的固有特性，如固有频率和阻尼比，以达到最佳的振动抑制效果。

原理

被动控制的核心原理是利用机械元件的物理特性来改变结构的动力学行为。例如，通过增加阻尼器可以增加结构的阻尼，从而减少振动幅度；通过附加质量块可以改变结构的固有频率，使结构避开共振区域。

内容

1. 阻尼器设计：阻尼器可以是粘性阻尼器、摩擦阻尼器或磁流变阻尼器等。设计时需要考虑阻尼器的类型、位置以及阻尼系数。

2. 弹簧和质量系统：通过在结构中添加弹簧和质量块，可以形成一个振动吸收系统，该系统可以吸收特定频率的振动能量。

3. 调谐质量阻尼器（TMD）：TMD是一种常见的被动控制装置，它通过调整附加质量的固有频率，使其与结构的振动频率相匹配，从而有效地吸收振动能量。

示例

假设我们有一个简单的单自由度系统，由一个质量块、一个弹簧和一个粘性阻尼器组成。我们可以通过调整阻尼器的阻尼系数来观察系统对振动的响应变化。

import numpy as np
import matplotlib.pyplot as plt
from scipy.integrate import odeint

# 定义系统方程
def system(y, t, m, k, c, F):
    x, x_dot = y
    x_ddot = (F - c*x_dot - k*x) / m
    return [x_dot, x_ddot]

# 参数设置
m = 1.0  # 质量
k = 10.0 # 弹簧刚度
c = 0.1  # 阻尼系数
F = 1.0  # 外力

# 初始条件
y0 = [0, 0]

# 时间向量
t = np.linspace(0, 10, 1000)

# 解方程
sol = odeint(system, y0, t, args=(m, k, c, F))

# 绘制结果
plt.figure()
plt.plot(t, sol[:, 0], label='x(t)')
plt.xlabel('时间 (s)')
plt.ylabel('位移 (m)')
plt.title('单自由度系统对振动的响应')
plt.legend()
plt.show()

在这个例子中，我们模拟了一个单自由度系统的振动响应。通过调整c（阻尼系数）的值，我们可以观察到系统响应的变化，从而理解阻尼器在振动控制中的作用。

主动控制与半主动控制

主动控制和半主动控制是振动控制的高级技术，它们利用外部能源和实时反馈来调整控制策略，以更有效地抑制振动。

原理

主动控制通过传感器监测结构的振动状态，然后通过执行器施加控制力，以抵消或减少振动。控制力的大小和方向由控制器根据实时监测的数据计算得出。

半主动控制结合了被动和主动控制的优点，使用可调参数的元件（如磁流变阻尼器、电致流变阻尼器等），这些元件的特性可以根据实时监测的振动状态进行调整，从而实现更灵活的振动控制。

内容

1. 传感器和执行器的选择：传感器用于监测振动状态，执行器用于施加控制力。选择合适的传感器和执行器是实现有效主动控制的关键。

2. 控制算法设计：包括PID控制、自适应控制、最优控制等，这些算法根据实时监测的数据计算出控制力的大小和方向。

3. 半主动控制元件的特性调整：如磁流变阻尼器的阻尼系数可以根据实时监测的振动状态进行调整。

示例

下面是一个使用PID控制算法的主动控制系统的示例。我们使用一个简单的单自由度系统，通过PID控制器调整执行器的输出，以减少系统的振动。

import numpy as np
import matplotlib.pyplot as plt
from scipy.integrate import odeint

# PID控制器
def pid_controller(e, e_dot, e_prev, e_dot_prev, Kp, Ki, Kd):
    e_integral = e_prev + e * dt
    e_derivative = (e - e_prev) / dt
    u = Kp * e + Ki * e_integral + Kd * e_derivative
    return u, e, e_dot

# 系统方程
def system(y, t, m, k, c, F, u):
    x, x_dot = y
    x_ddot = (F - c*x_dot - k*x + u) / m
    return [x_dot, x_ddot]

# 参数设置
m = 1.0  # 质量
k = 10.0 # 弹簧刚度
c = 0.1  # 阻尼系数
F = 1.0  # 外力
Kp = 1.0 # 比例增益
Ki = 0.1 # 积分增益
Kd = 0.5 # 微分增益
dt = 0.01 # 时间步长

# 初始条件
y0 = [0, 0]
e_prev = 0
e_dot_prev = 0

# 时间向量
t = np.linspace(0, 10, 1000)

# 解方程
sol = np.zeros((len(t), 2))
for i in range(len(t) - 1):
    sol[i] = odeint(system, y0, [t[i], t[i+1]], args=(m, k, c, F, 0))[1]
    e = sol[i, 0] - 0  # 目标位移为0
    e_dot = sol[i, 1]
    u, e_prev, e_dot_prev = pid_controller(e, e_dot, e_prev, e_dot_prev, Kp, Ki, Kd)
    sol[i+1] = odeint(system, sol[i], [t[i+1], t[i+1]+dt], args=(m, k, c, F, u))[1]

# 绘制结果
plt.figure()
plt.plot(t, sol[:, 0], label='x(t)')
plt.xlabel('时间 (s)')
plt.ylabel('位移 (m)')
plt.title('使用PID控制的单自由度系统对振动的响应')
plt.legend()
plt.show()

在这个例子中，我们使用PID控制器来调整执行器的输出，以减少单自由度系统的振动。通过调整PID控制器的参数（Kp、Ki、Kd），我们可以优化系统的振动控制效果。

振动控制在工程中的应用

振动控制技术在工程领域有着广泛的应用，从建筑结构到精密机械，从航空航天到汽车工业，振动控制都是保证结构安全和设备性能的关键。

内容

1. 建筑结构中的振动控制：高层建筑、桥梁等大型结构在风、地震等外部载荷作用下会产生振动，通过振动控制技术可以减少这些振动，提高结构的安全性和舒适性。

2. 精密机械中的振动控制：在精密机械中，微小的振动都可能影响设备的精度和性能，如精密机床、光学仪器等，振动控制技术可以有效减少这些振动。

3. 航空航天中的振动控制：在航空航天领域，振动控制技术用于减少飞行器在飞行过程中的振动，以保护载荷和提高飞行器的性能。

4. 汽车工业中的振动控制：汽车在行驶过程中会产生各种振动，振动控制技术可以提高汽车的行驶舒适性和安全性。

示例

在建筑结构中，调谐质量阻尼器（TMD）是一种常见的振动控制装置。下面是一个使用TMD来减少高层建筑在风载荷作用下振动的示例。

import numpy as np
import matplotlib.pyplot as plt
from scipy.integrate import odeint

# 定义系统方程
def system(y, t, m, k, c, m_tmd, k_tmd, c_tmd, F):
    x, x_dot, x_tmd, x_tmd_dot = y
    x_ddot = (F - c*x_dot - k*x + c_tmd*(x_tmd_dot - x_dot) + k_tmd*(x_tmd - x)) / m
    x_tmd_ddot = (c_tmd*(x_dot - x_tmd_dot) + k_tmd*(x - x_tmd)) / m_tmd
    return [x_dot, x_ddot, x_tmd_dot, x_tmd_ddot]

# 参数设置
m = 1000.0  # 主结构质量
k = 10000.0 # 主结构弹簧刚度
c = 100.0   # 主结构阻尼系数
m_tmd = 100.0 # TMD质量
k_tmd = 1000.0 # TMD弹簧刚度
c_tmd = 10.0   # TMD阻尼系数
F = 1000.0 * np.sin(2*np.pi*t)  # 风载荷

# 初始条件
y0 = [0, 0, 0, 0]

# 时间向量
t = np.linspace(0, 10, 1000)

# 解方程
sol = odeint(system, y0, t, args=(m, k, c, m_tmd, k_tmd, c_tmd, F))

# 绘制结果
plt.figure()
plt.plot(t, sol[:, 0], label='主结构位移')
plt.plot(t, sol[:, 2], label='TMD位移')
plt.xlabel('时间 (s)')
plt.ylabel('位移 (m)')
plt.title('使用TMD的高层建筑对风载荷的响应')
plt.legend()
plt.show()

在这个例子中，我们模拟了一个高层建筑在风载荷作用下的振动响应，并使用TMD来减少这种振动。通过调整TMD的参数（m_tmd、k_tmd、c_tmd），我们可以优化TMD的振动控制效果，从而保护主结构免受过度振动的影响。

动力分析的数值方法

有限元法在动力分析中的应用

原理

有限元法(Finite Element Method, FEM)是一种广泛应用于工程结构动力分析的数值方法。它将复杂的结构分解为多个简单的单元，每个单元的力学行为可以用数学模型精确描述。通过在每个单元上应用动力学方程，可以得到整个结构的动力响应。在动力分析中，有限元法可以处理线性和非线性问题，包括材料非线性、几何非线性和接触非线性。

内容

1. 线性动力分析：在结构动力学中，线性动力分析是最基本的分析类型。它假设结构的刚度、质量和阻尼矩阵是常数，不随时间或位移变化。线性动力分析可以使用模态分析或直接积分法进行求解。

2. 模态分析：模态分析是线性动力分析的一种方法，它通过求解结构的固有频率和模态形状，来分析结构在不同频率下的响应。模态分析可以用于预估结构的振动特性，如共振频率和振型。

3. 直接积分法：直接积分法是另一种线性动力分析方法，它直接求解动力学方程，适用于分析瞬态响应，如地震响应或冲击响应。常见的直接积分法包括Newmark法和Wilson-θ法。

4. 非线性动力分析：非线性动力分析考虑了结构的刚度、质量和阻尼随时间或位移变化的情况。这种分析方法适用于大变形、大应变或材料失效的情况。非线性动力分析通常需要使用迭代算法，如Newton-Raphson法或Arc-Length法。

示例

假设我们有一个简单的单自由度系统，其动力学方程为：

$$m\ddot{x}+c\dot{x}+kx=F(t)$$

其中，$m$是质量，$c$是阻尼，$k$是刚度，$F(t)$是随时间变化的外力，$x$是位移。使用直接积分法(Newmark法)求解该方程的步骤如下：

import numpy as np

def newmark_method(m, c, k, F, x0, v0, dt, t_end):
    """
    使用Newmark法求解单自由度系统的动力响应。
    
    参数:
    m : 质量
    c : 阻尼
    k : 刚度
    F : 时间序列外力
    x0 : 初始位移
    v0 : 初始速度
    dt : 时间步长
    t_end : 分析结束时间
    """
    # 初始化
    t = np.arange(0, t_end+dt, dt)
    x = np.zeros_like(t)
    v = np.zeros_like(t)
    a = np.zeros_like(t)
    x[0] = x0
    v[0] = v0
    
    # Newmark参数
    gamma = 0.5
    beta = 0.25
    
    # 计算
    for i in range(1, len(t)):
        # 预测位移
        x_pred = x[i-1] + v[i-1]*dt + (1-2*beta)*a[i-1]*dt**2
        # 预测速度
        v_pred = v[i-1] + (1-gamma)*a[i-1]*dt
        # 预测加速度
        a_pred = (F[i] - c*v_pred - k*x_pred) / m
        # 更新位移
        x[i] = x_pred + beta*a_pred*dt**2
        # 更新速度
        v[i] = v_pred + gamma*a_pred*dt
        # 更新加速度
        a[i] = a_pred
    
    return t, x, v, a

# 示例数据
m = 1.0  # 质量
c = 0.1  # 阻尼
k = 10.0  # 刚度
F = np.sin(np.linspace(0, 10, 1001))  # 外力，假设为正弦波
x0 = 0.0  # 初始位移
v0 = 0.0  # 初始速度
dt = 0.01  # 时间步长
t_end = 10.0  # 分析结束时间

# 求解
t, x, v, a = newmark_method(m, c, k, F, x0, v0, dt, t_end)

时程分析与频谱分析

原理

时程分析和频谱分析是两种不同的动力分析方法，用于评估结构在动态载荷下的响应。

1. 时程分析：时程分析是基于时间域的分析方法，它直接考虑外力随时间变化的特性，通过数值积分求解动力学方程。时程分析适用于分析地震、风载荷或爆炸等瞬态事件对结构的影响。

2. 频谱分析：频谱分析是基于频率域的分析方法，它将外力分解为不同频率的分量，然后分析结构在每个频率下的响应。频谱分析适用于分析结构的振动特性，如共振频率和振型。

内容

• 时程分析：时程分析通常使用直接积分法，如Newmark法或Wilson-θ法，来求解动力学方程。时程分析可以提供结构在时间域内的位移、速度和加速度响应。

• 频谱分析：频谱分析通常使用傅里叶变换将外力从时间域转换到频率域。然后，使用模态分析求解结构在每个频率下的响应。频谱分析可以提供结构的频响函数和振动特性。

示例

假设我们有一个结构，其动力学方程为：

$$M\ddot{u}+C\dot{u}+Ku=F(t)$$

其中，$M$是质量矩阵，$C$是阻尼矩阵，$K$是刚度矩阵，$u$是位移向量，$F(t)$是随时间变化的外力向量。使用时程分析(Newmark法)求解该方程的步骤如下：

def newmark_time_history(M, C, K, F, u0, v0, dt, t_end):
    """
    使用Newmark法进行时程分析。
    
    参数:
    M : 质量矩阵
    C : 阻尼矩阵
    K : 刚度矩阵
    F : 时间序列外力向量
    u0 : 初始位移向量
    v0 : 初始速度向量
    dt : 时间步长
    t_end : 分析结束时间
    """
    # 初始化
    t = np.arange(0, t_end+dt, dt)
    u = np.zeros((len(t), len(u0)))
    v = np.zeros((len(t), len(u0)))
    a = np.zeros((len(t), len(u0)))
    u[0] = u0
    v[0] = v0
    
    # Newmark参数
    gamma = 0.5
    beta = 0.25
    
    # 计算
    for i in range(1, len(t)):
        # 预测位移
        u_pred = u[i-1] + v[i-1]*dt + (1-2*beta)*a[i-1]*dt**2
        # 预测速度
        v_pred = v[i-1] + (1-gamma)*a[i-1]*dt
        # 预测加速度
        a_pred = np.linalg.solve(M + C*gamma*dt + K*beta*dt**2, F[i] - C*v_pred - K*u_pred)
        # 更新位移
        u[i] = u_pred + beta*a_pred*dt**2
        # 更新速度
        v[i] = v_pred + gamma*a_pred*dt
        # 更新加速度
        a[i] = a_pred
    
    return t, u, v, a

# 示例数据
M = np.array([[1.0]])  # 质量矩阵
C = np.array([[0.1]])  # 阻尼矩阵
K = np.array([[10.0]])  # 刚度矩阵
F = np.sin(np.linspace(0, 10, 1001))  # 外力向量，假设为正弦波
u0 = np.array([0.0])  # 初始位移向量
v0 = np.array([0.0])  # 初始速度向量
dt = 0.01  # 时间步长
t_end = 10.0  # 分析结束时间

# 求解
t, u, v, a = newmark_time_history(M, C, K, F, u0, v0, dt, t_end)

动力分析中的非线性问题

原理

在动力分析中，非线性问题是指结构的刚度、质量和阻尼随时间或位移变化的情况。非线性动力分析可以考虑材料非线性、几何非线性和接触非线性等因素。非线性动力分析通常需要使用迭代算法，如Newton-Raphson法或Arc-Length法，来求解动力学方程。

内容

1. 材料非线性：材料非线性是指材料的应力-应变关系不是线性的。在动力分析中，材料非线性可以通过更新单元的刚度矩阵来考虑。

2. 几何非线性：几何非线性是指结构的变形对刚度矩阵有显著影响。在动力分析中，几何非线性可以通过更新单元的刚度矩阵来考虑。

3. 接触非线性：接触非线性是指结构中不同部分之间的接触力随时间或位移变化。在动力分析中，接触非线性可以通过更新接触力来考虑。

示例

假设我们有一个结构，其动力学方程为：

$$M\ddot{u}+C\dot{u}+K(u)u=F(t)$$

其中，$K(u)$是随位移变化的刚度矩阵。使用Newton-Raphson法求解该方程的步骤如下：

def newton_raphson_nonlinear(M, C, K_func, F, u0, v0, dt, t_end):
    """
    使用Newton-Raphson法进行非线性动力分析。
    
    参数:
    M : 质量矩阵
    C : 阻尼矩阵
    K_func : 刚度矩阵函数，接受位移向量作为输入，返回刚度矩阵
    F : 时间序列外力向量
    u0 : 初始位移向量
    v0 : 初始速度向量
    dt : 时间步长
    t_end : 分析结束时间
    """
    # 初始化
    t = np.arange(0, t_end+dt, dt)
    u = np.zeros((len(t), len(u0)))
    v = np.zeros((len(t), len(u0)))
    a = np.zeros((len(t), len(u0)))
    u[0] = u0
    v[0] = v0
    
    # Newton-Raphson参数
    tol = 1e-6  # 收敛容差
    max_iter = 100  # 最大迭代次数
    
    # 计算
    for i in range(1, len(t)):
        # 预测位移
        u_pred = u[i-1] + v[i-1]*dt + (1-2*beta)*a[i-1]*dt**2
        # 预测速度
        v_pred = v[i-1] + (1-gamma)*a[i-1]*dt
        # 迭代求解加速度
        a[i] = u_pred
        for j in range(max_iter):
            K = K_func(a[i])
            a_new = np.linalg.solve(M + C*gamma*dt + K*beta*dt**2, F[i] - C*v_pred - K*u_pred)
            if np.linalg.norm(a_new - a[i]) < tol:
                break
            a[i] = a_new
        # 更新位移
        u[i] = u_pred + beta*a[i]*dt**2
        # 更新速度
        v[i] = v_pred + gamma*a[i]*dt
    
    return t, u, v, a

# 示例数据
M = np.array([[1.0]])  # 质量矩阵
C = np.array([[0.1]])  # 阻尼矩阵
def K_func(u):
    # 刚度矩阵函数，假设刚度随位移线性变化
    return np.array([[10.0 + 2.0*u]])
F = np.sin(np.linspace(0, 10, 1001))  # 外力向量，假设为正弦波
u0 = np.array([0.0])  # 初始位移向量
v0 = np.array([0.0])  # 初始速度向量
dt = 0.01  # 时间步长
t_end = 10.0  # 分析结束时间

# 求解
t, u, v, a = newton_raphson_nonlinear(M, C, K_func, F, u0, v0, dt, t_end)

以上示例展示了如何使用Python和Numpy库进行动力分析的数值计算。这些方法可以扩展到更复杂的结构和载荷情况，但需要更详细的数学模型和计算资源。

结构动力学的实验技术

振动台试验

原理

振动台试验是结构动力学研究中一种重要的实验方法，用于模拟结构在地震、风、爆炸等动力荷载作用下的响应。通过在实验室中使用振动台，可以精确控制荷载的大小、方向和频率，从而对结构的动态特性进行深入分析。振动台试验的关键在于能够重现实际动力荷载的特性，同时确保试验过程中的数据准确性和安全性。

内容

1. 振动台的选择与校准：根据试验结构的大小、重量和预期的荷载类型选择合适的振动台。校准振动台以确保其输出的荷载与设定值一致。
2. 试验结构的安装与固定：结构在振动台上必须正确安装和固定，以避免试验过程中的非预期移动或损坏。
3. 荷载模拟：使用振动台模拟地震波、风荷载或爆炸冲击波等，通过调整振动台的参数来重现实际荷载的特性。
4. 数据采集：在试验过程中，使用传感器（如加速度计、位移传感器等）采集结构的响应数据，包括加速度、位移、应变等。
5. 结果分析：对采集到的数据进行分析，评估结构的动力特性，如固有频率、阻尼比、模态形状等，以及结构在动力荷载作用下的性能。

示例

假设我们正在使用一个振动台进行地震响应试验，以下是一个简化版的数据采集与分析流程示例：

# 数据采集示例
import numpy as np
import matplotlib.pyplot as plt

# 假设的加速度数据
acceleration_data = np.loadtxt('acceleration_data.txt')

# 数据分析
# 计算频谱
fft_data = np.fft.fft(acceleration_data)
freq = np.fft.fftfreq(acceleration_data.size, d=0.01)  # 假设采样间隔为0.01秒

# 绘制频谱图
plt.figure()
plt.plot(freq, np.abs(fft_data))
plt.title('频谱图')
plt.xlabel('频率 (Hz)')
plt.ylabel('幅度')
plt.show()

现场动力测试

原理

现场动力测试是在结构实际使用环境中进行的动力学测试，主要用于评估结构在自然条件下的动力响应。这种测试可以提供结构在实际荷载作用下的动态行为信息，包括结构的振动特性、损伤评估等。

内容

1. 现场条件评估：在测试前评估现场的环境条件，包括温度、湿度、风速等，以确保测试的准确性和安全性。
2. 传感器布置：根据结构的类型和测试目的，合理布置传感器，以采集关键部位的动力响应数据。
3. 荷载施加：通过自然荷载（如风、地震）或人工荷载（如锤击、振动）来激发结构的振动。
4. 数据采集与处理：使用数据采集系统记录传感器数据，然后进行信号处理，如滤波、时频分析等。
5. 结果分析：分析处理后的数据，评估结构的动力特性，识别潜在的损伤或缺陷。

示例

在进行现场动力测试时，数据处理中的时频分析是一个常见步骤。以下是一个使用Python进行时频分析的示例：

# 时频分析示例
import numpy as np
import matplotlib.pyplot as plt
from scipy.signal import spectrogram

# 假设的振动数据
vibration_data = np.loadtxt('vibration_data.txt')

# 时频分析
frequencies, times, Sxx = spectrogram(vibration_data, fs=100, nperseg=100)

# 绘制时频图
plt.pcolormesh(times, frequencies, 10 * np.log10(Sxx), shading='gouraud')
plt.ylabel('Frequency [Hz]')
plt.xlabel('Time [sec]')
plt.colorbar()
plt.show()

数据采集与信号处理

原理

数据采集与信号处理是结构动力学实验中不可或缺的环节，用于记录和分析结构的动力响应。数据采集涉及传感器的选择、布置和数据记录系统的设计，而信号处理则包括数据的预处理、特征提取和分析。

内容

1. 传感器选择与布置：根据测试目的选择合适的传感器，并在结构的关键部位进行布置。
2. 数据记录系统设计：设计数据记录系统，确保数据的准确性和完整性，包括采样率、存储容量等。
3. 数据预处理：对原始数据进行预处理，如去噪、滤波，以提高数据质量。
4. 特征提取：从预处理后的数据中提取关键特征，如峰值、频率、能量等。
5. 数据分析与解释：基于提取的特征，分析结构的动力响应，识别结构的动态特性或潜在问题。

示例

数据预处理中的滤波是一个关键步骤，以下是一个使用Python进行带通滤波的示例：

# 带通滤波示例
import numpy as np
from scipy.signal import butter, filtfilt

# 假设的原始数据
raw_data = np.loadtxt('raw_data.txt')

# 滤波器设计
def butter_bandpass(lowcut, highcut, fs, order=5):
    nyq = 0.5 * fs
    low = lowcut / nyq
    high = highcut / nyq
    b, a = butter(order, [low, high], btype='band')
    return b, a

def butter_bandpass_filter(data, lowcut, highcut, fs, order=5):
    b, a = butter_bandpass(lowcut, highcut, fs, order=order)
    y = filtfilt(b, a, data)
    return y

# 应用滤波器
filtered_data = butter_bandpass_filter(raw_data, lowcut=1, highcut=10, fs=100)

# 绘制原始数据与滤波后数据的对比图
plt.figure()
plt.plot(raw_data, label='原始数据')
plt.plot(filtered_data, label='滤波后数据')
plt.legend()
plt.show()

以上示例展示了如何使用Python的scipy库进行带通滤波，以去除原始数据中的高频和低频噪声，保留特定频率范围内的信号。