结构力学基础概念：结构的动力分析：结构动力学的有限元分析_2024-08-03

本文链接：https://blog.csdn.net/chenjj4003/article/details/148412013

结构力学基础概念：结构的动力分析：结构动力学的有限元分析

结构动力学基础

动力学基本方程

在结构动力学中，动力学基本方程是描述结构在动力载荷作用下运动状态的数学表达式。最常见的是牛顿第二定律的表达形式，即：

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

其中：

$M$ 是质量矩阵，表示结构的质量分布。
$C$ 是阻尼矩阵，反映结构的阻尼效应。
$K$ 是刚度矩阵，描述结构的弹性性质。
$\ddot{u}$ 、 $\dot{u}$ 和 $u$ 分别是位移的二阶导数（加速度）、一阶导数（速度）和位移本身。
$F (t)$ 是随时间变化的外力向量。

示例：单自由度系统的动力学方程

假设一个单自由度系统，质量为 $m$ ，刚度为 $k$ ，阻尼为 $c$ ，受到随时间变化的外力 $F (t)$ 的作用。其动力学方程可以简化为：

$m\ddot{u} + c\dot{u} + ku = F(t)$

自由振动与强迫振动

自由振动

自由振动是指结构在初始条件（初始位移和初始速度）作用下，没有外力持续作用时的振动。自由振动的频率和振型完全由结构的固有属性决定。

强迫振动

强迫振动则是指结构在持续的外力作用下发生的振动。外力的频率可能与结构的固有频率相同或不同，导致共振或非共振振动。

示例：自由振动的计算

对于一个单自由度系统，其自由振动的频率 $\omega$ 可以通过以下公式计算：

$\omega = \sqrt{\frac{k}{m}}$

假设 $m = 10$ kg， $k = 100$ N/m，计算自由振动频率：

import math

# 定义参数
m = 10  # 质量，单位：kg
k = 100  # 刚度，单位：N/m

# 计算自由振动频率
omega = math.sqrt(k / m)
print(f"自由振动频率为：{omega} rad/s")

阻尼对振动的影响

阻尼是结构动力学中的一个重要概念，它描述了能量在振动过程中如何被耗散。阻尼可以分为粘性阻尼、库伦阻尼和瑞利阻尼等类型。阻尼的存在会减小振动的振幅，影响振动的频率和周期。

示例：粘性阻尼对振动的影响

考虑一个具有粘性阻尼的单自由度系统，其动力学方程为：

$m\ddot{u} + c\dot{u} + ku = 0$

当系统受到初始位移和速度的激励后，其振动响应会随时间逐渐衰减。

振动的模态分析

模态分析是一种用于研究结构振动特性的方法，它将复杂的多自由度系统振动问题分解为一系列独立的单自由度系统振动问题。每个单自由度系统对应一个模态，具有特定的固有频率和振型。

示例：模态分析的计算

对于一个多自由度系统，其动力学方程可以表示为：

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

模态分析的目标是找到系统的固有频率 $\omega_i$ 和振型 $\phi_i$ 。这通常通过求解特征值问题来实现：

$\omega^2M)\phi = 0$

假设我们有一个2自由度系统，质量矩阵 $M$ 和刚度矩阵 $K$ 分别为：

$\begin{bmatrix} 1 & 0 \\ 0 & 1 \end{bmatrix}, \quad K = \begin{bmatrix} 2 & -1 \\ -1 & 2 \end{bmatrix}$

使用 Python 的 numpy 库来求解固有频率和振型：

import numpy as np

# 定义质量矩阵和刚度矩阵
M = np.array([[1, 0], [0, 1]])
K = np.array([[2, -1], [-1, 2]])

# 求解特征值和特征向量
eigenvalues, eigenvectors = np.linalg.eig(np.linalg.inv(M) @ K)

# 计算固有频率
omega = np.sqrt(eigenvalues)
print(f"固有频率为：{omega} rad/s")

# 输出振型
print("振型为：")
print(eigenvectors)

模态分析不仅限于线性系统，对于非线性系统，也可以通过线性化的方法进行近似分析。

以上示例和解释展示了结构动力学基础概念中的一些关键原理和计算方法，包括动力学基本方程、自由振动与强迫振动、阻尼对振动的影响以及振动的模态分析。通过这些示例，可以更好地理解结构动力学的理论和实践应用。

有限元方法原理

有限元方法概述

有限元方法（Finite Element Method, FEM）是一种数值分析技术，广泛应用于工程领域，如结构力学、热传导、流体力学等，用于求解偏微分方程。在结构动力学中，FEM通过将连续的结构离散成有限数量的单元和节点，将复杂的连续体问题转化为一系列相对简单的离散问题，从而实现对结构动力响应的精确计算。

单元与节点的概念

在有限元分析中，结构被划分为多个小的、简单的几何形状，这些形状被称为单元。单元之间通过节点连接。节点是结构中单元的交点，它们不仅定义了单元的几何位置，还承载着物理量，如位移、速度和加速度。单元和节点的组合构成了有限元模型，通过在每个节点上应用力和位移边界条件，可以求解结构的动力响应。

刚度矩阵与质量矩阵

刚度矩阵

刚度矩阵描述了结构在受到外力作用时的变形特性。它是一个方阵，其元素表示了结构中任意两个节点之间的力与位移的关系。在结构动力学中，刚度矩阵是通过将每个单元的局部刚度矩阵转换为全局坐标系下的刚度矩阵，然后将所有单元的刚度矩阵进行组装得到的。

质量矩阵

质量矩阵反映了结构的质量分布，它同样是一个方阵，其元素表示了结构中任意两个节点之间的质量与加速度的关系。在有限元分析中，质量矩阵的建立通常基于每个单元的质量分布，然后通过单元组装得到全局质量矩阵。

有限元方程的建立

在结构动力学的有限元分析中，通过将动力学方程（如牛顿第二定律）应用于每个单元，可以得到一系列的单元方程。这些单元方程通过节点连接，被组装成一个全局的方程组，即有限元方程。该方程组通常表示为：

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

其中， $M$ 是质量矩阵， $C$ 是阻尼矩阵， $K$ 是刚度矩阵， $\ddot{u}$ 、 $\dot{u}$ 和 $u$ 分别表示加速度向量、速度向量和位移向量， $F$ 是外力向量。

示例：建立一个简单的梁的有限元模型

假设我们有一个简单的梁，长度为 $L$ ，截面积为 $A$ ，弹性模量为 $E$ ，密度为 $\rho$ 。我们将梁离散为两个单元，每个单元长度为 $L /2$ ，并定义三个节点。下面是一个使用Python和NumPy库建立该梁的刚度矩阵和质量矩阵的示例代码：

import numpy as np

# 定义材料和几何参数
L = 1.0  # 梁的总长度
E = 200e9  # 弹性模量
rho = 7850  # 密度
A = 0.01  # 截面积

# 定义单元长度
L_element = L / 2

# 定义刚度矩阵
k = (E * A / L_element) * np.array([[1, -1], [-1, 1]])

# 定义质量矩阵
m = (rho * A * L_element / 6) * np.array([[2, 1], [1, 2]])

# 组装全局刚度矩阵和质量矩阵
K_global = np.zeros((3, 3))
M_global = np.zeros((3, 3))

# 第一个单元的刚度矩阵和质量矩阵
K_global[0:2, 0:2] += k
M_global[0:2, 0:2] += m

# 第二个单元的刚度矩阵和质量矩阵
K_global[1:3, 1:3] += k
M_global[1:3, 1:3] += m

# 打印全局刚度矩阵和质量矩阵
print("全局刚度矩阵:")
print(K_global)
print("\n全局质量矩阵:")
print(M_global)

在上述代码中，我们首先定义了梁的材料和几何参数，然后计算了每个单元的刚度矩阵和质量矩阵。最后，我们通过将两个单元的矩阵组装到全局矩阵中，得到了整个梁的刚度矩阵和质量矩阵。

通过有限元方法，我们可以精确地分析结构在动态载荷下的响应，这对于预测结构的性能、优化设计和确保结构安全至关重要。

结构动力学的有限元分析

dir 3.1 动力学有限元模型的建立与边界条件与载荷的施加

动力学有限元模型的建立

在结构动力学分析中，有限元方法是一种强大的工具，用于模拟结构在动态载荷下的响应。建立动力学有限元模型的关键步骤包括：

结构离散化：将结构划分为多个小的、简单的单元，如梁单元、壳单元或实体单元。
选择单元类型：根据结构的几何形状和材料特性，选择合适的单元类型。
定义材料属性：输入每个单元的材料属性，如弹性模量、泊松比和密度。
建立节点和单元连接：定义单元如何连接到节点，以及节点之间的连接关系。
施加约束和载荷：在模型中施加边界条件和动态载荷。

示例：使用Python的`FEniCS`库建立一个简单的梁单元模型

from fenics import *

# 创建一个矩形网格
mesh = RectangleMesh(Point(0, 0), Point(1, 0.1), 10, 1)

# 定义函数空间
V = VectorFunctionSpace(mesh, 'Lagrange', 1)

# 定义边界条件
def boundary(x, on_boundary):
    return on_boundary

bc = DirichletBC(V, Constant((0, 0)), boundary)

# 定义材料属性
E = 1e3  # 弹性模量
nu = 0.3  # 泊松比
rho = 1.0  # 密度

# 定义动态载荷
f = Constant((0, -10))  # 垂直向下的力

# 定义方程
u = TrialFunction(V)
v = TestFunction(V)
F = inner(sigma(u), grad(v))*dx - inner(f, v)*ds
a, L = lhs(F), rhs(F)

# 定义时间参数
T = 1.0
num_steps = 50
dt = T / num_steps

# 定义初始条件
u_n = interpolate(Expression(('0', '0'), degree=1), V)

# 时间积分
u = Function(V)
for n in range(num_steps):
    t = n * dt
    solve(a == L, u, bc)
    u_n.assign(u)

边界条件与载荷的施加

边界条件和载荷的正确施加对于动力学分析的准确性至关重要。边界条件可以是固定约束、滑动约束或旋转约束，而载荷可以是力、压力或加速度。

示例：在`FEniCS`中施加固定约束和动态载荷

# 施加固定约束
bc = DirichletBC(V, Constant((0, 0)), boundary)

# 施加动态载荷
f = Expression(('0', '-10*sin(2*pi*t)'), t=0, degree=1)
F = inner(sigma(u), grad(v))*dx - inner(f, v)*ds

dir 3.2 模态分析的有限元实现与时间历程分析与频谱分析

模态分析的有限元实现

模态分析用于确定结构的固有频率和模态形状。在有限元分析中，这通常通过求解结构的特征值问题来实现。

示例：使用`FEniCS`进行模态分析

from scipy.sparse.linalg import eigsh
from scipy.sparse import csc_matrix

# 将刚度矩阵和质量矩阵转换为稀疏矩阵
K = assemble(inner(sigma(u), grad(v))*dx)
M = assemble(inner(rho*u, v)*dx)
K = csc_matrix(K.array())
M = csc_matrix(M.array())

# 求解特征值问题
eigenvalues, eigenvectors = eigsh(K, k=10, M=M, sigma=0, which='LM')

时间历程分析与频谱分析

时间历程分析用于模拟结构在随时间变化的载荷下的响应，而频谱分析则用于评估结构对不同频率载荷的响应。

示例：使用`FEniCS`进行时间历程分析

# 定义时间参数
T = 1.0
num_steps = 50
dt = T / num_steps

# 定义动态载荷
f = Expression(('0', '-10*sin(2*pi*t)'), t=0, degree=1)

# 时间积分
u = Function(V)
for n in range(num_steps):
    t = n * dt
    f.t = t
    solve(a == L, u, bc)
    u_n.assign(u)

dir 3.3 非线性动力学分析与动力学分析中的收敛性问题

非线性动力学分析

非线性动力学分析考虑了材料非线性、几何非线性和接触非线性等因素。在有限元分析中，这通常需要使用迭代求解器。

示例：使用`FEniCS`进行非线性动力学分析

# 定义非线性方程
F = inner(sigma(u), grad(v))*dx - inner(f, v)*ds

# 使用Newton迭代求解非线性方程
problem = NonlinearVariationalProblem(F, u, bc)
solver = NonlinearVariationalSolver(problem)
solver.solve()

动力学分析中的收敛性问题

在动力学分析中，收敛性问题可能由于时间步长选择不当、非线性效应或数值不稳定引起。解决这些问题通常需要调整时间步长、使用更高级的求解器或增加模型的细节。

示例：调整时间步长以提高收敛性

# 定义时间参数
T = 1.0
num_steps = 100  # 增加时间步数以减小时间步长
dt = T / num_steps

# 时间积分
u = Function(V)
for n in range(num_steps):
    t = n * dt
    f.t = t
    solve(a == L, u, bc)
    u_n.assign(u)