为明确MSS、Casciati和Harvey and Gavin这3种常用双向恢复力模型计算基础隔震建筑风振响应的差异,采用3种模型模拟铅芯橡胶支座在水平单向和双向位移下的恢复力,对比试验或有限元结果的差异,采用3种模型对一算例在双向风荷载下隔震层...为明确MSS、Casciati和Harvey and Gavin这3种常用双向恢复力模型计算基础隔震建筑风振响应的差异,采用3种模型模拟铅芯橡胶支座在水平单向和双向位移下的恢复力,对比试验或有限元结果的差异,采用3种模型对一算例在双向风荷载下隔震层位移、顶点位移和顶点加速度3个指标的差异进行了分析。研究表明:3种模型模拟铅芯橡胶支座在单向循环位移、方形和偏置方形位移下恢复力的趋势基本一致;而模拟圆形和偏置圆形位移时,MSS模型双向恢复力形状与有限元结果不同,不能较为准确地模拟支座双向耦合行为,Casciati模型误差稍小于Harvey and Gavin模型。Casciati模型和Harvey and Gavin模型计算风振响应基本一致;对于横风向响应均方根,3种模型差距不大;对于顺风向隔震层位移、顶点位移和顶点加速度均方根,MSS模型稍小,而对于顺、横风向隔震层位移峰值因子,MSS模型稍大;对于顺、横风向顶点加速度峰值因子和双向与单向模型顶点加速度最值比值随风速变化规律,MSS模型与其他模型差异较大。基于双向耦合效应模拟及风振响应指标的差异,建议采用Casciati模型考虑双向恢复力模型对基础隔震建筑风振响应的影响。展开更多
锂电池的荷电状态(state of charge,SOC)是电池管理系统的重要参数,但其与电池内部复杂的电化学特性高度关联,无法直接测量。近年来,基于数据驱动的方法在SOC估计领域展现了极大的潜力,然而其对输入数据的精确性有较高要求。磷酸铁锂电...锂电池的荷电状态(state of charge,SOC)是电池管理系统的重要参数,但其与电池内部复杂的电化学特性高度关联,无法直接测量。近年来,基于数据驱动的方法在SOC估计领域展现了极大的潜力,然而其对输入数据的精确性有较高要求。磷酸铁锂电池因存在电压平台问题,其电压波动和噪声会严重影响SOC估计的精度,本文针对这一问题,通过实验和数据驱动结合的方法,引入电池膨胀力作为新的输入维度,融合电池的电化学特性与机械特性,有效补偿了电压平台问题对SOC估计结果的影响。本研究在4种环境温度和2种动态电流测试工况下进行了实验,利用所得数据对神经网络模型进行训练和测试,以评估SOC估计精度并验证本方法的可行性和普适性。此外,本文还提出了一种基于卷积神经网络(convolutional neural network,CNN)和双向长短期记忆网络(bidirectional long short-term memory,Bi-LSTM)的混合模型,兼顾序列数据的局部模式与长期依赖关系,进一步提升SOC估计的可靠性。结果表明,本文提出的方法可以显著提高磷酸铁锂电池SOC估计精度,相比未引入膨胀力信号,均方根误差(root-mean-square error,RMSE)平均下降了43.82%。同时,CNNBiLSTM模型相比其他常规神经网络模型,RMSE最多降低了53.88%。本研究为高精度SOC估计提供了新的思路,对提升电池管理系统的性能具有重要意义。展开更多
文摘为明确MSS、Casciati和Harvey and Gavin这3种常用双向恢复力模型计算基础隔震建筑风振响应的差异,采用3种模型模拟铅芯橡胶支座在水平单向和双向位移下的恢复力,对比试验或有限元结果的差异,采用3种模型对一算例在双向风荷载下隔震层位移、顶点位移和顶点加速度3个指标的差异进行了分析。研究表明:3种模型模拟铅芯橡胶支座在单向循环位移、方形和偏置方形位移下恢复力的趋势基本一致;而模拟圆形和偏置圆形位移时,MSS模型双向恢复力形状与有限元结果不同,不能较为准确地模拟支座双向耦合行为,Casciati模型误差稍小于Harvey and Gavin模型。Casciati模型和Harvey and Gavin模型计算风振响应基本一致;对于横风向响应均方根,3种模型差距不大;对于顺风向隔震层位移、顶点位移和顶点加速度均方根,MSS模型稍小,而对于顺、横风向隔震层位移峰值因子,MSS模型稍大;对于顺、横风向顶点加速度峰值因子和双向与单向模型顶点加速度最值比值随风速变化规律,MSS模型与其他模型差异较大。基于双向耦合效应模拟及风振响应指标的差异,建议采用Casciati模型考虑双向恢复力模型对基础隔震建筑风振响应的影响。
文摘锂电池的荷电状态(state of charge,SOC)是电池管理系统的重要参数,但其与电池内部复杂的电化学特性高度关联,无法直接测量。近年来,基于数据驱动的方法在SOC估计领域展现了极大的潜力,然而其对输入数据的精确性有较高要求。磷酸铁锂电池因存在电压平台问题,其电压波动和噪声会严重影响SOC估计的精度,本文针对这一问题,通过实验和数据驱动结合的方法,引入电池膨胀力作为新的输入维度,融合电池的电化学特性与机械特性,有效补偿了电压平台问题对SOC估计结果的影响。本研究在4种环境温度和2种动态电流测试工况下进行了实验,利用所得数据对神经网络模型进行训练和测试,以评估SOC估计精度并验证本方法的可行性和普适性。此外,本文还提出了一种基于卷积神经网络(convolutional neural network,CNN)和双向长短期记忆网络(bidirectional long short-term memory,Bi-LSTM)的混合模型,兼顾序列数据的局部模式与长期依赖关系,进一步提升SOC估计的可靠性。结果表明,本文提出的方法可以显著提高磷酸铁锂电池SOC估计精度,相比未引入膨胀力信号,均方根误差(root-mean-square error,RMSE)平均下降了43.82%。同时,CNNBiLSTM模型相比其他常规神经网络模型,RMSE最多降低了53.88%。本研究为高精度SOC估计提供了新的思路,对提升电池管理系统的性能具有重要意义。
