当前位置: > 硕士毕业论文 > 36900字硕士毕业论文重型车队载荷的统计分析方法及建模

36900字硕士毕业论文重型车队载荷的统计分析方法及建模

论文类型:硕士毕业论文
论文字数:36900字
论点:荷载,极值,概率
论文概述:

本文是统计专业论文,分别采用不同极值建模方法来建立车队总重的极值模型,分析比较各种极值模型的预测结果。对经典极值建模方法进行相应改进,以适合车辆荷载的极值建模与预测。

论文正文:

第一章螺纹理论

1.1[项目的背景和意义/br/]对具有重大安全隐患的桥梁进行健康监测、安全评估以及相应的维护和加固迫在眉睫。目前,国内外,特别是我国,许多大型工程结构都安装了健康监测系统。经过十多年的发展,结构健康监测技术日益完善,健康监测系统的设计、安装和运行管理更加成熟,[1-6]。实际工程结构健康监测系统的运行积累了大量数据。如何充分利用监测数据,分析结构荷载与环境效应、结构响应特征及其映射关系,揭示结构性能演化规律,建立结构环境效应、荷载与响应及性能模型,进行结构安全评估,发展结构全寿命周期设计理论,进一步验证和发展结构分析与设计理论,是当前结构健康监测中亟待解决的问题。
………

1.2车辆荷载统计建模和数据挖掘的研究现状
国外研究包括:梅
第三章基于实测数据的重型机群统计建模与分析.......18
3.1导言.........18
3.2阈值字符串概率回归模型.......18
3.3字符串概率时间序列的动态线性模型.......20
3.3.1架线概率动态线性模型的构建…… 21
3.3.2架线概率的状态估计、仿真和预测…… 21
3.4架线概率的结构分析和建模…… 25
3.5总机队重量的统计分布…… 37
3.5.1电磁算法简介......37
3.5.2车队总重分布的拟合........39
3.6悬挂轴重分布及相关性分析.......40
3.7本章摘要.......45
第4章船队总重极值的建模与预测.......46[/溴/]4.1导言.........46
4.2极值统计理论.......46
84.3车队总重最大值的极值建模.........50
4.4半理论半经验模型.........62
4.5设定上限极值建模方法.......66
4.6本章摘要.......69等人用双峰分布函数代替传统的单峰分布函数对车辆重量进行拟合分析。采用随机过程模型研究一般运行状态下考虑泊松过程和集约运行状态下考虑二郎过程的车辆荷载极值。基于动态称重系统,奥康纳和尤金·
第4章船队总重极值的建模与预测研究了记录时间、记录精度和极值预测方法对极值预测结果精度的影响。格塔丘·
4.1简介
船队总重极值预测对桥梁结构的整体可靠性具有重要意义。本章利用经典极值建模方法建立了船队总重量的月最大模型和日最大模型,并进行相应的极值预测,比较了不同极值模型的预测结果。考虑到极值外推方法的不确定性及其无法提供极值分布信息,提出了一种半理论半经验的车辆荷载极值建模方法。针对基于经典极值理论的车辆荷载极值模型往往没有上限的不合理情况,提出截断参数重新估计的极值建模方法。在2006年至2008年采集的72个月最大样本中,有三个样本超过240.6吨,表明100年重现水平95%置信区间的下限不会低至240.6吨。同时,它也表明由δ规则得到的置信区间不是保守的,而是危险的。原因之一是增量规则是基于参数的最大似然估计分布是渐近正态的假设。如果参数的估计分布与正态分布有很大的不同,那么用增量规则得到的近似置信区间必然会有较大的误差。第二个重要原因是,在讨论推断结果的准确性之前,必须确保用于统计推断的模型是正确的。如果模型本身不符合实际情况,那么努力讨论推理结果的准确性将是毫无意义的。虽然广义极值分布在数学上有理论基础,但外推是基于一些假设,这些假设是无法验证的。因此,在推断长生育期的生育水平时应特别注意。
………提出了一种针对特定位置的简化蒙特卡罗模拟方法,并使用这种方法来预测长期负荷效应。郭等人
结论开发了一个多模态概率模型,该模型分别使用复合威布尔过程和滤波泊松过程来预测密集操作和一般操作的极端负载。米什拉等人
通过对重型车队车辆载荷的统计建模和分析,得出以下结论:
(1)提出了重型车队研究的简化理论模型,提出了架线概率的重要概念,给出了架线概率的最大似然估计和贝叶斯估计,并推导出架线概率的理论计算公式。聚类概率是描述相邻重型车辆组成车队可能性的定量指标,是重型车辆组成车队的连接环节,是车队统计建模的关键。
(2)架线概率是动态的,应作为时间序列进行研究。本文利用状态相关理论空方法建立了字符串概率时间序列的动态模型,从而可以依次递归地进行字符串概率的状态估计和预测,一旦获得新的信息,状态就会更新。研究表明,它非常适合描述随机序列的动态变化过程,如随着时间的推移而不断更新的字符串概率。
(3) Copula理论是目前多元相关结构分析和联合分布构建的有力工具。本文将Copula理论引入到结构健康监测的数据挖掘和建模中。用混合Copula函数建立序列概率序列的相关结构模型,用t Copula函数建立重轴重的相关结构模型,统计模拟重轴重的联合分布。Copula理论的引入为结构健康监测数据挖掘和多变量建模带来了新的思路。
(4)根据车辆荷载的多峰值特性,采用高斯混合分布来拟合车队重量和重轴重量的分布。结果表明,柔性高斯混合分布很好地适应了车辆载荷分布。
……
参考资料(略)研究了基于蒙特卡罗方法的车辆载荷谱。奥布赖恩和恩莱特·[12]提出了一个基于两个站的测量数据的半参数概率分布模型。他们发现极值预测结果对车辆载荷的尾部很敏感。在兰等人[13]的研究中,利用泊松过程对车辆载荷过程进行建模,并对车辆载荷使用期间的极值分布函数进行预测研究。梅钢等人[14]用两个正态分布加权和的双峰概率分布描述了车辆载荷,正常运行和集约运行下的车辆载荷过程分别由过滤复合泊松过程和过滤复合二郎更新过程表示。国内在这方面的研究包括:林圣光(1995)[15]研究公路桥梁结构正常运行状态下车辆荷载的实测数据。他假设车辆在正常运行条件下的随机过程为滤波泊松过程,利用随机过程理论建立相应的概率统计模型,推导出[0,T]时间段内最大车辆载荷的概率分布函数。李爱群、郭彤、赵大良(2008)[16]利用古布尔分布和高斯分布组成的混合分布拟合京沪高速公路实测车辆荷载数据的多模态概率密度函数。这种混合分布可以通过分布的拟合优度检验,并且可以更好地描述复杂的分布类型,例如车辆载荷。同时指出车辆荷载的多峰值特性是轻型车辆、普通车辆和重型车辆按不同比例混合的结果。用复合泊松过程模拟一般工况下的车辆载荷,用滤波后的复合威布尔过程模拟密集工况下的车辆载荷,分别预测两种工况的极值。俞武职、朱洪兵(2011)[17]采用灰色系统理论和马尔可夫链随机过程理论,建立了公路交通量随机过程的预测模型。通过对收费站车辆荷载称重系统测量数据的统计分析,得出车辆总重量的分布规律,进而建立公路车辆荷载随机过程的数学模型。可以看出,以往的研究主要集中在单车负荷的统计分析上,对重型车队的研究很少。事实上,研究串联重型车的统计特性对于评价桥梁的整体可靠性具有重要意义。一辆重型车辆,即使很重,也不一定会导致桥梁结构的最终损坏,但是当多辆非常接近的重型车辆同时出现在桥梁的同一跨度内时,桥梁的最终承载能力将受到严格的测试。例如,2012年8月24日5: 30左右,距离中国哈尔滨阳明滩大桥3.5公里的三环路李群高架桥上洪湖路大桥的独立坡道翻倒,导致4辆大卡车从桥上坠落,事故当天造成3人死亡,5人受伤。
………

第二章重型舰队理论模型研究

2.1简介
车辆的发生是随机的,应作为随机过程进行研究,并建立其数学模型。本章首先提出了一个简化的重型车队模型,便于数学处理。给出了重型车辆组成车队的数学条件,提出了能定量考虑重型车辆聚类效果的聚类概率概念。然后,讨论了团队领导的统计分布。在此基础上,给出了字符串概率的最大似然估计和贝叶斯估计方法。最后,推导出字符串概率的理论计算公式。首先,提出了一个简化的车辆荷载模型,该模型可以考虑重型车辆架线的影响。重型车辆被视为质量块,而重型车辆之间的轻型车辆被视为质量块之间的连接。连接的断开和闭合是根据特定的穿线标准来判断的。提出了用于定量描述相邻重型车辆组成车队可能性的聚类概率,给出了聚类概率的最大似然估计法和贝叶斯估计法,并利用随机过程理论推导了聚类概率的理论计算公式。其次,利用监测数据对车队相关变量进行统计建模和分析。建立了序列概率时间序列的动态线性模型。高斯混合分布用于拟合车队的总重量和重型车辆的轴重。利用Copula理论分析了序列概率序列与轴重的相关性,并对轴重的联合分布进行了蒙特卡罗模拟。最后,采用不同的极值建模方法建立车队总重的极值模型,并对各种极值模型的预测结果进行分析比较。对经典极值建模方法进行了相应的改进,以适应车辆载荷的极值建模和预测。
……

2.2重型车队简化模型
选择某个阈值或某个集合划分方法,将由车辆载荷(取总重量)组成的集合划分为重型车辆(超过阈值)集合和轻型车辆(不超过阈值)集合。这里的轻型车辆是指总重量不超过规定阈值的车辆。如图2-1所示,重型车辆被视为质量块,混合在重型车辆之间的轻型车辆被视为质量块之间的连接,并且连接的状态(打开和关闭)根据串线标准来判断。根据上述简化模型,可以看出两个相邻重型车辆之间的连接是二进制随机变量,并且该连接被假设为事件C,值为0或1,C = 0表示断开,C = 1表示闭合。显然,事件c服从伯努利分布,其分布规律为{} () 11,0,1kp c k θ k = = =。本文将连接闭合概率P {C = 1}= θ定义为两个相邻重型车辆的字符串概率,用希腊字母θ表示。聚类概率是由两辆相邻重型车辆组成的车队的可能规模的量度。
………

[7]

[8]

[9]

[10]

[11]