亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        考慮參數(shù)不確定性的列車-橋梁垂向耦合振動的PC-ARMAX 代理模型研究

        2021-11-17 07:42:52向活躍李永樂
        工程力學(xué) 2021年11期
        關(guān)鍵詞:影響模型系統(tǒng)

        韓 旭,向活躍,李永樂

        (西南交通大學(xué)橋梁工程系,四川,成都 610031)

        近年來,隨著高速鐵路建設(shè)的迅猛發(fā)展,列車的運(yùn)行速度得到了大幅度的提升,而列車在橋梁上運(yùn)行時(shí),與橋梁間存在著動力相互作用,這種相互作用隨著列車速度的提升變得愈發(fā)顯著,進(jìn)而對運(yùn)行車輛的安全性和舒適性產(chǎn)生影響,為了確保高速列車在橋上運(yùn)行時(shí)的安全性和舒適性,開展車-橋耦合振動分析顯得尤為必要[1-2]。

        由于施工誤差、材料離散性、運(yùn)營季節(jié)、運(yùn)營環(huán)境等因素的影響,車體質(zhì)量、剛度、阻尼和橋梁的彈性模量等參數(shù)存在隨機(jī)性,這會對車-橋耦合系統(tǒng)的動力響應(yīng)產(chǎn)生不可忽略的影響[3]。對車-橋系統(tǒng)參數(shù)隨機(jī)性影響的研究,蒙特卡洛模擬(MCS)是最常用的一種分析方法,Wu 等[4]通過MCS 方法研究了車-橋系統(tǒng)的材料密度、彈性模量等隨機(jī)參數(shù)對結(jié)構(gòu)響應(yīng)的影響。但車-橋耦合系統(tǒng)的失效概率通常很低,采用MCS 則需要計(jì)算大量的統(tǒng)計(jì)樣本,由此產(chǎn)生的計(jì)算成本是無法接受的。

        為了克服MCS 計(jì)算效率低的問題,隨機(jī)振動方法得到大量運(yùn)用,其中包含概率密度演化法、響應(yīng)面法、隨機(jī)攝動方法等[5-7]。余志武等[8]將廣義概率密度演化方法與數(shù)論選點(diǎn)法相結(jié)合,研究了列車參數(shù)隨機(jī)時(shí)車-橋耦合系統(tǒng)的響應(yīng),在精度滿足要求的前提下相比MCS 計(jì)算效率大幅度提高。Cho 等[9]通過改進(jìn)響應(yīng)面法研究了高速鐵路車-橋系統(tǒng)的可靠性,考慮了列車和橋梁的不確定性參數(shù)對列車運(yùn)行時(shí)的安全性和舒適性的影響。晉智斌等[10]采用改進(jìn)的隨機(jī)攝動法研究了橋梁結(jié)構(gòu)參數(shù)不確定性對車-橋響應(yīng)的影響,其結(jié)果和MCS吻合,且不存在長期項(xiàng)效應(yīng)。劉祥等[11]通過改進(jìn)點(diǎn)估計(jì)法對豎向車-橋系統(tǒng)振動響應(yīng)的前四階矩進(jìn)行了計(jì)算,考慮了列車和橋梁參數(shù)不確定性的影響,其結(jié)果與MCS 接近。上述研究在車-橋耦合系統(tǒng)隨機(jī)振動方面取得了積極進(jìn)展。

        高速列車屬于小概率失效事件[12]。隨機(jī)振動方法用于小概率事件評價(jià)時(shí),計(jì)算效率會有所降低,近年來,采用代理模型代替動力方程求解的方法在車-橋耦合系統(tǒng)隨機(jī)性的研究中逐漸得到應(yīng)用,且計(jì)算效率不會明顯受到失效概率變化的影響,也能較好的反映車-橋系統(tǒng)中的非線性特性。Kewlani 等[13]通過廣義混沌多項(xiàng)式(gPC)方法計(jì)算了四分之一車輛模型的響應(yīng),考慮了車輛剛度參數(shù)不確定性的影響。Mai 等[14]將混沌多項(xiàng)式展開(PCE)與NARX 模型結(jié)合,對四分之一非線性車輛模型在多種隨機(jī)參數(shù)影響下的響應(yīng)進(jìn)行了研究,討論了PC-NARX 模型計(jì)算次數(shù)對預(yù)測精度的影響,但基函數(shù)沒有通用的格式,不同結(jié)構(gòu)需要進(jìn)行試算。以上研究均未考慮完整的列車模型,忽略了車-橋系統(tǒng)間的耦合效應(yīng)。Han 等[15]通過NARX-ANN 與重要樣本相結(jié)合的代理模型,對車-橋系統(tǒng)的響應(yīng)進(jìn)行了預(yù)測,該方法顯示了很好的預(yù)測性能。Xiang 等[12]采用NARX-SS/S 方法分析了車-橋在隨機(jī)激勵(lì)下的失效概率,能顯著減小樣本的計(jì)算時(shí)間和數(shù)量,且與MCS 結(jié)果吻合較好。但是以上車-橋系統(tǒng)的代理模型方法未考慮參數(shù)不確定性的影響。NARX 模型用于車-橋耦合分析時(shí),需要較大的輸入和輸出時(shí)間滯才能獲得較好的預(yù)測效果,這在一定程度上影響了該方法的計(jì)算效率。

        已有研究表明[13-14,16],帶外部輸入的自回歸滑動平均(AutoRegressive Moving-Average with eXogenous inputs, ARMAX)模型能較好的體現(xiàn)時(shí)變系統(tǒng)的動態(tài)特性;而混沌多項(xiàng)式(Polynomial Chaos,PC)展開能很好的描述和量化動態(tài)系統(tǒng)的不確定性,以代理模型代替動力方程求解的方法可用于車-橋耦合振動分析的研究,從而實(shí)現(xiàn)不確定性傳遞的解耦。為了研究參數(shù)不確定性對車-橋耦合系統(tǒng)的影響,本文提出了PC-ARMAX 模型,該模型可考慮動態(tài)時(shí)變系統(tǒng)參數(shù)不確定性,進(jìn)一步將該模型用于車-橋系統(tǒng)參數(shù)不確定性分析,考察了車體質(zhì)量、二系剛度和阻尼等隨機(jī)參數(shù)對列車響應(yīng)的影響,通過與MCS 的結(jié)果對比,分析了預(yù)測精度和計(jì)算效率;再討論了隨機(jī)激勵(lì)和隨機(jī)參數(shù)共同作用于車-橋系統(tǒng)對代理模型預(yù)測性能的影響。

        1 車-橋耦合模型

        1.1 車輛模型

        車輛模型考慮為由一個(gè)車體、兩個(gè)轉(zhuǎn)向架和四個(gè)輪對組成的兩系懸掛系統(tǒng),如圖1 所示??紤]到列車運(yùn)行過程中,列車橫向系統(tǒng)中輪對受到復(fù)雜的非線性作用,代理模型進(jìn)行分析仍有困難,因此本文主要針對垂向系統(tǒng)進(jìn)行分析。為簡化模型和便于計(jì)算分析,作如下假設(shè)[17]:1)車體、轉(zhuǎn)向架和輪對均考慮為剛體;2)連接車體、轉(zhuǎn)向架和輪對的彈簧和阻尼器均不考慮非線性;3)輪對和鋼軌間始終保持密貼;4)不考慮列車的加減速過程,始終保持勻速運(yùn)動。因此,每個(gè)車體和輪對考慮2 個(gè)自由度(浮沉和點(diǎn)頭),且輪對無獨(dú)立自由度,每個(gè)車輛共6 個(gè)自由度。通過達(dá)朗貝爾原理,車輛運(yùn)動方程表示為:

        圖1 車輛模型Fig. 1 The vehicle model

        1.2 橋梁模型

        橋梁模型為某大跨度預(yù)應(yīng)力混凝土連續(xù)剛構(gòu)橋,跨徑組合為72 m+128 m+72 m,主梁為單箱單室變截面箱梁,最高橋墩為85 m,該橋的立面圖如圖2 所示。對于橋梁結(jié)構(gòu),通常采用有限元方法進(jìn)行離散處理,其運(yùn)動方程為:

        圖2 橋梁立面圖 /cmFig. 2 The elevation drawing of bridge model

        式中,阻尼常數(shù)α 和β 通過兩個(gè)特定的頻率和阻尼比確定。

        式(1)和式(2)給出了車輛和橋梁子系統(tǒng)的運(yùn)動方程,這兩個(gè)子系統(tǒng)相對獨(dú)立,通過輪軌接觸點(diǎn)的位移協(xié)調(diào)條件和輪軌作用力平衡條件來聯(lián)系。車-橋耦合系統(tǒng)通過分離迭代法[17]求解,車輛和橋梁子系統(tǒng)則分別采用Newmark-β 直接積分法進(jìn)行求解,基于此求解方法,通過MATLAB 軟件編制了車-橋耦合振動分析程序[18]用于后續(xù)計(jì)算分析。

        2 PC-ARMAX 模型

        ARMAX 模型是由系統(tǒng)輸入輸出變量和噪聲干擾組成的黑箱模型,能較好的描述時(shí)變系統(tǒng)的動態(tài)特性。假設(shè)輸入序列為u(t),對應(yīng)的響應(yīng)為y(t),則該系統(tǒng)的ARMAX 模型可表示為[19-20]:

        ARMAX 模型能較好的描述時(shí)變動態(tài)系統(tǒng)的動力學(xué)行為,其主要優(yōu)點(diǎn)是具有滑動平均的殘差序列項(xiàng),能提供無偏的參數(shù)估計(jì)[21]。

        當(dāng)考慮系統(tǒng)參數(shù)不確定性影響時(shí),不同的系統(tǒng)參數(shù)會得到不同的回歸系數(shù),為此對式(4)中的回歸系數(shù)按混沌多項(xiàng)式進(jìn)行展開,可表示為[22-23]:

        需要注意的是,正交多項(xiàng)式的形式和隨機(jī)變量 ξ的概率分布類型有關(guān),常用的幾種隨機(jī)變量分布類型對應(yīng)的正交多項(xiàng)式基函數(shù)形式如表1 所示。

        表1 常用隨機(jī)變量分布及對應(yīng)多項(xiàng)式基函數(shù)Table 1 Distribution types commonly used and corresponding polynomial basis functions

        進(jìn)一步,考慮多項(xiàng)式項(xiàng)數(shù)截?cái)嗪?,將?5)代入式(4)后,可得到PC-ARMAX 模型:

        對于截?cái)嗟亩囗?xiàng)式項(xiàng)數(shù)p,可通過下式計(jì)算得到[24]:

        式中,K為用于計(jì)算模型參數(shù)的時(shí)域樣本數(shù)(訓(xùn)練樣本數(shù)),提前由車-橋耦合數(shù)值模型計(jì)算得到,且對應(yīng)不同的輸入激勵(lì)和隨機(jī)參數(shù)。

        將式(8)代入式(5)可得:

        在對PC-ARMAX 模型參數(shù)進(jìn)行預(yù)測時(shí),得到的結(jié)果與數(shù)值模型結(jié)果存在一個(gè)殘差κ,因此目標(biāo)結(jié)果與預(yù)測值的關(guān)系為:

        式中,v? 為預(yù)測的ARMAX 模型參數(shù)。

        PC-ARMAX 模型參數(shù)的迭代求解過程就是使得式(10)中的殘差κ最小,可以通過最小二乘法得到θ,計(jì)算表達(dá)式為:

        在確定模型參數(shù)后,可采用代理模型代替原車-橋耦合動力方程的求解過程,來進(jìn)行MCS 模擬,統(tǒng)計(jì)響應(yīng)的概率分布等信息,具體的分析步驟如下(見圖3):

        圖3 PC-ARAMX 模型流程圖Fig. 3 Flowchart of PC-ARMAX model

        第一步,確定車-橋系統(tǒng)中隨機(jī)變量的分布類型,本文的隨機(jī)變量均考慮為高斯分布,進(jìn)一步在隨機(jī)參數(shù)均值的基礎(chǔ)上確定變異系數(shù);

        第二步,根據(jù)不同車輛隨機(jī)參數(shù)對應(yīng)的概率分布類型(本文參數(shù)服從高斯分布)和取值區(qū)間,采用等差值取值方法得到K個(gè)隨機(jī)車輛參數(shù),再通過車-橋耦合振動分析模型計(jì)算得到K個(gè)車-橋時(shí)域樣本,包含軌道不平順輸入時(shí)程、隨機(jī)變量參數(shù)以及加速度、位移等響應(yīng)時(shí)程,得到的K個(gè)樣本為代理模型的訓(xùn)練樣本;通過ARMAX 模型對K個(gè)樣本進(jìn)行訓(xùn)練,以確定式(4)中模型的參數(shù)ak(ξ)、bk(ξ)和ck(ξ),訓(xùn)練中迭代搜索算法為LM最小二乘法,針對模型的多項(xiàng)式階次和時(shí)間滯,先通過輸入和輸出的相關(guān)性[15]確定初始值,再采用試算法進(jìn)行參數(shù)的微調(diào),直到滿足迭代終止條件(MSE[19]≤5×10-6和FPE[20]≤5×10-8);

        第三步,確定PC 項(xiàng)的參數(shù),如最大基函數(shù)階數(shù)、基函數(shù)形式等,本文考慮的隨機(jī)變量均為高斯分布,因此,正交多項(xiàng)式也均為Hermite多項(xiàng)式;通過式(11)得到PC-ARMAX 模型的參數(shù)θ;

        第四步,利用抽樣方法,如隨機(jī)抽樣、拉丁超立方抽樣法[25]等,得到滿足隨機(jī)變量參數(shù)概率分布類型和取值區(qū)間的N個(gè)樣本點(diǎn),進(jìn)一步通過第三步得到的參數(shù)θ、式(9)和式(6)對車-橋系統(tǒng)的響應(yīng)進(jìn)行預(yù)測;對于預(yù)測得到的N個(gè)車-橋響應(yīng)樣本,進(jìn)行后處理,并與MCS 的計(jì)算結(jié)果進(jìn)行對比,以評價(jià)代理模型的預(yù)測性能。

        3 結(jié)果分析

        車輛運(yùn)行和橋梁服役過程中,隨機(jī)系統(tǒng)參數(shù)會對列車響應(yīng)產(chǎn)生不同程度的影響,但橋梁隨機(jī)參數(shù)對列車響應(yīng)的影響相對較小[11,26],因此,本節(jié)忽略了橋梁參數(shù)的影響,僅分析討論車輛參數(shù)不確定性的影響。已有研究表明[8,27]:列車模型一系懸掛系統(tǒng)對車體垂向加速度影響較小,而二系懸掛系統(tǒng)對車體垂向加速度占主要影響,因此在后續(xù)分析中主要考慮車體質(zhì)量、二系垂向剛度和二系垂向阻尼參數(shù)的隨機(jī)性對車體垂向加速度的影響。車輛模型采用CRH 型動車組,考慮的隨機(jī)參數(shù)如表2 所示。采用2×(動+動+動+拖)的8 節(jié)編組,其中動車和拖車的參數(shù)簡化為相同,且8 節(jié)車廂的參數(shù)隨機(jī)性一致,運(yùn)行速度為200 km/h;德國低干譜運(yùn)用廣泛,且計(jì)算結(jié)果偏安全[28],本文選用德國低干譜來模擬軌道不平順樣本,模擬方法為AR 法[15],空間步長為0.2 m。

        表2 主要列車參數(shù)Table 2 Main parameters of train

        3.1 車輛隨機(jī)參數(shù)的影響

        針對較為復(fù)雜的車-橋耦合系統(tǒng),通過等差值取值方法得到17 個(gè)車-橋樣本作為PC-ARMAX 模型的訓(xùn)練樣本,模型訓(xùn)練時(shí)參數(shù)迭代搜索算法設(shè)定為LM 最小二乘法,最大迭代次數(shù)為200,混沌多項(xiàng)式最大階次為6,在滿足迭代終止條件(MSE和FPE)后完成訓(xùn)練,此時(shí)確定的模型參數(shù)na=4,nb=5,nc=2,nk=0;利用訓(xùn)練好的PC-ARMAX 模型進(jìn)一步對車-橋系統(tǒng)響應(yīng)進(jìn)行預(yù)測,預(yù)測樣本數(shù)量為104,并和MCS 的結(jié)果進(jìn)行對比以驗(yàn)證代理模型的預(yù)測精度。為突出列車參數(shù)不確定性的影響,先忽略了軌道不平順隨機(jī)性的影響,不同訓(xùn)練樣本和預(yù)測樣本采用的軌道不平順相同,部分ARMAX 模型參數(shù)隨車體質(zhì)量變化的規(guī)律如圖4所示,可以看出代理模型的參數(shù)較大時(shí)隨車體質(zhì)量的變化規(guī)律較明顯,呈現(xiàn)一定的單調(diào)性;而在較小時(shí)則存在一定的波動,這會影響PC-ARMAX模型參數(shù)的估計(jì)準(zhǔn)確性,從而影響模型的預(yù)測精度。

        圖4 ARMAX 模型參數(shù)Fig. 4 The parameters of ARMAX model

        圖5 給出了車體質(zhì)量為37.712 t 時(shí),PC-ARMAX模型對車體加速度的預(yù)測值與MCS 結(jié)果的時(shí)程對比曲線和誤差曲線,可以看出所采用的代理模型能較為精確的對車體加速度進(jìn)行預(yù)測,即使是對于工程應(yīng)用中較為關(guān)注的響應(yīng)最大值,最大的預(yù)測誤差僅為2%。為了進(jìn)一步對提出代理模型的整體預(yù)測性能進(jìn)行評價(jià),圖6 給出了兩種計(jì)算方法得到的104個(gè)樣本的最大加速度值的超越概率曲線,由圖6 可以看出,除了在尾部有較小的波動外,預(yù)測值和目標(biāo)值的結(jié)果是一致的,這表明本文提出的PC-ARMAX 代理模型適用于車-橋耦合系統(tǒng)的參數(shù)不確定性分析。在計(jì)算效率方面,利用MCS 計(jì)算一個(gè)樣本的平均時(shí)間為36.4 s,而PC-ARMAX 模型訓(xùn)練一個(gè)樣本的時(shí)間約為1.5 s,預(yù)測時(shí)間為0.05 s,由此可得出,在最大預(yù)測誤差僅為2%的情況下,所提出方法的計(jì)算效率較MCS提高了2 個(gè)~3 個(gè)數(shù)量級。

        圖5 車體加速度時(shí)程和誤差曲線Fig. 5 Time history of vehicle body acceleration and errors

        圖6 車體加速度超越概率曲線Fig. 6 Exceeding probability of acceleration with random car body mass

        為了分析不同隨機(jī)參數(shù)對PC-ARMAX 模型預(yù)測性能的影響,圖7 給出了車體質(zhì)量、二系剛度和二系阻尼這三個(gè)參數(shù)隨機(jī)時(shí),車體加速度預(yù)測值最大值和目標(biāo)值最大值的對比結(jié)果,圖8 給出了對應(yīng)的預(yù)測值和目標(biāo)值概率密度函數(shù)對比結(jié)果。由圖7 和圖8 可以得出,代理模型對于車-橋耦合系統(tǒng)不同隨機(jī)參數(shù)都有較高的預(yù)測精度,預(yù)測值和目標(biāo)值的結(jié)果較為接近;PC-ARMAX 模型對不同隨機(jī)參數(shù)的預(yù)測性能有差異,對于二系剛度隨機(jī)時(shí)的預(yù)測精度最高,車體質(zhì)量隨機(jī)時(shí)的精度最差,但整體上差異較小。不同隨機(jī)參數(shù)對車-橋系統(tǒng)的影響存在差異,車體質(zhì)量隨機(jī)的影響最大,二系剛度隨機(jī)時(shí)影響最小,這和文獻(xiàn)[8]的結(jié)論是一致的;二系剛度隨機(jī)時(shí)引起的車體加速度相對差異達(dá)到了16.6%,表明在車-橋耦合振動分析時(shí)考慮結(jié)構(gòu)參數(shù)的隨機(jī)性是很有必要的。

        圖7 不同參數(shù)隨機(jī)時(shí)車體加速度最大值對比Fig. 7 Maximum absolute values of acceleration with different random parameters

        為了進(jìn)一步研究PC-ARMAX 模型用于車-橋系統(tǒng)參數(shù)不確定性分析時(shí)的總體和局部預(yù)測性能,對預(yù)測得到的104個(gè)樣本進(jìn)行分析,得到了NRMSE和NMAE,其計(jì)算公式為:

        圖9 給出了104個(gè)樣本的NRMSE 和NMAE 的框圖,可以看出,提出的代理模型的預(yù)測精度較高,其中對二系剛度隨機(jī)時(shí)的預(yù)測性能相對較好,但三個(gè)隨機(jī)參數(shù)的差別不大,這與圖7 和圖8得出的結(jié)論是一致的。

        圖8 不同參數(shù)隨機(jī)時(shí)車體加速度概率密度函數(shù)Fig. 8 PDFs of acceleration with different random parameters

        圖9 不同參數(shù)隨機(jī)時(shí)車體加速度的NRMSE 和NMAEFig. 9 NRMSE and NMAE of acceleration with different random parameters

        3.2 隨機(jī)激勵(lì)和隨機(jī)車輛參數(shù)共同影響

        軌道不平順作為隨機(jī)過程,是車-橋系統(tǒng)的主要激勵(lì),使得車-橋系統(tǒng)的動力響應(yīng)表現(xiàn)出很強(qiáng)的隨機(jī)性[29-30]。實(shí)際工程中,參數(shù)隨機(jī)通常伴隨著隨機(jī)軌道不平順同時(shí)出現(xiàn),同時(shí)考慮系統(tǒng)參數(shù)不確定性和軌道不平順隨機(jī)性的影響是必要的。

        為了研究隨機(jī)激勵(lì)和隨機(jī)車輛參數(shù)共同作用時(shí)PC-ARMAX 模型的適用性,圖10 給出了考慮軌道不平順和車體質(zhì)量參數(shù)同時(shí)隨機(jī)時(shí)車體加速度最大值的對比結(jié)果,圖11 給出了只考慮參數(shù)隨機(jī)時(shí)和同時(shí)考慮激勵(lì)和參數(shù)隨機(jī)時(shí)的概率密度函數(shù)對比。

        圖10 考慮激勵(lì)和車體質(zhì)量隨機(jī)時(shí)車體加速度最大值對比Fig. 10 Maximum absolute values of acceleration with different random excitations and car body mass

        由圖10 可得,在同時(shí)考慮激勵(lì)和車輛參數(shù)隨機(jī)時(shí),仍然能獲得較好的預(yù)測精度,表明本文提出的模型可較好的適用于隨機(jī)車-橋耦合系統(tǒng)分析。由圖11 結(jié)合圖10 和圖7 可知,在考慮隨機(jī)軌道不平順后,預(yù)測精度略微降低,但車體加速度響應(yīng)的變化范圍也更大,與不考慮軌道不平順隨機(jī)性相比,增大了72.2%。因此軌道不平順和車-橋系統(tǒng)參數(shù)不確定性的影響都不可忽略,車-橋耦合振動分析中應(yīng)同時(shí)考慮兩者的隨機(jī)性。

        圖11 只考慮參數(shù)隨機(jī)和同時(shí)考慮參數(shù)和激勵(lì)隨機(jī)的概率密度函數(shù)Fig. 11 PDFs of acceleration with only random parameters and both random excitations and random mass

        4 結(jié)論

        本文提出了可考慮動態(tài)時(shí)變系統(tǒng)的參數(shù)不確定性的PC-ARMAX 模型,將該代理模型用于車-橋耦合系統(tǒng)的參數(shù)不確定性研究,分析了車體質(zhì)量、二系豎向剛度和二系豎向阻尼等參數(shù)不確定性對車體加速度響應(yīng)的影響,進(jìn)一步考慮了不同隨機(jī)參數(shù)對提出模型預(yù)測精度的影響。得到以下結(jié)論:

        (1)提出的PC-ARMAX 模型可代替車-橋系統(tǒng)動力方程的求解過程,實(shí)現(xiàn)不確定性傳遞的解耦,且對每個(gè)樣本的預(yù)測誤差均小于2%,與蒙特卡洛模擬(MCS)的結(jié)果吻合較好,且計(jì)算效率提高了2 個(gè)~3 個(gè)數(shù)量級,也可同時(shí)考慮不確定性參數(shù)與隨機(jī)激勵(lì)的影響。

        (2)不同隨機(jī)參數(shù)對車輛響應(yīng)有不同程度的影響,車體質(zhì)量參數(shù)隨機(jī)的影響最大,隨機(jī)參數(shù)的影響在車-橋耦合振動分析中不可忽略。同時(shí)考慮軌道不平順和車輛參數(shù)隨機(jī)性,預(yù)測精度仍然較高,且車體加速度的變化范圍增大了72.2%。

        猜你喜歡
        影響模型系統(tǒng)
        一半模型
        Smartflower POP 一體式光伏系統(tǒng)
        是什么影響了滑動摩擦力的大小
        哪些顧慮影響擔(dān)當(dāng)?
        WJ-700無人機(jī)系統(tǒng)
        ZC系列無人機(jī)遙感系統(tǒng)
        北京測繪(2020年12期)2020-12-29 01:33:58
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
        連通與提升系統(tǒng)的最后一塊拼圖 Audiolab 傲立 M-DAC mini
        3D打印中的模型分割與打包
        人妻风韵犹存av中文字幕 | 国产福利一区二区三区在线观看| 精品三级久久久久久久电影| 3亚洲日韩在线精品区| 久久精品国产亚洲av天美| 亚洲爆乳无码专区www| 久久久精品人妻一区二区三区| 欧美亚洲韩国国产综合五月天| 国产精品午夜福利天堂| 亚洲av天堂免费在线观看| 精品少妇人妻av一区二区| 日本韩国一区二区三区| 亚洲在中文字幕乱码熟女| 亚洲av成人一区二区三区本码| 久久露脸国产精品| 亚洲精品国产国语| 成a人片亚洲日本久久| 国产亚州精品女人久久久久久| 孩交精品xxxx视频视频| 国色天香精品亚洲精品| 成熟的女人毛茸茸色视频| 18禁黄网站禁片免费观看女女| 极品熟妇大蝴蝶20p| 亚洲国产av自拍精选| 大陆老熟女自拍自偷露脸| 久久亚洲精品无码va白人极品| 亚洲午夜福利精品久久| 隔壁人妻欲求不满中文字幕| 国产成人综合美国十次| 麻豆国产成人av高清在线观看| 久久精品国产亚洲av麻豆四虎| 中文字幕亚洲视频一区| 日本japanese丰满多毛| 亚洲中文字幕在线一区二区三区| 人妻中文字幕一区二区三区| 精品久久久久久无码专区| 国产微拍精品一区二区| 亚洲日本精品一区久久精品| 中文字幕人妻少妇伦伦| 四川老熟妇乱子xx性bbw| 国产成人亚洲欧美三区综合|