2024深圳杯(东三省)数学建模挑战赛D题:音板的振动模态分析与参数识别思路代码成品论文分析


更新完整代码和成品完整论文

《2024深圳杯&东三省数学建模思路代码成品论文》↓↓↓

https://www.yuque.com/u42168770/qv6z0d/zx70edxvbv7rheu7?singleDoc#
请添加图片描述

问题重述
深圳杯(东三省)数学建模挑战赛2024D题:音板的振动模态分析与参数识别
音乐来自乐器,乐器产生于制造,而制造需要数理逻辑。
在20世纪末,我国就已经形成了较为完整的乐器工业生产体系,基本可以加工世界上所有大类乐器,门类齐全,品种众多。其中,在弦乐器(例如钢琴、小提琴、吉他、二胡等)的生产过程中,音板是决定乐器音色质量的重要部件。由于弦的振动所辐射的声能量效率很低,因此琴弦通常需要带动音板振动,以提高其声能量辐射效率。音板是连续弹性薄板,受到琴弦的激励后会产生更多的振动模态,从而产生更丰富美妙的谐音。
弹性板的振动模态包含振动频率、振型等,分别是弹性算子(偏微分算子)的特征值的虚部和相应的特征向量。音板的振动模态与其几何形状和厚度,所选材质的密度、杨氏模量、剪切模量、泊松比等密切相关。本题聚焦于乐器音板的振动模态研究,要求参赛队收集常见乐器制作所用木材、金属、或某类型复合材料和新型材料的振动力学参数资料,建立数学模型,研究如下问题:
问题1 考虑具有自由边界条件的方形均质音板,建立音板的振动数学模型,计算并对比大小一致材质不同的音板频率在2000 Hz范围内相应振动模态的频率和振型:云杉木材,某类型常用金属、某类型高新复合材料和新型材料。
问题2 选择一种特定的云杉木材来制作一块厚度非均匀,且具有一定弯曲度的薄音板(具自由边界条件)。建立音板的振动数学模型,并计算附件里图所示轮廓的木材音板在2000 Hz的范围内相应振动模态的频率和振型。
问题3 附件给出了通过特殊设备获得的某种具有自由边界条件非均质音板的5个模态情况,包括从小到大排列的5个振动频率和对应的振型图。图的颜色相同的地方代表振动方向一致,红、黄色代表该处向上振动,蓝色、绿色代表该处向下振动,暖色或冷色越深代表振动幅度越大。它们是动态曲面函数在这些振动频率上的单位范数分解,即
在这里插入图片描述

其中频率从小到大排列,理论上有无限多个,函数是对应的振型,它的平方在参考平面区域的积分等于1。根据附件给出的5个频率对应的振型图描述振型函数
问题4 对附件给出的振型图轮廓形状的自由振动非均质音板,确定它的物理和厚度参数(可能随平面位置变化),使得它的前5个模态最接近附件给出的模态信息。对其制造材质选择给出建议。

问题1:音板的振动属于典型的二维弹性薄板振动问题,可以用四阶偏微分方程描述:
∂ 4 w ∂ x 4 + 2 ∂ 4 w ∂ x 2 ∂ y 2 + ∂ 4 w ∂ y 4 = ρ h D ∂ 2 w ∂ t 2 \frac{\partial^4w}{\partial x^4}+2\frac{\partial^4w}{\partial x^2\partial y^2}+\frac{\partial^4w}{\partial y^4}=\frac{\rho h}{D}\frac{\partial^2w}{\partial t^2} x44w+2x2y24w+y44w=Dρht22w
其中, w ( x , y , t ) w(x,y,t) w(x,y,t) 是音板在位置 ( x , y ) (x,y) (x,y) 和时刻 t t t 的振动位移, ρ \rho ρ 是密度, h h h 是厚度, D D D 是音板的弯曲刚度,与杨氏模量 E E E 和泊松比 ν \nu ν 有关: D = E h 3 12 ( 1 − ν 2 ) D=\frac{Eh^3}{12(1-\nu^2)} D=12(1ν2)Eh3 。求解这个偏微分方程,需要根据音板的边界条件给出适当的边界约束。本题中音板采用自由边界条件,即四周边缘的弯矩和剪力都为零。在此条件下,可以用分离变量法假设 w ( x , y , t ) = W ( x , y ) T ( t ) w(x,y,t)=W(x,y)T(t) w(x,y,t)=W(x,y)T(t) ,得到空间项 W ( x , y ) W(x,y) W(x,y) 所满足的频率方程:
∂ 4 W ∂ x 4 + 2 ∂ 4 W ∂ x 2 ∂ y 2 + ∂ 4 W ∂ y 4 = k 4 W \frac{\partial^4W}{\partial x^4}+2\frac{\partial^4W}{\partial x^2\partial y^2}+\frac{\partial^4W}{\partial y^4}=k^4W x44W+2x2y24W+y44W=k4W
再结合自由边界条件,频率方程可以解析求解,得到一系列本征频率 k m n k_{mn} kmn 和对应的本征函数 W m n ( x , y ) W_{mn}(x,y) Wmn(x,y) ,即音板的固有频率和振型。对于矩形板,频率和振型有显式解:
k m n = π m 2 a 2 + n 2 b 2 k_{mn}=\pi\sqrt{\frac{m^2}{a^2}+\frac{n^2}{b^2}} kmn=πa2m2+b2n2
W m n ( x , y ) = sin ⁡ m π x a sin ⁡ n π y b W_{mn}(x,y)=\sin\frac{m\pi x}{a}\sin\frac{n\pi y}{b} Wmn(x,y)=sinaxsinby
其中 m , n = 1 , 2 , ⋯ m,n=1,2,\cdots m,n=1,2, 表示振动模态的阶数, a , b a,b a,b 分别是矩形板的长和宽。将频率表达式代入频率方程,可以得到频率与材料参数的关系:
f m n = k m n 2 2 π D ρ h = π 2 ( m 2 a 2 + n 2 b 2 ) E h 2 12 ρ ( 1 − ν 2 ) f_{mn}=\frac{k_{mn}^2}{2\pi}\sqrt{\frac{D}{\rho h}}=\frac{\pi}{2}\left(\frac{m^2}{a^2}+\frac{n^2}{b^2}\right)\sqrt{\frac{Eh^2}{12\rho(1-\nu^2)}} fmn=2πkmn2ρhD =2π(a2m2+b2n2)12ρ(1ν2)Eh2
这个公式反映了音板的固有频率与其尺寸、材料属性之间的依赖关系。对于任意形状的音板,频率方程难以解析求解,需要用数值方法如有限元法(FEM)离散化求解。FEM的基本思想是将连续区域划分为若干离散单元,在单元上用简单插值函数近似未知函数,代入控制方程得到线性方程组,再组装整体矩阵求解。以二维四边形单元为例,音板区域被网格化为若干互不重叠的四边形网格,每个网格节点都有三个自由度:位移 w w w 及其两个旋转分量 θ x = ∂ w / ∂ y , θ y = − ∂ w / ∂ x \theta_x=\partial w/\partial y, \theta_y=-\partial w/\partial x θx=w/y,θy=w/x 。这样,单元上的位移函数可以用节点自由度的线性组合来插值逼近:
w ( x , y ) = [ N 1 ( x , y ) N 2 ( x , y ) ⋯ N 12 ( x , y ) ] { w 1 θ x 1 θ y 1 w 2 ⋯ θ y 4 } T w(x,y)=[N_1(x,y) \, N_2(x,y) \, \cdots \, N_{12}(x,y)] \{ w_1 \, \theta_{x1} \, \theta_{y1} \, w_2 \, \cdots \,\theta_{y4}\}^T w(x,y)=[N1(x,y)N2(x,y)N12(x,y)]{w1θx1θy1w2θy4}T
其中 N i ( x , y ) N_i(x,y) Ni(x,y) 是形函数,通常取双线性或双二次函数。由虚功原理,频率方程可以等价为一个广义特征值问题:
( K − ω 2 M ) W = 0 (K-\omega^2M)W=0 (Kω2M)W=0
其中,总刚度矩阵 K K K 和总质量矩阵 M M M 是由各单元的刚度矩阵和质量矩阵组装而成。求解这个特征值问题,就得到了系统的固有频率 ω \omega ω 及其振型向量 W W W 。对不同材料的音板重复上述有限元分析,就可以比较其模态特性的差异。值得注意的是,在对比分析中要保证网格划分的一致性,排除网格效应的影响。此外,单元的形状、大小、插值阶数也会影响计算精度,需要合理选取。必要时还可以用自适应网格细化的策略,在应力梯度大的区域实现网格加密。

问题2:对于给定轮廓形状和厚度分布的非均质薄板,有限元建模的关键是如何选取合适的单元类型和插值函数,以平衡计算精度和效率。对于平面内有曲边、孔洞等复杂结构的薄板,可以采用非结构网格如三角形单元,在保证网格质量的同时最大限度地贴合边界。对于板的厚度变化,可以通过在板的横截面方向引入高次插值capture厚度分布,常用20节点或32节点的二次锁紧场单元。对于存在较大弯曲变形的区域,还需考虑平面应力单元向曲面壳单元的过渡,可以在过渡区引入p型自适应单元,实现网格的柔性连接。非均质性主要体现在不同位置处材料属性的空间变化,可以用分片连续函数描述,在单元上用插值函数逼近。如果材料梯度连续变化,还可以将其转化为连续场变量,与位移场类似处理。总之,对于形状、厚度、材料复杂多变的薄板,有限元法是一种灵活、强大的数值求解工具,但在实际建模中需要根据具体问题合理选择单元类型、网格划分和插值方式,并在计算结果中审慎分析网格相关的误差和震荡,以确保模态分析的可靠性。

问题3:根据频率和振型反演薄板的材料和结构参数,是一个典型的反问题。这里已知部分低阶固有频率和振型数据,而薄板的材料属性(如杨氏模量、密度、厚度分布)未知,需要通过某种优化方法求解,使得相应的正问题结果与观测数据尽量吻合。数学上,这可以表述为一个参数识别型反问题:
min ⁡ α J ( α ) = 1 2 ∑ i = 1 N ( ω i ( α ) − ω ~ i ) 2 + β 2 ∑ i = 1 N ∥ W i ( α ) − W ~ i ∥ 2 \min\limits_{\alpha} J(\alpha)=\frac{1}{2}\sum\limits_{i=1}^N\left(\omega_i(\alpha)-\tilde{\omega}_i\right)^2+\frac{\beta}{2}\sum\limits_{i=1}^N\lVert W_i(\alpha)-\tilde{W}_i \rVert^2 αminJ(α)=21i=1N(ωi(α)ω~i)2+2βi=1NWi(α)W~i2
其中, α \alpha α 表示反演参数, ω i ( α ) , W i ( α ) \omega_i(\alpha),W_i(\alpha) ωi(α),Wi(α) 是对应参数的第 i i i 阶频率和振型, ω ~ i , W ~ i \tilde{\omega}_i,\tilde{W}_i ω~i,W~i 是相应的观测值, β \beta β 是频率项和振型项之间的权重因子, N N N 是观测模态的阶数,这里 N = 5 N=5 N=5 。这个反问题的数学本质是最小化理论结果与实验数据之间的加权残差平方和,以 α \alpha α 为优化变量,以 J ( α ) J(\alpha) J(α) 为目标函数。求解这个优化问题,可以用梯度类方法如最速下降法、牛顿法、共轭梯度法等,也可以用无梯度的直接搜索方法或启发式优化算法。以最速下降法为例,反演参数沿负梯度方向更新:
α ( k + 1 ) = α ( k ) − η k ∇ J ( α ( k ) ) \alpha^{(k+1)}=\alpha^{(k)}-\eta_k \nabla J(\alpha^{(k)}) α(k+1)=α(k)ηkJ(α(k))
其中 k k k 为迭代步数, η k \eta_k ηk 为步长因子,梯度 ∇ J ( α ) \nabla J(\alpha) J(α) 可以用伴随状态法高效计算。当目标函数或梯度范数小于给定阈值,或迭代步数达到设定值时,优化过程终止,此时的 α \alpha α 即为反演结果。在实际计算中,要注意目标函数可能有多个局部极小值,导致优化误入歧途。为此,可以采用一些全局优化策略,如模拟退火、遗传算法等,从多个初值开始搜索,跳出局部最优。此外,反问题还可能不适定,对观测数据和初值较为敏感。为了提高反演结果的稳定性,可以在目标函数中引入正则化项,如参数的先验分布、空间光滑性约束等,或者用贝叶斯框架对不确定性进行定量刻画。这些都是反问题数值求解中的常用技巧。

问题4:根据所给的五阶固有频率和振型数据,反演音板的物理参数和厚度分布,可以采用问题3的思路,构建参数识别反问题并用数值优化方法求解。以均质板为例,反演参数可取为 α = { E , ρ , h ( x , y ) } \alpha=\{E,\rho,h(x,y)\} α={E,ρ,h(x,y)} ,即杨氏模量、密度和厚度分布函数。其中, E E E ρ \rho ρ 可假设为常数, h ( x , y ) h(x,y) h(x,y) 可用分片低阶多项式函数或径向基函数等参数化表示。反演过程就是调整这些参数,使得正问题有限元计算得到的固有频率 ω i \omega_i ωi 和振型 W i W_i Wi 与观测值最佳拟合。这里的关键是设计合理的参数化策略,在减少优化变量的同时又能准确刻画厚度分布。例如,可以根据振型的节线分布,在板上布置少量的厚度控制点,然后用样条函数插值生成连续的厚度分布曲面。或者用神经网络等机器学习方法,通过拟合已知振型数据得到厚度分布的近似表达。这样可以大大降低优化问题的维数,提高反演效率和稳定性。对复合材料等非均质板,还需要考虑材料参数的空间变化,反演难度更大。但基本思路仍是将材料和几何参数一起作为优化变量,在相对于正问题求解的反复迭代中同时识别。值得注意的是,由于观测数据有限(只有5阶模态),反演结果的唯一性和准确性可能不够理想。为了提高反演精度,一方面要合理选取反演参数,尽量降低优化问题的病态性;另一方面要充分利用先验知识,在参数空间中设置物理约束,排除虚假的数值解。例如,可以根据板的制作工艺,对杨氏模量、密度取值范围进行限制;根据板的外形轮廓,对厚度分布施加边界条件;利用不同材料的振动性能数据,对参数反演结果进行交叉验证,等等。总之,要将观测信息、物理规律、工程经验有机结合,构建适定、稳健、高效的反问题求解策略。这对振动反问题的工程应用具有重要指导意义。

除了以上基于优化的反演方法,还可以考虑其他一些反问题求解思路。例如,可以用机器学习的方法,离线生成大量正问题数据,建立参数到频率/振型的映射关系,然后用观测数据直接预测材料和厚度参数。或者用概率统计的方法,根据参数的先验分布和观测数据的似然函数,计算参数的后验分布,给出概率意义下的反演结果。再或者用interval analysis的方法,考虑观测数据的误差边界,计算参数的可能取值区间,开展不确定性分析。这些都是当前反问题研究的热点方向。实际应用中,可以根据问题的特点和数据的性质,灵活选择适当的反演方法。比如,当数据量很大时,机器学习可能是较好的选择;当观测信息不完备时,概率方法可以提供更多信息;当测量误差较大时,区间方法可以给出更可靠的不确定性估计。这需要分析问题的机理,权衡计算成本和精度,进行反复试错和比较。无论采用何种方法,反演结果的可解释性和物理合理性都是必须考虑的因素。要尽可能利用领域知识对反演结果进行解释和评估,分析其内在机理和局限性,为工程决策提供有价值的参考。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://xiahunao.cn/news/2980720.html

如若内容造成侵权/违法违规/事实不符,请联系瞎胡闹网进行投诉反馈,一经查实,立即删除!

相关文章

Docker常用命令(镜像、容器、网络)

一、镜像 1.1 存出镜像 将镜像保存成为本地文件 格式&#xff1a;docker save -o 存储文件名 存储的镜像docker save -o nginx nginx:latest 1.2 载入镜像 将镜像文件导入到镜像库中 格式&#xff1a;docker load < 存出的文件或docker load -i 存出的文件…

WordPress自动采集发布AutoPostPro汉化版插件

WP-AutoPostPro 是一款极为出色的WordPress自动采集发布插件&#xff0c;其显著优势在于能够从任何网站抓取内容并自动将其发布到你的WordPress网站上。它实现了对任何网页内容的自动采集和发布&#xff0c;整个采集过程完全自动化&#xff0c;无需手动操作。 项 目 地 址 &…

Docker学习(二十五)构建 Arthas 基础镜像

目录 一、简介二、构建基础镜像2.1 下载 Arthas2.2 编写 Dockerfile2.3 构建镜像2.4 创建容器2.5 测试 一、简介 Arthas 是一款由 阿里巴巴 开发的 线上监控诊断工具。通过全局视角实时查看应用负载、内存、GC、线程等信息&#xff0c;能在不修改代码的情况下&#xff0c;对业…

【结构型模型】享元模式

一、享元模式概述 享元模式定义&#xff1a;又叫蝇量模式&#xff0c;运用共享技术有效地支持大量细粒度对象的复用。系统只使用少量的对象&#xff0c;而这些对象都很相似&#xff0c;状态变化很小&#xff0c;可以实现对象的多次复用。由于享元模式要求能够共享的对象必须是细…

Microsoft SPY++ 使用教程及实操

Spy介绍 Spy (SPYXX.EXE) 是一个基于 Win32 的实用工具&#xff0c;提供系统进程、线程、窗口和窗口消息的图形视图。 Spy 有两个版本 第一个版本&#xff0c;名为 Spy (spyxx.exe)&#xff0c;用于显示发送到在 32 位进程中运行的窗口的消息。 例如&#xff0c;在 32 位进程…

立即刷新导致请求的response没有来得及加载造成的this request has no response data available

1、前端递归调用后端接口 const startProgress () > {timer.value setInterval(() > {if (progress.value < 100) {time.value--;progress.value Math.ceil(100 / wait_time.value);} else {clearInterval(timer.value);progress.value 0;timer.value null;time.…

设计模式-00 设计模式简介之几大原则

设计模式-00 设计模式简介之几大原则 本专栏主要分析自己学习设计模式相关的浅解&#xff0c;并运用modern cpp 来是实现&#xff0c;描述相关设计模式。 通过编写代码&#xff0c;深入理解设计模式精髓&#xff0c;并且很好的帮助自己掌握设计模式&#xff0c;顺便巩固自己的c…

【UE5.1 C++】VS2022下载安装

目录 步骤 一、Visual Studio下载安装 二、Visual Studio Integration Tool插件安装 先看一下UE和VS的兼容性 &#xff08;虚幻5&#xff1a;为虚幻引擎C项目设置Visual Studio开发环境&#xff09; &#xff08;虚幻4&#xff1a;设置虚幻引擎的Visual Studio&#xff0…

Cloudera最新认证体系-2024Hadoop认证

这里写自定义目录标题 欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题&#xff0c;有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants 创建一个自定义列表如何创建一个…

Golang基础3-函数、nil相关

函数 需要声明原型支持不定参数 func sum(numbers ...int)int支持返回多值支持递归支持命名返回参数 // 命名返回参数 func add(a, b int) (sum int) {sum a breturn // 这里不需要显式地写出返回值&#xff0c;因为已经在函数签名中声明了命名返回参数 } 支持匿名函数、闭包…

【刷题】前缀和入门

送给大家一句话&#xff1a; 既然已经做出了选择&#xff0c;最好还是先假定自己是对的。焦虑未来和后悔过去&#xff0c;只经历一个就够了。 – 张寒寺 《不正常人类症候群》 ☆ミヾ(∇≦((ヾ(≧∇≦)〃))≧∇)ノ彡☆ ☆ミヾ(∇≦((ヾ(≧∇≦)〃))≧∇)ノ彡☆ ☆ミヾ(∇≦((ヾ…

信息系统项目管理师0064:软件实现(5信息系统工程—5.1软件工程—5.1.4软件实现)

点击查看专栏目录 文章目录 5.1.4软件实现1.软件配置管理2.软件编码3.软件测试记忆要点总结5.1.4软件实现 1.软件配置管理 软件配置管理通过标识产品的组成元素、管理和控制变更、验证、记录和报告配置信息,来控制产品的演进和完整性。软件配置管理与软件质量保证活动密切相关…

关于Domain的查询命令

dig: 用来执行DNS查询&#xff0c;可以获取指定域名的所有类型的DNS记录。对网络管理员和开发人员尤其有用。 host: 一个简化版的DNS查询工具&#xff0c;适合快速查询域名的IP地址或某种类型的DNS记录。 nslookup: 另一个DNS查询工具&#xff0c;既支持交互模式也支持命令行模…

简单谈谈URL过滤在网络安全中的作用

用户花在网络上的时间越来越多&#xff0c;浏览他们最喜欢的网站&#xff0c;点击电子邮件链接&#xff0c;或利用各种基于网络的 SaaS 应用程序供个人和企业使用。虽然这种不受约束的网络活动对提高企业生产力非常有用&#xff0c;但也会使组织面临一系列安全和业务风险&#…

线性代数 --- 矩阵的对角化以及矩阵的n次幂

矩阵的对角化以及矩阵的n次幂 &#xff08;特征向量与特征值的应用&#xff09; 前言&#xff1a; 在上一篇文章中&#xff0c;我记录了学习矩阵的特征向量和特征值的学习笔记&#xff0c;所关注的是那些矩阵A作用于向量x后&#xff0c;方向不发生改变的x(仅有尺度的缩放)。线…

面试ssss

响应式布局 响应式布局是一种设计和开发网页的方法&#xff0c;使网页能够适应不同的设备和屏幕尺寸&#xff0c;提供更好的用户体验。它通过使用媒体查询&#xff08;Media Queries&#xff09;和弹性布局&#xff08;Flexbox&#xff09;等技术&#xff0c;根据设备的特性和…

SSH Key生成

天行健&#xff0c;君子以自强不息&#xff1b;地势坤&#xff0c;君子以厚德载物。 每个人都有惰性&#xff0c;但不断学习是好好生活的根本&#xff0c;共勉&#xff01; 文章均为学习整理笔记&#xff0c;分享记录为主&#xff0c;如有错误请指正&#xff0c;共同学习进步。…

代码随想录算法训练营DAY32|C++贪心算法Part.2|122.买卖股票的最佳时机II、55.跳跃游戏、45.跳跃游戏II

文章目录 122.买卖股票的最佳时机II思路CPP代码 55.跳跃游戏思路CPP代码 45.跳跃游戏II思路方法一代码改善 CPP代码 122.买卖股票的最佳时机II 力扣题目链接 文章讲解&#xff1a;122.买卖股票的最佳时机II 视频讲解&#xff1a; 状态&#xff1a;本题可以用动态规划&#xff0…

构建NodeJS库--前端项目的打包发布

1. 前言 学习如何打包发布前端项目&#xff0c;需要学习以下相关知识&#xff1a; package.json 如何初始化配置&#xff0c;以及学习npm配置项&#xff1b; 模块类型type配置&#xff0c; 这是nodejs的package.json的配置main 入口文件的配置 webpack 是一个用于现代 JavaSc…

Linux加强篇-存储结构与管理硬盘(一)

目录 ⛳️推荐 从“/”开始 物理设备命名规则 文件系统与数据资料 ⛳️推荐 前些天发现了一个巨牛的人工智能学习网站&#xff0c;通俗易懂&#xff0c;风趣幽默&#xff0c;忍不住分享一下给大家。点击跳转到网站 从“/”开始 Linux系统中一切都是文件&#xff0c;都是从“…