【JY】结构瑞利阻尼与经济订货模型

2023-10-29 17:10

本文主要是介绍【JY】结构瑞利阻尼与经济订货模型,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

不等待

即关注

简介

    瑞利阻尼是学习《结构动力学》多自由度振动必不可少的学习内容,而经济订货模型(EOQ)是经济学中《财务管理》比较关键的内容,八竿子打不着的他们,二者有什么相似呢?

    首先,先科普下经济订货模型 (EOQ),即 Economic Order Quantity 是固定订货批量模型的一种,可以用来确定企业一次订货(外购或自制)的数量。当企业按照经济订货批量来订货时,可实现订货成本和储存成本之和最小化。

    经济订货批量模型是目前大多数企业最常采用的货物定购方式。与经济订货量的基本假设相关的存货成本:

(1)取得成本:订货成本(固定成本、变动成本)、购置成本

(2)存储成本:固定成本、变动成本

取得成本:

    取得成本指为取得某种存货而支出的成本,用TCa,表示,分为订货成本和购置成本。

订货成本指取得订单的成本,其中一部分与订货次数无关,如常设采购机构的基本开支,称为订货的固定成本,用F1表示;另一部分与订货次数有关,如差旅费、邮资等,称为订货的变动成本,用K表示。

    购置成本指存货本身的价值。存货单价用U表示设存货年需求量为D,每次进货量为Q,则

储存成本:

    储存成本指为保持存货而发生的成本,分为固定成本和变动成本,用 TCc表示。固定成本与存货数量无关,如仓库职工的固定月工资,用 F2 表示,变动成本与存货数量有关,如存货的变质损坏,用Kc表示则根据已知可以得出:

    根据经济订货量的基本假设,存货总成本的公式可以简化为:

    将该公式进行作图绘制,可以得到三条曲线:

接下来讲点土木人听的明白的经典阻尼:

    经典阻尼是结构系统中所有部位都具有相似阻尼机制的一种合理的抽象,例如多层建筑沿其高度具有相似的结构体系和材料。建立经典阻尼矩阵的方法一般有:瑞利阻尼 / 扩展瑞利阻尼/振型阻尼。

    瑞利阻尼:建立经典阻尼矩阵的最简单方法是使其与质量矩阵或刚度矩阵成比例,因为无阻尼振型对于质量矩阵和刚度矩阵都是正交的。为此,考虑质量比例阻尼或刚度比例阻尼,将这两部分叠加起来则是瑞利阻尼。

    质量比例阻尼:

    刚度比例阻尼:

质量比例阻尼                             刚度比例阻尼

 

    比例常数a0和a1的单位分别为s-1和s。从物理上来说,质量比例阻尼和刚度比例阻尼分别代表了上图中多层建筑物的阻尼模型。刚度比例阻尼从直观上容易理解,因为它可以用来模拟层间变形所产生的能量耗散。相反,质量比例阻尼在物理上难于理解,因为用它来模拟的空气阻尼在大多数结构系统中往往很小。

    对于质量比例阻尼,阻尼比与固有频率成反比;而对于刚度比例阻尼,阻尼比与固有频率成正比。当多自由度系统主要振型的频率范围很宽时,质量比例阻尼与刚度比例阻尼都不再适用,因为振型阻尼比随固有频率的变化与试验数据不一致,实验数据表明,结构的多数阶振型大体上都具有相同的阻尼比,而不同振型的频率却往往相差较大。

    如果假定阻尼矩阵与质量矩阵和刚度矩阵的组合成比例,则可以得到一个明显的改进结果。首先,考虑瑞利阻尼:

    因此在瑞利阻尼系统中,第i阶振型的阻尼比为:

    若定义第i、j阶振型的阻尼比,并列上式可以得到:

     反解即可得到相关的系数:

    在实际应用中,通常将wi取为多自由度系统的基频,即wi=w1,而wj则在对动力反应有显著贡献的高阶振型中选取。这样能够保证对于这两个振型可以得到相同的阻尼比。在这两个指定频率之间的频率所对应的振型将具有较低的阻尼比。这样,具有很高频率的振型反应将因高阻尼比而被有效地消除。

【扩展阅读 – 扩展瑞利阻尼】

    系数a可以根据在任何n个振型中指定的阻尼比来确定,级数中所包括的项数必须与给定的振型阻尼比数目相同。对于每一个阻尼比,列出相应的方程,从而由这些方程解出系数,从原理上讲,方程数目可以任意多个(小于等于结构自由度),且方程数目越多越好。例如,为了计算频率为wi,wj,wr,ws 的四阶振型所需阻尼比的系数,在式中取方程数目可以取4个(注意:若级数中的项数为奇数(大于1),则远大于受控范围的高阶振型阻尼比将出现负值的情况,从而使得分析结果无效),则可以得到:

四项解的情况                                 三项解的情况

总结

存货总成本的公式可以简化为:

而在瑞利阻尼系统中,第i阶振型的阻尼比为:

    为了较好比较,若是存货总成本中常数项较小忽略,则可以看出,两条曲线斜率/曲率几乎一致。

 

    所以说世界消解统一的宇宙秩序,解构了由这种宇宙秩序所设定的统一的价值世界,价值世界出现了多元分化。世界原本是没有意义的,人们为了摆脱和超越当下世界的短暂性和有限性,通过预设与想象,以各种身份(工程师、经济学家、医生)的角度赋予世界以某种意义, 也就是说世界原本是统一的,但同时也是多元的,对于同一个事物,从不同的角度理解会得到不一样的结论,世界不是非黑即白、非对即错。

-----建源之光——工程侠

概念为先,机理为本,下期再见!

 往期推荐 ·

#性能分析

【JY】基于性能的抗震设计浅析(一)

【JY】基于性能的抗震设计浅析(二)

#概念机理

【JY】基于Ramberg-Osgood本构模型的双线性计算分析

【JY】结构动力学初步-单质点结构的瞬态动力学分析

【JY】反应谱的详解与介绍

#其他

【JY】位移角还是有害位移角?

【JY】如何利用python来编写GUI?

求关注~求转发

这篇关于【JY】结构瑞利阻尼与经济订货模型的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/302102

相关文章

Java中switch-case结构的使用方法举例详解

《Java中switch-case结构的使用方法举例详解》:本文主要介绍Java中switch-case结构使用的相关资料,switch-case结构是Java中处理多个分支条件的一种有效方式,它... 目录前言一、switch-case结构的基本语法二、使用示例三、注意事项四、总结前言对于Java初学者

结构体和联合体的区别及说明

《结构体和联合体的区别及说明》文章主要介绍了C语言中的结构体和联合体,结构体是一种自定义的复合数据类型,可以包含多个成员,每个成员可以是不同的数据类型,联合体是一种特殊的数据结构,可以在内存中共享同一... 目录结构体和联合体的区别1. 结构体(Struct)2. 联合体(Union)3. 联合体与结构体的

Python基于火山引擎豆包大模型搭建QQ机器人详细教程(2024年最新)

《Python基于火山引擎豆包大模型搭建QQ机器人详细教程(2024年最新)》:本文主要介绍Python基于火山引擎豆包大模型搭建QQ机器人详细的相关资料,包括开通模型、配置APIKEY鉴权和SD... 目录豆包大模型概述开通模型付费安装 SDK 环境配置 API KEY 鉴权Ark 模型接口Prompt

PostgreSQL如何查询表结构和索引信息

《PostgreSQL如何查询表结构和索引信息》文章介绍了在PostgreSQL中查询表结构和索引信息的几种方法,包括使用`d`元命令、系统数据字典查询以及使用可视化工具DBeaver... 目录前言使用\d元命令查看表字段信息和索引信息通过系统数据字典查询表结构通过系统数据字典查询索引信息查询所有的表名可

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

usaco 1.3 Mixing Milk (结构体排序 qsort) and hdu 2020(sort)

到了这题学会了结构体排序 于是回去修改了 1.2 milking cows 的算法~ 结构体排序核心: 1.结构体定义 struct Milk{int price;int milks;}milk[5000]; 2.自定义的比较函数,若返回值为正,qsort 函数判定a>b ;为负,a<b;为0,a==b; int milkcmp(const void *va,c

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}