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://www.mzph.cn/news/828017.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

YoloV9改进策略:注意力改进、Neck层改进_自研全新的Mamba注意力_即插即用,简单易懂_附结构图_检测、分割、关键点均适用(独家原创,全世界首发)

摘要 无Mamba不狂欢,本文打造基于Mamba的注意力机制。全世界首发基于Mamba的注意力啊!对Mamba感兴趣的朋友一定不要错过啊! 基于Mamba的高效注意力代码和结构图 import torch import torch.nn as nn # 导入自定义的Mamba模块 from mamba_ssm import Mamba class Eff…

vue做导入导出excel文档

系统中经常会遇到要实现批量导入/导出数据的功能,导入就需要先下载一个模板,然后在模板文件中填写内容,最后导入模板,导出就可能是下载一个excel文件。 1、导出 新建一个export.js文件如下: import {MessageBox,Mes…

赋能数据检索:构建用于www.sohu.com的新闻下载器

引言 在信息爆炸的时代,随着新闻数据的数量不断增长,获取和分析这些数据变得尤为关键。本文将介绍如何构建一个高效的新闻下载器,专门用于从搜狐网(www.sohu.com)检索和下载新闻内容。 背景介绍 搜狐网作为中国领先…

40. 【Android教程】AsyncTask:异步任务

在前面的章节有提到过,Android 系统默认会在主线程(UI 线程)执行任务,但是如果有耗时程序就会阻塞 UI 线程,导致页面卡顿。这时候我们通常会将耗时任务放在独立的线程,然后通过 Handler 等线程间通信机制完…

外贸干货|客户迟迟不付款,怎么催?

(一) Gentle reminder 温馨提醒 "Hello Mary, l hope this message finds you well. l wanted to kindly remind you about the payment for our agreed-upon order. We appreciate your business and would like to proceed with the next steps as soon as possible.…

DS32K查看内置寄存器数值

需要在debug的时候进行查看,先暂停,再打开EmbSys Registers窗口。 需要先将导出的内容选中并双击,不然复制出来会变成问号。右上角有个复制按钮,复制到剪贴板就行。譬如我这里选择了MCR寄存器,复制出来的就是这个寄存器…

下载nvm来配置node版本

背景提示:入职的公司项目久远,一直运行不起来,原来是我node版本太高,需要降级才行。然后找到这个nvm配置一下 准备工作 如果电脑有配置node的,需要先卸载掉才能配置nvm!!!这是重点嗷…

大模型解决方案:具体业务场景下的智能表单填充(附代码)

大模型相关目录 大模型,包括部署微调prompt/Agent应用开发、知识库增强、数据库增强、知识图谱增强、自然语言处理、多模态等大模型应用开发内容 从0起步,扬帆起航。 大模型应用向开发路径:AI代理工作流大模型应用开发实用开源项目汇总大模型问答项目问答性能评估方法大模型…

JS -正则表达式

正则表达式 关于正则表达式,其实我写过几篇了,但是真正的正则表达式其实主要用于定义一些字符串的规则,计算机根据给出的正则表达式,来检查一个字符串是否符合规则。 我们来看一下,在JS中如何创建正则表达式对象。 语…

第67天:APP攻防-Frida反证书抓包移动安全系统资产提取评估扫描

思维导图 案例一:内在-资产提取-AppinfoScanne AppinfoScanner 一款适用于以 HW 行动/红队/渗透测试团队为场景的移动端(Android、iOS、WEB、H5、静态网站)信息收集扫描工具,可以帮助渗透测试工程师、攻击队成员、红队成员快速收集到移动端或者静态 WEB …

【禅道客户案例】小反馈,大杠杆!银丰新融「反馈管理」优秀实践

企业介绍 北京银丰新融科技开发有限公司(简称:银丰新融)成立于2000 年,自创立以来一贯专注于金融监管、风险管控等领域的信息系统建设,拥有目前国内金融风险领域规模庞大的信息技术服务团队。 银丰新融业务范围覆盖了…

VUE3 ref,props,生命周期

1.--ref属性 1.1代码 1.1.1子表 <template><div class"person"><h1>中国</h1><h2 ref"title2">北京</h2><h3>尚硅谷</h3><button click"showLog">点我输出h2这个元素</button>&l…

JavaScript注释:单行注释和多行注释详解

为了提高代码的可读性&#xff0c;JS与CSS一样&#xff0c;也提供了注释功能。JS中的注释主要有两种&#xff0c;分别是单行注释和多行注释。 在编程的世界里&#xff0c;注释是那些默默无闻的英雄&#xff0c;它们静静地站在代码的背后&#xff0c;为后来的维护者、为未来的自…

到底什么是爬虫

1. 引言 在数据驱动的世界里&#xff0c;网络爬虫&#xff08;Web Crawling&#xff09;技术扮演着获取和处理网上数据的关键角色。无论是为了数据分析、机器学习项目的数据集构建还是简单地监测网页变化&#xff0c;学习如何创建一个基本的网页爬虫可以大大提升你的工作效率和…

Vue页面生成导出PDF文件

第一种&#xff1a; 使用浏览器自带打印方法window.print(); 也可使用print-js插件&#xff08;原理相同&#xff09; <!DOCTYPE html> <html lang"en"> <head><meta charset"UTF-8"><title>printDemo</title> </…

【Vue】常见的七大属性(描述+案例)

一、前言 最近&#xff0c;因为项目需要自己就去学习了一下Vue的相关知识&#xff0c;自己花了几天&#xff0c;结合官方文档和相应的视频学习了一下Vue,了解了Vue大概的一些属性&#xff0c;方法&#xff0c;特点等。接下来博主会将自己学习的相关内容通过博客的形式进行记录…

Linux蓝牙驱动模拟HID设备(把Linux系统模拟成蓝牙鼠标和蓝牙键盘)

by fanxiushu 2024-04-24 转载或引用请注明原始作者。 在经过windows的蓝牙驱动开发模拟成HID设备的大风大浪之后&#xff0c; 现在回到linux下实现相同功能&#xff0c;简直就是如小孩嬉闹一样的轻松。 但无论如何&#xff0c;作为模拟蓝牙HID设备的windows&#xff0c;linux一…

【学习】​CSMM和CMMI的关系你了解吗

CMMI和CSMM都是评估和提升软件组织能力成熟度的模型&#xff0c;但它们在起源、应用范围、模型结构和实施目的等方面存在一些区别。在当今竞争激烈的软件市场中&#xff0c;提升软件能力成为了多数组织追求成功的关键因素。而选择适合的体系标准能够助力企业发展得更加迅速。作…

服务器资源监控告警处理

[] 服务器资源监控告警处理方案总结 服务器监控指标 服务器日常监控巡检时&#xff0c;总会遇到不同服务器的不同告警&#xff0c;使用不同的监控工具&#xff0c;监控的指标有所不同&#xff0c;但最基础的服务器资源指标&#xff0c;基本都支持&#xff0c;比如zabbix &a…

智慧公厕案例-江西省九江天花井森林公园公厕

背景介绍&#xff1a; 江西某市森林公园是江西省的一处重要旅游景点&#xff0c;每年吸引了大量游客前来游览。然而&#xff0c;由于游客众多&#xff0c;公园内的卫生设施相对滞后&#xff0c;公厕的清洁度和管理效率成为了游客诟病的重要问题。 建设背景&#xff1a; 公园内…