大型基础工程结构的特征参数识别通常是通过对环境载荷激励的结构响应进行分析来实现,随机减量（Random Decrement,RD）技术是环境激励下的模态参数识别方法中应用较广的方法。在实际应用中受环境、测量等条件的限制,信号常为含有某些优势频率的非平稳信号,常常导致随机减量技术在识别结构参数尤其是系统阻尼时带来较大误差。为提高随机减量技术在环境激励作用下识别结构参数的准确性,文中从分析随机减量信号频谱中的频率分布特性入手,结合随机减量函数产生的触发条件,给出了一种利用信号频谱的统计特征进行模态参数识别的方法。数值仿真结果表明该函数能准确识别在含有优势频率环境载荷作用下的结构参数。

当外激励为均值为零的平稳随机过程时，系统输出响应的随机减量函数代表了系统的自由衰减振动。但当外激励不是零均值的平稳随机过程时，这种传统的随机减量函数在某些情况下，将不再具有上述性质。为进一步拓宽随机减量函数的应用范围，本文从分析Brown运动的随机过程的表征中得到启发，在传统的随机减量函数的基础上，提出一种新的随机减量函数的构造形式，并对同一系统在相同触发条件下，受不同外激励作用时的传统随机减量函数与新构造的随机减量函数进行了对比。数值计算和实验结果表明，当外激励为零均值的随机过程时，新旧随机减量函数在反映系统自由振荡的效果上基本相同，但在外激励为其他情况下，新构造的随机减量函数在性态和稳定性上明显优于传统随机减量函数。

随着机器学习的快速发展和其突出的非线性映射能力,越来越多的学者将机器学习方法应用到流体力学领域。为克服传统数学拟合不能很好的解决系统非线性问题,以及现有文献中所提及的一些基于神经网络的气动参数预测方法,需要进行参数化处理而带来的不便,同时为实现多变量多输出气动参数快速预测的目的,基于卷积神经网络考虑机翼变迎角和浮沉建立了一种多变量多输出的机翼气动参数预测模型,实现了机翼气动参数的快速预测。结果表明所建模型具有较高且稳定的预测精度,并且计算效率较计算流体力学(CFD)提高了40倍。

为解决现有线性气动力模型对大柔性机翼受发动机推力影响的气动稳定性分析方法的不足,提出了基于计算流体力学(CFD)与Simo几何精确梁模型的非线性气动弹性分析方法。以翼吊式发动机的大展弦比机翼为研究对象,采用横向随动力和集中质量模拟发动机推力和吊挂质量,分别研究了单纯发动机推力和考虑气动载荷联合作用时,发动机推力、结构弯扭刚度比、发动机集中质量以及发动机安装位置等参数对机翼结构颤振特性的影响。数值模拟所采用的大展弦比柔性机翼非线性气动弹性模型耦合了Simo几何精确梁模型和雷诺平均N-S非定常气动力模型,考虑了结构和流场的两场非线性耦合。模拟结果表明:发动机推力对机翼颤振边界影响很大,具体的影响效果取决于上述其他参数的变化;发动机吊舱靠近翼根布置、发动机尽量布置在机翼弹性轴之前、减小机翼弯扭刚...