塔架三维实体几何建模方法分析

《塔架三维实体几何建模方法分析》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、1绪论1.1引言通常在工程中，对于每种新设计的输电塔架都需要辅以真型试验来验证设计的安全性，但真型实验成本高，测量数据量有限，且难以施加动态载荷。因此工程上也使用有限元的方法对塔架进行计算仿真。但是目前工程上所使用的有限元方法普[1][2]遍都是基于以下四个基本假设，建立一个简化的模型进行计算分析：1.几何小变形，无需几何非线性；2.材料线弹性假定，不考虑材料塑性；3.构件为二力杆单元，不承受弯矩；4.节点为铰接点，不提供转动约束。大量工程实践表明，这种近似基本上可以满足工程设计需要，目前国内外的塔架分析设计软件几乎都基于这种方法。

2、但是，这个简化模型存在一些明显的缺点。首先，假定所有构件为两端绞接、只能承受轴向力的杆单元，这与实际结构有一定差异。事实上，塔架构件具有一定的承弯能力。输电塔架中的主材通常为主要承力构件，其截面和刚度比腹杆要大很多，承受荷载时主材中就不可避免地存在弯曲应力，有时候塔架构件中的弯矩和轴力对于结构安全性可能同等重要；其次，将塔架节点简化为铰接点也与实际不符。实际上塔架的节点连接往往非常复杂。首先，在钢材的交接处通常具有连接板、加强板等几何实体。其次，由于制造和安装原因，实际工程上很难让汇于同一节点的各杆件的轴线交于节点中心，存在构件形心

3、和剪力中心不重合、构件只有一肢与其它构件相连等因素造成的偏心影响。再次，节点是存在一定体积的实体，杆端内力难以作用于同一点，这与桁架或刚架中假定的节点无体积不相符，而且杆件与节点的连接刚度以及节点本身的刚度都难以完全符合铰接点或刚接点的受力特点。而事实上，节点的强度对于塔架安全性至关重要，因为在塔架结构中节点把包括所有主材、斜材以及辅材的构件连接起来，节点的破坏会导致与之相连的构件失效，从而导致整个塔架结构破坏。由于简化模型的不准确性，为了准确的分析输电塔架的力学行为，应该采用梁单元或者梁单元与实体单元混合的方式对构件进行建模。而对

4、于关键的节点，也需要根据节点实际几何尺寸，考虑螺栓连接进行三维实体建模。为了提高塔架结构有限元分析的准确性，尽量减少甚至避免进行昂贵的真形实1验，达到输电塔架设计的完全计算机化，需要对输电塔架进行准确的建模。但是由于塔架的实际模型非常复杂，在现有的有限元前处理软件中，要想对输电塔架进行准确的实体建模目前还比较困难，或者需要相当大的工作量。本文提出一种半自动化的输电塔架快速实体建模方法：首先通过直接导入塔架模型的DXF文件（由设计单位提供）建立起三维线框模型；然后读取塔架的CAD设计图纸，进行构件识别，得到一个带参数的平面图纸结构；接

5、下来，将平面图纸结构与三维线框模型进行结构匹配；最后，根据匹配的结果进行参数传递，并建立实体模型。本文研究成果可为进一步研制真型试验仿真平台系统提供基础。1.2国内外研究情况1.2.1工程图纸中的构件识别符号识别（SymbolRecognition），是指在一个图像文档或者CAD图纸文件中，标识出与给定符号库（SymbolDatabase）中的某个符号相匹配的区域。符号识别是模式识别（PatternRecognition）领域中的一项非常重要的应用，同时也是模式识别领域和文档分析（DocumentAnalysis）领域中的热点研究对

6、象之一。由于在不同的应用领域中，比如建筑设计、地图绘制、电子器件设计、工程施工中，其设计图纸里所使用的符号集互不相同，即使在同一领域中，各个不同应用所采用的符号集也可能有较大差异，这种设计图纸的领域相关性，使得建立一种通用的符号识别算法变得[3]极为困难。通常，可将需要进行识别的符号可以分为以下几类：1.简单的二维线段形状，比如工程图纸中的线框结构；2.线段与面的复合形状，比如乐谱中的音乐符号等；3.复杂的具有灰度或者颜色的形状，比如公司LOGO或者一些特殊的带颜色的标识等；4.栅格化的轮廓，比如地图。在本文中需要进行识别的符号属于

7、第1类，即简单的二维线段形状。对于这一类符号的识别，国内外学者已进行了广泛的研究。[4]杨若瑜、胡笳等人提出一种基于约束网络的符号识别方法。该方程首先将工程图纸中所有符号的几何特征转换为一个约束网络，以一个结点表示一个判断条件，并将所有结节连接起来形成一个层次化的约束网络，在约束网络中的有向边定义了进行约束判断的顺序。将待分析的工程图纸用形成的约束网络进行过滤，即完成整2个符号识别操作。[5][6][7]刘文印等人提出一种交互式的实例驱动方法。首先，根据四种基础约束信息（相交、平行、垂直、圆或圆弧），以图元为节点，以约束为边，为待识

8、别符号建立起一个知识图（KnowledgeGraph），然后将该知识图缩减为一颗生成树（SpanningTree），称为知识树（KnowledgeTree），最后以知识树为导向，在目标图中寻找合适的匹配。另外，该方法允许用户对识别过程