山东铁路投资控股集团有限公司,济南,250101
摘要:针对典型高速铁路车-桥系统列车表面风压的非高斯特性,采用基于Hermite级数展开的方法,将高斯变量表示为考虑非高斯变量的Hermite多项式,对列车表面概率密度曲线及峰值因子进行拟合分析,为进一步探讨列车表面风压极值提供依据。
关键词:高速铁路; 车桥组合; 列车风压;非高斯特性; 峰值因子; 风洞试验
0引言
随着我国高速铁路的迅速发展,列车车体轻量化和行驶高速化使得风荷载作用下的行车安全问题日益突出[1-2]。国内外学者通过实车试验、数值计算和风洞试验等方法对列车横风作用下的风荷载进行了大量研究[3-4]。但这些研究大多基于风荷载符合高斯分布的假定。大量学者研究证明风荷载带有极强的非高斯特性[5-7]。但目前鲜有学者对高速列车风荷载非高斯特性进行研究。本文以高速铁路车-桥组合系统作为研究背景,对位于高速铁路桥梁上的列车顶面风压进行分析,研究风压概率密度分布特性及峰值因子,并结合不同方法进行比较。
1 风压非高斯特性
对于高速铁路车-桥组合系统,由于列车与桥梁的遮挡作用,列车背风面受到气流分离及涡脱的影响,表面风压具有明显的非高斯特征。如图1所示为迎风面典型高斯风压与背风面非高斯风压测点时程及概率分布,可见背风面测点明显偏离了高斯分布,其概率密度分布曲线较之标准的高斯分布表现出尖削及偏态特征,衰减过程也比高斯分布迅速,从而表现出了明显的非高斯特性。
图1 典型测点风压时程及概率密度分布
2 测压试验及数据处理
2.1 试验模型
本文以32m简支梁及CRH2型动车组组合节段模型为研究对象,为满足堵塞率要求,模型几何缩尺比为1:25,试验模型与实物外形保持几何相似。列车组模型采用优质玻璃纤维制作,在测试中不发生变形。
采用测压方法对列车和桥梁进行同时测量,列车表面共布置243个测点,13个截面,由于头车断面延车长方向变化复杂,故各截面测点数目及位置不一致。图2为顶面测点编号及来流方向。
图2 列车顶面测点位置及编号
2.2 测试方法
风洞试验在“高速铁路建造技术国家工程实验室”的高速铁路风洞试验系统高速试验段内的均匀流场中完成(试验风速为14m/s),风向角α=90°。风压测量采用美国Scanivalve公司的DSM3400电子式压力扫描阀系统,本次试验共使用7个模块,可进行448个测点的同步测压。参考点的风速则由皮托管测量。采样时长30s,采样频率312.5Hz。
2.3 风场模拟
紊流风场采用被动格栅装置进行模拟,风场的紊流度为13.12%,紊流积分尺度为0.423m,大于列车及桥梁的特征尺寸长度,列车模型于风场中具有较好的相关性。风场脉动风谱与Kaimal谱吻合较好(如图3),风场及列车模型如图4所示。
图3 紊流风场脉动风谱 | 图4 格栅及列车模型 |
3 试验结果与分析
3.1 高阶矩统计量分布规律
对列车顶面所有测点进行高阶矩统计,并作出偏度、峰度散点分布图(图5)。图中虚线交点(0,3)为区分高斯与非高斯分布的分界点,可以发现,风压偏度与峰度呈非线性关系,大致服从二次曲线形式。散点坐标大多位于交点左上侧,说明测点概率密度曲线一般为左偏,且形状尖削。
图5 偏、峰度散点图
图6给出了列车顶面风压偏度和峰度的等值线分布。从图中可以看出:车身迎风面与顶面为类直角边缘,气流到达顶面处随即发生分离,形成漩涡,对列车顶面产生较强的吸力作用,负压显著增强,测点风压时程呈现明显的非高斯特性。
图6 列车顶面偏、峰度分布
3.2 概率密度函数分布特性
根据非高斯沿列车顶面的分布特征,选取典型测点198、200、167、149分别代表超重度、重度、中度和轻度非高斯特征进行概率密度分布特性研究。本节采用Gussian、传统Hermite级数、修正Hermite级数及改进Hermite级数法等不同的数学表达式来拟合其概率密度函数,如图7,其中Test代表试验数据的概率密度函数,Gussian代表高斯分布曲线,HM为传统Hermite级数分布,RHM代表修正Hermite级数分布,MHM代表改进Hermite级数分布。
图7 列车顶面典型测点概率密度分布
3.3 列车顶面风压峰值因子
为分析不同Hermite级数参数对峰值因子的影响,表1分别给出了车头顶面中尾部测点风压的基于不同方法得到的峰值因子及与观测法的误差对比分析。
表1 风压系数峰值因子计算方法误差分析
测点编号 | 峰值因子计算误差(%) | |||||||||
Max | Min | |||||||||
Davenport | R_Davenport | HM | RHM | MHM | Davenport | R_Davenport | HM | RHM | MHM | |
106 | 17.8 | 21.2 | 2.0 | 3.0 | 5.2 | 16.0 | 19.5 | 8.2 | 7.2 | 4.0 |
107 | 55.2 | 56.9 | 11.8 | 17.9 | 35.4 | 16.0 | 19.2 | 34.4 | 24.0 | 55.2 |
108 | 35.0 | 38.3 | 14.7 | 15.7 | 16.3 | 31.1 | 34.5 | 9.1 | 10.1 | 11.6 |
128 | 22.8 | 25.6 | 9.1 | 6.7 | 8.7 | 0.6 | 4.3 | 21.0 | 17.8 | 37.3 |
129 | 43.4 | 45.2 | 21.4 | 10.3 | 19.3 | 19.5 | 22.1 | 32.1 | 16.4 | 59.7 |
130 | 46.0 | 47.8 | 9.3 | 2.2 | 15.1 | 33.5 | 35.7 | 14.3 | 7.0 | 26.7 |
131 | 37.7 | 40.0 | 0.4 | 3.6 | 18.1 | 22.7 | 25.6 | 7.7 | 3.9 | 18.4 |
132 | 32.2 | 35.0 | 12.9 | 14.4 | 7.9 | 20.2 | 23.6 | 11.1 | 9.4 | 0.5 |
133 | 11.8 | 17.8 | 5.7 | 6.5 | 3.1 | 25.1 | 30.2 | 13.1 | 13.7 | 19.2 |
148 | 26.5 | 29.5 | 2.1 | 3.3 | 2.8 | 26.3 | 29.3 | 0.2 | 1.2 | 4.3 |
149 | 38.5 | 40.8 | 18.5 | 20.2 | 13.3 | 27.1 | 29.8 | 6.1 | 4.0 | 7.0 |
150 | 9.7 | 13.2 | 23.9 | 10.6 | 54.3 | 44.8 | 46.9 | 0.9 | 6.6 | 33.0 |
由表可以看出,对于正负峰值因子,基于高斯分布的Davenport峰值因子法及改进Davenport峰值因子法得到的峰值因子均在4左右,而观测风压正负峰值因子极大值均大于8,最大误差达到56.9%,严重低估了观测风压的峰值因子。相反地,基于非高斯分布得到的Hermite级数峰值因子与观测各点峰值因子变化趋势完全一致,数值上也严格接近观测峰值因子。效果最优的修正Hermite级数得到的峰值因子最小误差仅为1.2%,最大误差为24%,远小于基于高斯分布的Davenport峰值因子,能够兼顾风压的非高斯特性,较好地估计风压的峰值因子。
4 结论
本文以典型高速铁路车-桥系统作为研究背景,对列车顶面非高斯分布风压极值进行研究。基于Hermite级数展开的分析方法,研究了列车表面风压的概率密度函数和峰值因子,得到以下结论:
(1)列车顶面测点的风压时程大多不符合高斯分布,重度非高斯区域为迎风前缘来流分离区,伴随气流顺向的再附及尾流影响,风压的非高斯特性逐渐减弱。
(2)基于修正方法的Hermite级数概率密度函数分布曲线可以兼顾测点风压的峰度和偏度特性,头尾部拟合性能最优,总体效果最佳,可以代表测点非高斯风压的概率密度函数。
(3)基于高斯分布的Davenport峰值因子法严重低估了非高斯测点的峰值风压,最大偏差56.9%,带来一定的安全隐患,而基于非高斯分布得到的Hermite级数峰值因子法能够较好的估计测点峰值风压,其中以修正Hermite级数峰值因子法效果最优。
参考文献:
[1]金学松, 郭俊, 肖新标. 高速列车安全运行研究的关键科学问题[J]. 工程力学, 2009, 26(S2): 8-22.
[2]李永乐, 向活跃, 候光阳, 等. 车桥组合状态下CRH2客车横风气动特性研究[J]. 空气动力学学报, 2013, 31(5): 579-582.
[3]梁习锋, 张健. 动力车车体表面压力分布试验研究[J]. 长沙铁道学院学报, 2002, 20(4): 89-93.
[4]孙瑛, 武岳, 林志兴, 等. 大跨度屋盖结构风压脉动的非高斯特性[J]. 土木工程学报, 2007, 40(4): 1-5.
[5]叶继红, 侯信真. 大跨屋盖脉动风压的非高斯特性研究[J]. 振动与冲击, 2010, 7: 9-15, 232.
[6]柯世堂, 葛耀君, 赵林. 大型双曲冷却塔表面脉动风压随机特性—非高斯特性研究[J].实验流体力学, 2010, 03: 12-18.
[7]全涌, 顾明, 陈斌. 双坡低矮建筑风压系数的概率统计特性分析[J].土木工程学报, 2011, 07: 22-28.