CMES本期精选文章“A Review of the Tuned Mass Damper Inerter (TMDI) in Energy Harvesting and Vibration Control: Designs, Analysis and Applications”（调谐质量阻尼器惯阻器在能量收集与振动控制中的研究进展:设计、分析与应用）。
文章详情
1. 前言
调谐质量阻尼器惯阻器(TMDI)是一种将传统调谐质量阻尼器(TMD)与惯性设备耦合的装置。惯性装置通过其“惯性”常数在其两端产生与相对加速度成正比的阻力，而近二十年来因其独特的力学性能得到了广泛的关注和应用。由于不同的实际情况下需要不同的配置，TMDI依旧活跃在结构振动控制和能量收集的研究中。图1是TMDI的发展概况。
图1:TMDI的发展概况
2. TMDI的基本理论
2.1 TMDI的结构: 理想惯性设备的概念最早在2002年由Smith提出，2004年，Papageorgiou和Smith通过实验证明，通过结合齿条和小齿轮或滚珠丝杠机构的方式，结构的平移能量可以转换为存储在相对较轻的旋转圆盘中的旋转能量。
图2:多层框架建筑的调谐质量阻尼器惯阻器(TMDI)系统
2.2 TMDI的基本特征: 学者们研究了高层建筑在风荷载和地震荷载作用下的结构控制，并验证了在TMDI多模态控制机制下，结构控制主要由TMDI的两个方面的贡献决定:与惯性、辅助质量和阻尼系数相关的阻尼效应以及辅助质量相关的负刚度效应。
图3:(a)调谐质量阻尼器(TMD)，接地到任意结构质量(以质量地19为例)，(b) TMDI直接接地，(c)带有TMD的剪力框架结构模型，(d)第20级结构位移的激振力传递函数
3 TMDI的设计
3.1 振动控制：为将TMDI调谐优化与主体结构设计相结合，提高动态载荷作用下的性能，研究了主体结构的弹性特性和质量特性对TMDI运动控制性能的影响，进行了创新性的参数研究。这涉及到产生连续变化的弯曲刚度和质量分布的各种锥形梁状悬臂主结构。
图4:地震和风荷载作用下TMDI控制的多自由度结构及影响TMDI性能的因素
3.2 能量回收：将惯性阻尼器与调谐质量阻尼器相结合，建立了基于惯性的调谐质量阻尼器，推导了通用调谐质量阻尼器的闭式位移方程和功率方程。揭示和阐明了GTMDI的工作机制，并确认了GTMDI具有两个优势，即降低输入能量和增强消耗功率效果。
图5:TMDI系统中机电网络系统耦合示意图
3.3 优化设计：文献引入了随机地面加速度激振下计算结构损伤的方法，并与ERS-TMDs、TMDI、TMD进行了比较，如图6所示。文中提到获得了闭合解，其中包括最佳机械调谐比、最佳电阻尼比、最佳电调谐比和最佳电磁机械耦合系数。文中图6d给出了地震控制的最优性能指标。
图6 (a)、(b)、(c)为SDOF与调谐阻尼器耦合系统示意图。(d)为地震控制最优性能指标PIV示意图
4 TMDI在能量收集和振动控制中的应用
4.1 风、地震条件下高层建筑的振动控制与能量收集：位移和加速度响应的传递函数表明，在减小风引起的耦合高层建筑响应方面，TMDI比TMD更高效。即使TMDI的质量比TMD小三分之一，情况也是如此。TMDI在耦合高层建筑风振控制中的应用将很好地解决耦合高层建筑的风振控制问题。
图7:(a)所提出的能量收集启动的TMDI，用于风振高层建筑中能源发电。(b)风险量化和评估方法概览
4.2 大跨度桥梁TMDI的振动控制与优化设计：在大跨度桥梁工程中，对于非理想涡诱导振动条件下桥梁振动控制的研究是有限的。2016年，研究者们推出了基于惯性器的动态吸振器(IDVAs)，用于降低桥梁在谐波激振下的振动。还有研究发现在相同质量比下，IDVA比传统的TMD更高效。有研究者提出使用调谐质量阻尼器惯阻器(TMDI)来抑制桥梁的涡诱导振动，利用TMDI的惯性力来提高地震控制效果。
图8:桥梁- TMDI系统示意图
5. 结论
本文综述了自2002年以来调谐质量阻尼器惯阻器(TMDI)的发展，重点介绍了其设计、实施、优化策略和应用。重点是振动控制和能量收集。未来前景包括:
1)发展基于可靠性的结构振动控制理论，更有效地评价结构性能。
2)利用不动点理论探索TMDI设计参数的优化。
3)研究降低被动TMDI振动控制成本的方法。
4)在保持振动控制效果的同时提高能量收集效率。
5)利用电机、智能材料和超材料技术的进步来改进TMDI设计。
6)解决根本性的问题和挑战，促进TMDI的广泛应用。
本文综述旨在启发TMDI在各个领域的进一步研究和应用。
扫码阅读全文
CMES 期刊介绍
—————
CMES期刊专注于刊发具有合理永久价值的原创研究论文和综述，涉及固体、流体、气体、生物材料和其他连续体的计算力学、计算物理、计算化学和计算生物学等领域。欢迎新颖的计算方法和最先进的计算算法，例如软计算、基于人工智能的机器学习方法和计算统计方法。
主编：
Prof. Shaofan Li
University of California-Berkeley
Prof. Loc Vu-Quoc
University of Illinois at Urbana-Champaign
Prof. Kun Zhou
Nanyang Technological University
2022 Impact Factor | 2022 Citescore |
2.4 | 3.5 |
扫码进入期刊主页
版权声明
本文由泰克赛思南京办公室负责编译。中文内容仅供参考，一切内容以英文原版为准。
如需转载，请联系 cmes@techscience.com
