Académique Documents
Professionnel Documents
Culture Documents
Un’azione prolungata F(t), come qualsiasi funzione del tempo, può essere rappresentata
come il susseguirsi di impulsi elementari dW di durata infinitesima dt (Fig. A.2.1):
F t dt dW (A.2.2)
La corrispondente azione impulsiva G(t), applicata all’istante t = , si può descrivere come:
G t F t t (A.2.3)
dove (t - ) è la funzione impulsiva (detta delta di Dirac), definita da:
Questa decomposizione è particolarmente utile per i sistemi lineari, in cui gli effetti di suc-
cessivi impulsi si possono sommare.
F(t)
dt t
Un’azione le cui caratteristiche fondamentali sono costanti nel tempo è detta stazionaria
e può essere rappresentata come sovrapposizione di azioni armoniche (analisi spettrale).
Una funzione F(t) periodica di periodo TF può essere rappresentata attraverso le sue
componenti armoniche (Fig. A.2.2a), mediante uno sviluppo in serie reale o complessa di
Fourier.
Lo sviluppo in serie reale di Fourier ha l'espressione:
F t a 0 a n sen n 1 t b n cos n 1 t (A.2.5)
n 1 n 1
dove:
2
F(t) F(t)
F32(t)
TF t
(a)
Cn
n
n
1
8 16 24 32
(b)
Fig. A.2.2. - Esempio di funzione periodica discontinua F(t): (a) sua approssimazione F32(t)
mediante la somma di 32 componenti armoniche; (b) spettro della funzione F32(t) F(t).
2
1 (A.2.6a)
TF
e la pulsazione dell’n-ma armonica è
n n1 (A.2.6b)
a0 è il valore medio della funzione:
1 TF
a0 Ft dt (A.2.7)
TF 0
ed i coefficienti an, bn sono forniti dalle relazioni:
3
2 TF
an F t sen n1 t dt (A.2.8a)
TF 0
2 TF
bn F t cos n1 t d (A.2.8b)
TF 0
L'utilità di questa rappresentazione risiede nel fatto che, in virtù della assoluta ed uni-
forme convergenza dello sviluppo in serie (A.2.5), qualsiasi funzione periodica F(t) può
essere espressa con sufficiente accuratezza considerando solo un numero ridotto di termini
dello sviluppo in serie, ovvero mediante un numero ridotto di componenti armoniche.
In maniera del tutto equivalente, lo sviluppo in serie può essere espresso nella forma:
F t a 0 C n sen n 1 t n (A.2.9)
n 1
4
_
bn 2 I c n
(A.2.11e)
avendo indicato rispettivamente con R(·) ed I(·) la parte reale e la parte immaginaria di un
numero complesso.
F(t)
-a 0 a t
(a)
c
(b)
Fig. A.2.3. - Esempio di (a) funzione non periodica e (b) suo spettro di frequenza.
Con le notazioni:
1 (A.2.12a)
5
2
c n TF c n c n n (A.2.12c)
le (A.2.10) e (A.2.11a) diventano
1
F t c n exp i n t (A.2.13)
2 n
TF
2
c n F t exp i n t dt (A.2.14)
TF
2
La trasformata di Fourier di una funzione h(t) è definita dalla relazione [cfr. (A.2.16)]:
H h t e it dt (A.2.17)
se questo integrale esiste per ogni reale. H() è una funzione complessa del parametro
reale .
Una condizione sufficiente per l'esistenza della funzione H() è che h(t) sia assoluta-
mente integrabile, ovvero che sia:
6
h t dt (A.2.18)
h t h t
(A.2.20)
2
Per definire la trasformata di Fourier di funzioni periodiche, costanti o impulsive, è
possibile introdurre condizioni meno restrittive.
Nell'applicazione della teoria delle trasformate di Fourier, sono utili i seguenti teoremi e
risultati.
a) teorema di derivazione
Se le funzioni h(t) e H() sono una coppia di trasformate di Fourier, anche le funzioni:
d n h t
n
i n H (A.2.21)
dt
costituiscono una coppia di trasformate di Fourier.
b) teorema di traslazione
Se le funzioni h(t) e H() sono una coppia di trasformate di Fourier, anche le funzioni:
h t t 0 H e it 0 (A.2.22)
h t e i 0t H 0 (A.2.23)
c) teorema di Parseval
Questo teorema stabilisce l'identità tra le distribuzioni dell'energia nei domini del tempo
e delle frequenze attraverso la relazione seguente:
1 2
E h 2 t dt H d (A.2.24)
2
Di conseguenza è possibile stabilire una dualità tra il dominio del tempo ed il dominio del-
7
le frequenze, nel senso che quanto più un segnale è corto in un dominio, tanto più è lungo
nel dominio duale.
1
h at H (A.2.26)
a a
costituiscono una coppia di trasformate di Fourier (essendo a una costante reale).
e) funzioni armoniche
E' possibile stabilire le seguenti coppie di trasformate di Fourier:
e i 0t 2 0 (A.2.27)
cos 0 t 0 0 (A.2.28)
sin 0 t i 0 0 (A.2.29)
f) integrale di convoluzione
Se la risposta v(t) di un sistema all'eccitazione P(t) è ottenuta attraverso l'integrale di
convoluzione:
v t P h t d h P t d (A.2.30)
è possibile ricavare la relazione seguente:
V P H (A.2.31)
essendo V(), P() e H() le trasformate di Fourier di v(t), P(t) ed h(t).
Pertanto una convoluzione nel dominio del tempo corrisponde ad un prodotto nel do-
minio delle frequenze. Al contrario, un prodotto nel dominio del tempo corrisponde ad una
convoluzione nel dominio delle frequenze:
g) integrale di correlazione
L'integrale di correlazione è definito dalla relazione
z t x h t d (A.2.32)
La sua trasformata di Fourier è espressa dalla relazione
8
Z X* H (A.2.33)
dove * indica il complesso coniugato di X().
Un processo stocastico X(t) può essere definito come una famiglia di funzioni x r(t) di
un parametro t (nei casi di interesse per la dinamica strutturale, il tempo) che rappresenta-
no possibili realizzazioni di uno stesso fenomeno fisico e sono quindi correlabili in senso
probabilistico, ovvero descrivono la variazione rispetto al parametro di una grandezza ale-
atoria. Alternativamente, per ogni valore del parametro, il processo stocastico corrisponde
ad una distribuzione di una variabile aleatoria.
Come per le variabili aleatorie, il modo più naturale per caratterizzare e descrivere un
processo stocastico consiste nell’assegnare le funzioni di distribuzione congiunta di ordine
crescente o le corrispondenti funzioni di densità di probabilità congiunta.
La densità di probabilità del primo ordine
f X x , t Pr ob x X ( t ) x dx (A.2.34)
misura la probabilità che il valore di X(t) all’istante t sia compreso tra x ed x + dx, e quindi
definisce la struttura probabilistica della variabile aleatoria X per ogni fissato valore del
parametro t.
Le densità di probabilità di ordine superiore
f X x1 , t 1 ; x 2 , t 2
………….. (A.2.35)
f X x 1 , t 1 ;.....; x n , t n
sono le densità di probabilità congiunte dei valori di X(t) in n (= 2, 3, …) istanti e descri-
vono la correlazione tra i valori del processo nei valori fissati del parametro.
Per caratterizzare un processo stocastico è quindi necessario definire una serie di fun-
zioni del tipo (A.2.34) e (A.2.35) che rappresentano le densità di probabilità congiunta di
ogni ordine. Tali funzioni devono essere: non negative; invarianti per una qualsiasi permu-
tazione degli argomenti; tali che sia possibile derivare le densità di ordine inferiore da
quelle di ordine superiore attraverso operazioni di convoluzione. Devono inoltre soddisfa-
re la condizione di normalizzazione
... f X x 1 , t 1 ;.....; x n , t n dx 1 ...dx n 1 (A.2.36)
Una descrizione più semplice, anche se meno completa, di un processo stocastico è for-
nita dalla successione dei momenti delle densità di probabilità dei diversi ordini.
Si definiscono momenti di ordine n le entità:
9
nX t x n f X x , t dx (A.2.37)
X t E X t x f X x , t dx (A.2.38)
2X t E X ( t ) 2 x 2 f X x , t dx (A.2.39)
2X t x E X t 2 f X x , t dx (A.2.41)
10
f XY x , t ; y , s dxds (A.2.43)
e rappresentano la probabilità che X(t) assuma valori nell’intervallo (x, x + dx] al tempo t
e contemporaneamente Y(t) assuma valori nell’intervallo (y, y + dy] al tempo s.
Per due processi stocastici X(t) ed Y(t) distinti, si definisce funzione di cross-
correlazione (o correlazione incrociata) l’espressione:
xy t 1 , t 2 E X t 1 Y t 2 (A.2.44)
Analogamente alle funzioni di auto- e cross-correlazione, è possibile definire le funzio-
ni di auto- e cross-covarianza, che sono date dalle relazioni:
k xx t 1 , t 2 m 2 X t 1 , X t 2
E X t 1 x t 1 X t 2 x t 2 (A.2.45)
xx t 1 , t 2 x t 1 x t 2
k xy t 1 , t 2 m 2 X t 1 , Y t 2
E X t 1 x t 1 Y t 2 y t 2 (A.2.46)
xy t 1 , t 2 x t 1 y t 2
A.2.3.2. Stazionarietà
Un processo stocastico è detto stazionario (in senso stretto) se la sua struttura probabili-
stica è indipendente da una traslazione del parametro (in dinamica, dell’origine dei tempi),
ovvero se:
f X x , t f X x , t
…………. (A.2.47)
f X x 1 , t 1 ;....; x n , t n f X x 1 , t 1 ;....; x n , t n
Come si può notare dalle (A.2.47), la densità di probabilità del primo ordine è indipen-
dente dal tempo, e quelle degli ordini successivi dipendono soltanto dalle differenze tra gli
argomenti ti.
Di conseguenza un processo stocastico stazionario ha valore medio costante:
x x f X x , t dx Costante (A.2.48)
11
boli R() e (), dipendono solo dall’intervallo di tempo tra gli istanti considerati:
xx t 1 , t 2 x 1 x 2 f X ( x 1 ; x 2 , t 2 t 1 ) dx 1 dx 2
(A.2.49)
R xx t 1 t 2 R xx
k xx t 1 , t 2 xx t 1 , t 2 x t 1 x t 2
(A.2.50)
R xx x 2 xx t 1 t 2
R x R x (A.2.51b)
R x R x 0 (A.2.51c)
ovvero è massima per t = 0 ed è una funzione pari.
Il processo è detto stazionario in senso debole se la condizione di invarianza riguarda
solo le densità di probabilità del primo e del secondo ordine.
La forma più generale di ergodicità riguarda tutte le statistiche del processo. Nel segui-
to si considerano solo l’ergodicità in media ed in auto-correlazione.
Un processo stazionario si dice ergodico in media se la sua media temporale coincide
con quella d’insieme; è quindi possibile scambiare le medie sull’insieme con le medie
temporali di una singola realizzazione del processo. Sia quindi xr(t) una qualunque realiz-
zazione del processo X(t). La proprietà di ergodicità in media implica che:
1 T
ˆ lim x r t dt X E X t (A.2.52)
T 2 T T
Un processo si dice ergodico in auto-correlazione se è verificata la relazione:
1 T
R lim x r t x r t dt R xx E X t X t (A.2.53)
T 2 T T
12
A.2.1.2.2 e A.2.2). Le due funzioni sono legate dalle relazioni:
1
x r t X r e d
it
X r x r t e it dt (A.2.54)
2
E x r t 2 lim
T
1 2
x r t dt
T T
2
(A.2.55)
2
E x r t 2 lim
1 2
x r t dt
T T T
2
(A.2.56)
2
1 1 1 1
X r X r d lim X r d
2
lim
T 2 T T 2 T
1 X r
2
Sxr lim (A.2.57)
T 2 T
E x r t 2 S x r d (A.2.58)
1 n
S x lim S x (A.2.59)
n n r 1 r
Se il processo è anche ergodico, ogni realizzazione del processo ha la stessa densità di po-
tenza spettrale, che è quindi anche la densità di potenza spettrale del processo.
Sia:
13
T
1 2
R xx lim x r t x r t dt (A.2.60)
T T T
2
la media nel tempo del prodotto [xr(t) xr(t+)] e Fx r x r la sua trasformata di Fourier:
Fx r x r R xx e i d (A.2.61)
T T
1 1 2 2
Fx r x r lim x r t e dt x r e
it i
d (A.2.66)
2 T 2 T T T
2 2
si ottiene
T 2
2
x r t e
it
dt
T
X r
2
1
Fx x lim
2
lim (A.2.67)
2 r r T 2 T T 2 T
14
1
Fx x S x r (A.2.68)
2 r r
R xx S x e i d (A.2.70)
Tabella A.2.1. - Proprietà delle principali funzioni relative a due processi stocastici X(t) ed
Y(t) a media nulla (E[X(t)] = E[Y(t)] = 0).
15
Funzione di cross-correlazione normalizzata - funzione reale definita su tutto l’asse rea-
le
x t y t R xy - XY() = YX(-)
XY E - 1 XY() + 1
X Y XY
- lim XY 0
Funzione di (auto) densità di potenza spettrale - funzione reale definita su tutto l’asse rea-
(o spettro di potenza) le
- Sx() = Sx(-)
Sx() = F [Rxx()]1 - Sx() 0
- S x d R xx 0
Funzione di densità di potenza spettrale incrociata - funzione complessa definita su tutto
(o spettro incrociato di potenza) l’asse reale
- Sxy() = SxyC() + i SxyQ(); essendo
Sxy() = F[Rxy()]1 SxyC() il co-spettro, ed SxyQ() lo spet-
tro in quadratura
- S xy d R xy 0
Funzione di coerenza - funzione reale definita su tutto l’asse rea-
2 le
S xy
Coh 2XY
S x S y - Coh 2XY
S C
xy S Qxy
2 2
S x S y
max X ( t ) in 0 , T
(A.2.71)
X
Si dimostra che la distribuzione di probabilità del valore massimo (assoluto) normaliz-
zato (A.2.71) in un intervallo di tempo [0, T] è la seguente:
1
F denota l’operatore trasformata di Fourier.
16
1 1
f 0 T exp 2 exp 0 T exp 2 (A.2.72)
2 2
dove 0 è la frequenza attesa del processo, definita dalla:
f S x f df
2
0
0 (A.2.73)
2X
La distribuzione (A.2.72) ha come media e deviazione standard i valori:
2 ln 0 T (A.2.74)
2 ln 0 T
1
M (A.2.75)
6 2 ln 0 T
R xx t E X 2 2X (A.2.77)
con coefficienti c0, c1k, c2k reali ed aleatori, a condizione che la serie converga in valore
quadratico medio ad un valore finito, ovvero che:
17
_ 2
lim E X ( t ) x 0 (A.2.79)
k
E c 1k E c 2 k 0 (A.2.80a)
E c 12k E c 22 k (A.2.80b)
E c 0 c 1k E c 0 c 2 k E c 1k c 2 k 0 (A.2.80c)
E c 1i c 1k E c 2 i c 2 k ik (A.2.80d)
E X ( t ) E c 0 (A.2.81)
R XX E c 02
1
E c 1 k c 2 k cos k 0
2 k 1
2 2
(A.2.82)
Una espressione particolare della (A.2.78) è rappresentata dal processo periodico con
fase aleatoria, definito dalla
X t c 0 c 1 k cos k 0 t c 2 k sin k 0 t (A.2.83)
k 1
dove è una variabile aleatoria con distribuzione uniforme tra 0 e 2. Il processo è stazio-
nario ed ergodico con
E X ( t ) E c 0 (A.2.84)
R xx
1 2
c 1 k c 2 k cos k 0
2 k 1
2
(A.2.85)
S x S 0 , (A.2.86)
e funzione di auto-correlazione
18
R xx 2 S 0 (A.2.87)
dove () è la funzione di Dirac. Pertanto, in un rumore bianco la correlazione tra due i-
stanti diversi è nulla, mentre la varianza è infinita, essendo:
R xx 0 S 0 d (A.2.88)
Si può osservare che questo processo non è fisicamente realizzabile perché l’area sottesa
dalla densità di potenza spettrale è infinita. Tuttavia il rumore bianco può fornire buone
approssimazioni nella analisi della risposta di sistemi e per questo, oltre che per la sua
semplicità, trova molte applicazioni nella pratica.
Sx()
S0
(a)
Rxx()
S0
(b)
S x S 0 c (A.2.89)
19
sen c
R xx 2S 0 (A.2.90)
L’area al di sotto dello spettro è finita ed il processo diventa un rumore bianco al limite per
c .
1 x 2
f X x exp x (A.2.91)
2 2 2
nella quale è il valore medio e lo scarto quadratico medio o deviazione standard, defi-
niti dalle relazioni:
E X x f X x dx (A.2.92)
E X 2 x 2 f X x dx 2 (A.2.93)
1 x2
f X x exp (A.2.94)
2 2
Per una variabile gaussiana sussiste l’importante proprietà che qualsiasi funzione lineare
di variabili aleatorie Gaussiane e anche essa Gaussiana.
Due variabili X e Y sono Gaussiane congiunte se la loro funzione densità di probabilità
congiunta risulta (A.2.95):
1
f XY x , y
2 x y 1 2xy
1 x 2 2 xy x x y y y y 2
exp x
2
2 1 xy
x2 xy 2y
dove i parametri:
E X x E Y y
20
E X x 2 2x
E Y y 2 2y
E X x Y y x y xy
f XY x , y f X x f Y y (A.2.96)
Un processo è detto gaussiano se i valori del processo in n istanti arbitrari sono variabili
gaussiane, per ogni valore di n. Un processo gaussiano è completamente definito dal valore
medio e dalla funzione di auto-covarianza (o da quella di auto-correlazione). Conseguenza
diretta di questa proprietà è che un processo gaussiano debolmente stazionario è anche sta-
zionario in senso stretto.
L’importanza pratica delle variabili aleatorie gaussiane e dei processi gaussiani discen-
de dal teorema del limite centrale che può essere formulato in modi diversi, ma sostan-
zialmente stabilisce che la distribuzione di una variabile aleatoria somma di n variabili ale-
atorie indipendenti ed egualmente distribuite tende ad essere gaussiana quando il numero
delle variabili tende ad infinito, indipendentemente da quella che è la distribuzione di pro-
babilità delle singole variabili. Il significato fisico di questo teorema è quindi evidente; i-
noltre, molti fenomeni fisici in natura sono influenzati da un numero elevato di variabili
che concorrono in maniera paritetica al loro manifestarsi. Ogni operatore lineare trasforma
un processo gaussiano in un altro processo gaussiano. La risposta di un sistema lineare ad
un eccitazione gaussiana è ancora gaussiana (cfr. Par. A.2.4).
0.4
0.3
0.2
0.1
-3 -2 -1 0 1 2 3
21
processo di Markov, se, per ogni insieme di n valori del parametro, le densità condizionate
di X(tn) per valori assegnati di X(t1), …, X(tn-1) dipendono solo da X(tn-1) , ovvero se:
Ciò significa che, assegnato lo stato attuale del processo, la sua evoluzione futura è in-
dipendente dal passato.
Un processo di Markov è descritto quindi da una funzione di probabilità di transizione
che rappresenta la probabilità che il sistema sia in uno stato i al tempo tn dato che era nello
stato j al tempo tn-1. Un processo di Markov è detto omogeneo se le probabilità di transi-
zione dipendono solo dalle differenze tn – tn-1 e non dai valori di tn e tn-1.
L’evoluzione temporale delle azioni agenti su di una struttura non può essere sempre
descritta mediante funzioni deterministiche, poiché spesso presenta elementi di aleatorietà:
tale considerazione è valida per la maggior parte delle azioni naturali, quali l’azione del
vento e quella sismica, ma anche per molte altre azioni, quali il traffico o i carichi eccezio-
nali (urti, esplosioni, ecc.). Tali azioni dovrebbero essere quindi sempre rappresentate me-
diante processi stocastici (scalari o vettoriali): e stocastici sono di conseguenza anche i
processi di risposta, cioè le storie delle quantità (ad esempio, tensioni, spostamenti, defor-
mazioni) che si manifestano nella struttura e ne caratterizzano la risposta.
Di solito l’aleatorietà delle azioni prevale su quella delle caratteristiche della struttura
(resistenze, geometria, …), che è quindi abituale descrivere mediante un modello determi-
nistico.
Si assuma che il processo di carico sia stazionario (cioè che le sue proprietà non varino
nel tempo): ciò è raramente vero (a rigore, mai) nella realtà fisica (infatti ogni azione dura,
e con intensità variabile, per un tempo limitato, che per una tempesta di vento può essere
dell’ordine di ore e per un sisma dell’ordine di secondi), ma è molto spesso introdotto co-
me ipotesi semplificativa nella pratica tecnica, almeno per azioni la cui durata è molto su-
periore al periodo fondamentale della struttura (azioni prolungate).
Sotto tale ipotesi, le proprietà significative della risposta sono quelle che si manifestano
a regime, e che sono anch’esse stazionarie, se le caratteristiche della struttura non variano
nel tempo.
22
La risposta a regime vr(t) del sistema ad una generica realizzazione pr(t) del processo
P(t) può essere ottenuta nel dominio del tempo attraverso l’integrale di convoluzione:
23
Se il processo di input è Gaussiano, anche il processo di output è Gaussiano: pertanto la
funzione di auto-correlazione (A.2.106) caratterizza completamente il processo di risposta.
La densità di potenza spettrale Sv() del processo di risposta v(t) è la trasformata di
Fourier della funzione di auto-correlazione
1
S v R v e
i
d (A.2.107)
2
Sostituendo la (A.2.106) nella (A.2.107) si ottiene la (A.2.108)
S v
1
2
0 0 R p u 2 u 1 h u 1 h u 2 du 1 du 2 e
i
d
S v
1
lim 0Th u 1 du 1 0Th u 2 du 2 TT R p u 2 u 1 e i d
2 T
Effettuando il cambiamento di variabile
u 2 u1 (A.2.110)
la (A.2.109) assume la forma (A.2.111):
S v
1
lim 0T h u 1 e iu 1 du 1 0T h u 2 e iu 2 du 2 TTuu1 uu2 R p e i d
2 T 1 2
Poiché la funzione di risposta ad impulso h(ui) è nulla quando ui < 0, il limite inferiore
dei primi due integrali può essere variato da 0 a –T. Poiché inoltre, per sistemi smorzati, la
funzione di risposta ad impulso decresce rapidamente all’aumentare dell’argomento (u1 o
u2), tali argomenti possono essere trascurati nei limiti di integrazione del terzo integrale.
Sulla base delle relazioni tra densità di potenza spettrale e auto-correlazione e tra rispo-
sta d’impulso e risposta in frequenza si verifica pertanto che:
S v H i H i S p H S p
2
(A.2.112)
Se il processo di input è un rumore bianco a valore medio nullo, caratterizzato dalla
densità di potenza spettrale SP() = S0 (Fig. A.2.6a), e dalla funzione di autocorrelazione
(Fig. A.2.6b)
R p 2 S 0 (A.2.113)
essendo () la funzione di Dirac (A.2.4a), la densità di potenza spettrale (Fig. A.2.6c) del-
la risposta di un sistema debolmente smorzato ( < 1) con pulsazione è espressa dalla re-
lazione:
24
Sp ()
S0
0
Rp ( ) (a)
2S0 ()
0
(b)
Sv ()
<1
S0
S 0
Area =
k2 S0
2k 2
4k 2
0 (c)
Rv ( )
S0
R v (0)
2k 2
<1
- r
e
2 (d)
d
Fig. A.2.6. - (a) Densità di potenza spettrale e (b) funzione di auto-correlazione di un ru-
more bianco; (c) densità di potenza spettrale e (d) funzione di auto-correlazione della ri-
sposta di un sistema ad un grado di libertà con coefficiente di smorzamento < 1.
25
1 1
Sv S0 (A.2.114)
2
k 2 2 2
1 2
La funzione di autocorrelazione della risposta (Fig. A.2.6d) è espressa dalla relazione
(A.2.115):
S 0
sign sen d e
cos d
R v ( )
2 k 2 1 2
La (A.2.114) presenta un forte picco in corrispondenza della pulsazione propria
dell’oscillatore, ovvero nella zona in cui l’oscillatore, agendo come un filtro, amplifica
l’azione.
La varianza della risposta è fornita dalla (A.2.115) e vale:
S 0 S0
2 R v (0) (A.2.116)
2k 2 2 m 2 3
E’ immediato rilevare dalla (A.2.116) che, anche se la varianza dell’azione è illimitata,
quella della risposta è limitata. Tale risultato giustifica l’impiego in molte applicazioni del
rumore bianco come modello stocastico dell’azione: infatti tale modello fornisce risultati
ragionevoli purché si adotti come densità di potenza spettrale S0 il valore assunto dalla
densità di potenza spettrale dell’azione effettiva in corrispondenza della pulsazione propria
dell’oscillatore.
Se l’azione è un processo stocastico stazionario (almeno in senso debole; cfr. Par.
A.2.3.2), ma applicato solo a partire dall’istante t = 0 al sistema in quiete, la risposta del
sistema non è stazionaria. Se il sistema è smorzato, si può tuttavia ammettere che la rispo-
sta a regime del sistema sia stazionaria (almeno in senso debole).
Se l’azione è un rumore bianco ed il sistema è debolmente smorzato, il valore quadrati-
co medio della risposta è fornito dalla relazione (A.2.117):
2
S 0
t
e
E v( t ) 2
1 d2 2 sen d t 2 d sen 2 d t
2k 2 d2
che è rappresentata in Fig. A.2.7 per diversi valori di . Si rileva che, maggiore è lo smor-
zamento, più rapido è il raggiungimento dello stato di regime. In particolare, se la durata di
applicazione td dell’azione è elevata in confronto all’intervallo caratteristico del sistema
t d 2 1 0 (A.2.118)
la risposta dello stesso può essere assunta (debolmente) stazionaria.
26
25
t
Fig. A.2.7. - Valore quadratico medio della risposta non stazionaria, risultante dalla appli-
cazione dell’azione al tempo t = 0.
lim E v ( t ) 2 S 0
2 t sin 2 t 0 (A.2.119)
0 2 k2
27
stante.
Ad esempio, per un carico p(z, t) distribuito:
P *i ( t ) i ( z ) p ( z , t ) dz (A.2.122)
Nel caso di azioni stazionarie, anche la risposta può essere considerata stazionaria. Di
conseguenza, la funzione di auto-correlazione del parametro di risposta è fornita
dall’espressione:
R Y E Y t Y t R Ym Yn (A.2.125)
m n
dove
R Ym Yn 0 B m B n R p m p n u 2 u 1 h m u 1 h n u 2 du 1du 2
R Y R Ym Ym (A.2.126)
m
S Ym Yn B m B n H m H n S p m p n (A.2.128)
S Ym Ym B 2m H m S p m p m
2
(A.2.129)
m
28
BIBLIOGRAFIA ESSENZIALE
W.B. KRÄTZIG e H.-J. NIEMANN (a cura di): «Dynamics of Civil Engineering Structures».
A.A. Balkema/Rotterdam/Brookfield, 1996: ISBN 90 5410 624 7.
29