Kiitos, että kävit Nature.com-sivustolla. Käytät selainversiota, jossa on rajoitettu CSS-tuki. Ruostumattomasta teräksestä valmistettu kelaputki Parhaan käyttökokemuksen saavuttamiseksi suosittelemme päivitetyn selaimen käyttöä (tai yhteensopivuustilan poistamista käytöstä Internet Explorerissa). Lisäksi jatkuvan tuen varmistamiseksi näytämme sivuston ilman tyylejä ja JavaScriptiä.
Näyttää kolmen dian karusellin kerralla. Siirry kolmen dian läpi kerrallaan Edellinen- ja Seuraava-painikkeilla tai siirry kolmen dian läpi kerrallaan lopussa olevilla liukusäätimen painikkeilla.
Tässä tutkimuksessa raketin siiven taittomekanismin vääntö- ja puristusjousien suunnittelua tarkastellaan optimointiongelmana. Kun raketti on lähtenyt laukaisuputkesta, suljetut siivet on avattava ja lukittava tietyksi ajaksi. Tutkimuksen tavoitteena oli maksimoida jousiin varastoitu energia, jotta siivet voisivat avautua mahdollisimman lyhyessä ajassa. Tässä tapauksessa molempien julkaisujen energiayhtälö määriteltiin optimointiprosessin tavoitefunktioksi. Jousisuunnittelussa tarvittavat langan halkaisija, kelan halkaisija, kelojen lukumäärä ja taipumaparametrit määriteltiin optimointimuuttujiksi. Muuttujille on geometrisia rajoituksia mekanismin koon vuoksi, samoin kuin turvallisuuskertoimelle jousien kantaman kuorman vuoksi. Tämän optimointiongelman ratkaisemiseen ja jousisuunnitteluun käytettiin hunajamehiläisalgoritmia (BA). BA:lla saadut energia-arvot ovat parempia kuin aiemmissa Design of Experiments (DOE) -tutkimuksissa saadut. Optimoinnista saatujen parametrien avulla suunnitellut jouset ja mekanismit analysoitiin ensin ADAMS-ohjelmalla. Tämän jälkeen suoritettiin kokeellisia testejä integroimalla valmistetut jouset todellisiin mekanismeihin. Testin tuloksena havaittiin, että siivet avautuivat noin 90 millisekunnin kuluttua. Tämä arvo on selvästi alle projektin tavoitteen, joka on 200 millisekuntia. Lisäksi analyyttisten ja kokeellisten tulosten välinen ero on vain 16 ms.
Lentokoneissa ja merikulkuneuvoissa ruostumattomasta teräksestä valmistetut kelaputkitaittomekanismit ovat kriittisiä. Näitä järjestelmiä käytetään lentokoneiden muunnoksissa ja muunnoksissa lentosuorituskyvyn ja -hallinnan parantamiseksi. Lentotilasta riippuen siivet taittuvat ja avautuvat eri tavoin aerodynaamisten iskujen vähentämiseksi1. Tätä tilannetta voidaan verrata joidenkin lintujen ja hyönteisten siipien liikkeisiin jokapäiväisen lennon ja sukelluksen aikana. Vastaavasti liitimet taittuvat ja avautuvat sukellusveneissä hydrodynaamisten vaikutusten vähentämiseksi ja käsittelyn maksimoimiseksi3. Näiden mekanismien toinen tarkoitus on tarjota tilavuusetuja järjestelmille, kuten helikopterin potkurin 4 taittumiselle varastointia ja kuljetusta varten. Raketin siivet taittuvat myös alas varastointitilan vähentämiseksi. Näin ollen kantoraketin 5 pienemmälle alueelle voidaan sijoittaa enemmän ohjuksia. Taitto- ja avausvaiheessa tehokkaasti käytettävät komponentit ovat yleensä jousia. Taittohetkellä siihen varastoituu energiaa ja se vapautuu avautumishetkellä. Joustavan rakenteensa ansiosta varastoitu ja vapautuva energia tasaantuvat. Jousi on suunniteltu pääasiassa järjestelmää varten, ja tämä suunnittelu aiheuttaa optimointiongelman6. Koska vaikka se sisältää useita muuttujia, kuten langan halkaisijan, kelan halkaisijan, kierrosten lukumäärän, kierrekulman ja materiaalityypin, on olemassa myös kriteerejä, kuten massa, tilavuus, pienin jännitysjakauma tai suurin energian saatavuus7.
Tämä tutkimus valottaa rakettijärjestelmissä käytettävien siipien taittomekanismien jousien suunnittelua ja optimointia. Ennen lentoa laukaisuputken sisällä siivet pysyvät taittuina raketin pinnalle, ja laukaisuputkesta poistumisen jälkeen ne avautuvat tietyn ajan ja pysyvät painettuina pintaa vasten. Tämä prosessi on kriittinen raketin moitteettoman toiminnan kannalta. Kehitetyssä taittomekanismissa siipien avautuminen tapahtuu vääntöjousien avulla ja lukitus puristusjousien avulla. Sopivan jousen suunnittelussa on suoritettava optimointiprosessi. Jousien optimoinnille on kirjallisuudessa useita sovelluksia.
Paredes ym.8 määrittelivät suurimman väsymiskestokertoimen kierrejousien suunnittelun tavoitefunktioksi ja käyttivät kvasi-newtonilaista menetelmää optimointimenetelmänä. Optimoinnissa käytettäviksi muuttujiksi tunnistettiin langan halkaisija, kierteen halkaisija, kierrosten lukumäärä ja jousen pituus. Toinen jousirakenteen parametri on materiaali, josta se on valmistettu. Siksi tämä otettiin huomioon suunnittelu- ja optimointitutkimuksissa. Zebdi ym.9 asettivat tutkimuksessaan tavoitefunktiolle tavoitteeksi suurimman jäykkyyden ja pienimmän painon, jossa painokerroin oli merkittävä. Tässä tapauksessa he määrittelivät muuttujiksi jousimateriaalin ja geometriset ominaisuudet. He käyttävät geneettistä algoritmia optimointimenetelmänä. Autoteollisuudessa materiaalien paino on hyödyllinen monella tapaa, ajoneuvon suorituskyvystä polttoaineenkulutukseen. Painon minimointi kierrejousia optimoitaessa jousitusta varten on tunnettu tutkimus10. Bahshesh ja Bahshesh11 tunnistivat muuttujiksi materiaaleja, kuten E-lasin, hiilen ja Kevlarin, työssään ANSYS-ympäristössä tavoitteenaan saavuttaa pienin paino ja suurin vetolujuus erilaisissa jousitusjousien komposiittirakenteissa. Valmistusprosessi on kriittinen komposiittijousien kehityksessä. Siksi optimointiongelmaan vaikuttavat useat muuttujat, kuten tuotantomenetelmä, prosessissa suoritettavat vaiheet ja näiden vaiheiden järjestys12,13. Dynaamisten järjestelmien jousia suunniteltaessa järjestelmän ominaistaajuudet on otettava huomioon. On suositeltavaa, että jousen ensimmäinen ominaistaajuus on vähintään 5–10 kertaa järjestelmän ominaistaajuus resonanssin välttämiseksi14. Taktak ym.7 päättivät minimoida jousen massan ja maksimoida ensimmäisen ominaistaajuuden tavoitefunktioina kierrejousen suunnittelussa. He käyttivät kuvionhakua, sisäpistettä, aktiivijoukkoa ja geneettistä algoritmia Matlabin optimointityökalussa. Analyyttinen tutkimus on osa jousisuunnittelututkimusta, ja elementtimenetelmä on suosittu tällä alueella15. Patil ym.16 kehittivät optimointimenetelmän puristuskierrejousen painon vähentämiseksi analyyttisen menetelmän avulla ja testasivat analyyttisiä yhtälöitä elementtimenetelmällä. Toinen kriteeri jousen käyttökelpoisuuden lisäämiseksi on sen varastoiman energian kasvu. Tämä tapaus varmistaa myös, että jousi säilyttää käyttökelpoisuutensa pitkään. Rahul ja Rameshkumar17 pyrkivät vähentämään jousen tilavuutta ja lisäämään venymäenergiaa autojen kierrejousien suunnittelussa. He ovat myös käyttäneet geneettisiä algoritmeja optimointitutkimuksessa.
Kuten voidaan nähdä, optimointitutkimuksen parametrit vaihtelevat järjestelmästä toiseen. Yleisesti ottaen jäykkyys- ja leikkausjännitysparametrit ovat tärkeitä järjestelmässä, jossa sen kantama kuorma on määräävä tekijä. Materiaalivalinta sisällytetään painorajajärjestelmään näiden kahden parametrin avulla. Toisaalta luonnollisia taajuuksia tarkistetaan resonanssien välttämiseksi erittäin dynaamisissa järjestelmissä. Järjestelmissä, joissa hyödyllisyydellä on merkitystä, energia maksimoidaan. Optimointitutkimuksissa, vaikka FEM:iä käytetään analyyttisissä tutkimuksissa, voidaan nähdä, että metaheuristisia algoritmeja, kuten geneettistä algoritmia14,18 ja harmaan suden algoritmia19, käytetään yhdessä klassisen Newton-menetelmän kanssa tiettyjen parametrien rajoissa. Metaheuristisia algoritmeja on kehitetty luonnollisiin sopeutumismenetelmiin perustuen, jotka lähestyvät optimaalista tilaa lyhyessä ajassa, erityisesti populaation vaikutuksen alaisena20,21. Populaation satunnaisella jakaumalla hakualueella ne välttävät paikallisia optimaaleja ja siirtyvät kohti globaaleja optimeja22. Siksi sitä on viime vuosina usein käytetty todellisten teollisten ongelmien yhteydessä23,24.
Tässä tutkimuksessa kehitetyn taittomekanismin kriittinen tapaus on, että ennen lentoa suljetussa asennossa olleet siivet avautuvat tietyn ajan kuluttua putkesta irtoamisesta. Tämän jälkeen lukituselementti lukitsee siiven. Siksi jouset eivät vaikuta suoraan lentodynamiikkaan. Tässä tapauksessa optimoinnin tavoitteena oli maksimoida varastoitu energia jousen liikkeen kiihdyttämiseksi. Optimointiparametreiksi määriteltiin telan halkaisija, langan halkaisija, telojen lukumäärä ja taipuma. Jousen pienen koon vuoksi painoa ei pidetty tavoitteena. Siksi materiaalityyppi määritellään kiinteäksi. Mekaanisten muodonmuutosten varmuusmarginaali määritetään kriittiseksi rajoitukseksi. Lisäksi mekanismin laajuuteen liittyy muuttuvan kokoisia rajoituksia. Optimointimenetelmäksi valittiin BA-metaheuristinen menetelmä. BA:ta suosittiin sen joustavan ja yksinkertaisen rakenteen sekä mekaanisen optimoinnin tutkimuksen edistymisen vuoksi25. Tutkimuksen toisessa osassa yksityiskohtaiset matemaattiset lausekkeet sisällytetään taittomekanismin perussuunnittelun ja jousisuunnittelun viitekehykseen. Kolmas osa sisältää optimointialgoritmin ja optimointitulokset. Luvussa 4 suoritetaan analyysi ADAMS-ohjelmalla. Jousien soveltuvuus analysoidaan ennen tuotantoa. Viimeinen osio sisältää kokeellisia tuloksia ja testikuvia. Tutkimuksessa saatuja tuloksia verrattiin myös kirjoittajien aiempaan työhön käyttäen DOE-lähestymistapaa.
Tässä tutkimuksessa kehitettyjen siipien tulisi taittua kohti raketin pintaa. Siivet kiertyvät taitetusta asennosta avattuun asentoon. Tätä varten kehitettiin erityinen mekanismi. Kuvassa 1 on esitetty taitettu ja avattu konfiguraatio5 raketin koordinaatistossa.
Kuvassa 2 on esitetty mekanismin leikkauskuva. Mekanismi koostuu useista mekaanisista osista: (1) päärungosta, (2) siipiakselista, (3) laakerista, (4) lukkorungosta, (5) lukkoholkista, (6) pysäytintapista, (7) vääntöjousesta ja (8) puristusjousista. Siipiakseli (2) on yhdistetty vääntöjouseen (7) lukitusholkin (4) kautta. Kaikki kolme osaa pyörivät samanaikaisesti raketin nousun jälkeen. Tämän pyörimisliikkeen myötä siivet kääntyvät lopulliseen asentoonsa. Tämän jälkeen puristusjousi (8) aktivoi tapin (6), mikä lukitsee lukitusrungon (4) koko mekanismin.
Kimmokerroin (E) ja leikkauskerroin (G) ovat jousen keskeisiä suunnitteluparametreja. Tässä tutkimuksessa jousimateriaaliksi valittiin runsashiilinen jousiteräslanka (Music wire ASTM A228). Muita parametreja ovat langan halkaisija (d), keskimääräinen kierteen halkaisija (Dm), kierteiden lukumäärä (N) ja jousen taipuma (xd puristusjousille ja θ vääntöjousille)26. Puristusjousien \({(SE}_{x})\) ja vääntöjousien (\({SE}_{\theta}\)) varastoitu energia voidaan laskea yhtälöistä (1) ja (2)26. (Puristusjousen leikkauskerroin (G) on 83,7E9 Pa ja vääntöjousen kimmokerroin (E) on 203,4E9 Pa.)
Järjestelmän mekaaniset mitat määräävät suoraan jousen geometriset rajoitteet. Lisäksi on otettava huomioon olosuhteet, joissa raketti sijoitetaan. Nämä tekijät määräävät jousiparametrien rajat. Toinen tärkeä rajoitus on turvallisuuskerroin. Turvallisuuskertoimen määritelmän ovat kuvanneet yksityiskohtaisesti Shigley et al.26. Puristusjousen turvallisuuskerroin (SFC) määritellään suurimpana sallittuna jännityksenä jaettuna jännityksellä jatkuvan pituuden yli. SFC voidaan laskea yhtälöiden (3), (4), (5) ja (6)26 avulla. (Tässä tutkimuksessa käytetylle jousimateriaalille \({S}_{sy}=980 MPa\)). F edustaa yhtälössä voimaa ja KB edustaa Bergstrasser-kerrointa 26.
Jousen vääntövarmuuskerroin (SFT) määritellään jakamalla M k:lla. SFT voidaan laskea yhtälöstä (7), (8), (9) ja (10)26. (Tässä tutkimuksessa käytetylle materiaalille \({S}_{y}=1600 \mathrm{MPa}\)). Yhtälössä M on vääntömomentti, \({k}^{^{\prime}}\) jousivakio (vääntömomentti/kierto) ja Ki jännityksen korjauskerroin.
Tämän tutkimuksen pääasiallinen optimointitavoite on maksimoida jousen energia. Tavoitefunktio muotoillaan löytämään funktio \\overrightarrow{\{X\}}\), joka maksimoi funktion \(f(X)\). \({f}_{1}(X)\) ja \({f}_{2}(X)\) ovat puristus- ja vääntöjousen energiafunktiot. Optimoinnissa käytetyt lasketut muuttujat ja funktiot on esitetty seuraavissa yhtälöissä.
Jousen suunnittelulle asetetut erilaiset rajoitukset on esitetty seuraavissa yhtälöissä. Yhtälöt (15) ja (16) edustavat puristus- ja vääntöjousien turvallisuuskertoimia. Tässä tutkimuksessa SFC:n on oltava suurempi tai yhtä suuri kuin 1,2 ja SFT:n on oltava suurempi tai yhtä suuri kuin θ26.
BA sai inspiraationsa mehiläisten siitepölynetsintästrategioista27. Mehiläiset etsivät lähettämällä enemmän siitepölyalueita hedelmällisille siitepölykentille ja vähemmän siitepölyalueille. Näin mehiläispopulaatiosta saavutetaan suurin tehokkuus. Toisaalta partiomehiläiset jatkavat uusien siitepölyalueiden etsimistä, ja jos tuottavia alueita on enemmän kuin ennen, monet partiomehiläiset ohjataan tälle uudelle alueelle28. BA koostuu kahdesta osasta: paikallisesta hausta ja globaalista hausta. Paikallinen haku etsii lisää yhteisöjä läheltä minimiä (eliittisivustot), kuten mehiläisiä, ja etsii vähemmän muita sivustoja (optimaaliset tai valitut sivustot). Globaalin haun osassa suoritetaan mielivaltainen haku, ja jos löytyy hyviä arvoja, asemat siirretään paikalliseen hakuun seuraavassa iteraatiossa. Algoritmi sisältää joitakin parametreja: partiomehiläisten lukumäärän (n), paikallisten hakusivustojen lukumäärän (m), eliittisivustojen lukumäärän (e), partiomehiläisten lukumäärän eliittisivustoilla (nep) ja partiomehiläisten lukumäärän optimaalisilla alueilla. Kohde (nsp), naapuruston koko (ngh) ja iteraatioiden lukumäärä (I)29. BA-pseudokoodi on esitetty kuvassa 3.
Algoritmi pyrkii toimimaan välillä \({g}_{1}(X)\) ja \({g}_{2}(X)\). Kunkin iteraation tuloksena määritetään optimaaliset arvot ja näiden arvojen ympärille kootaan populaatio parhaiden arvojen löytämiseksi. Rajoituksia tarkistetaan paikallisessa ja globaalissa hakuosiossa. Paikallisessa haussa, jos nämä tekijät ovat sopivia, lasketaan energia-arvo. Jos uusi energia-arvo on suurempi kuin optimaalinen arvo, uusi arvo määritetään optimaaliselle arvolle. Jos hakutuloksessa löydetty paras arvo on suurempi kuin nykyinen alkio, uusi alkio sisällytetään kokoelmaan. Paikallisen haun lohkokaavio on esitetty kuvassa 4.
Populaatio on yksi BA:n keskeisistä parametreista. Aiemmista tutkimuksista voidaan nähdä, että populaation laajentaminen vähentää tarvittavien iteraatioiden määrää ja lisää onnistumisen todennäköisyyttä. Myös toiminnallisten arviointien määrä kasvaa. Suuri määrä eliittihakualueita ei vaikuta merkittävästi suorituskykyyn. Eliittihakualueiden määrä voi olla pieni, jos se ei ole nolla30. Partiomehiläispopulaation koko (n) valitaan yleensä 30 ja 100 väliltä. Tässä tutkimuksessa ajettiin sekä 30 että 50 skenaarioita sopivan lukumäärän määrittämiseksi (taulukko 2). Muut parametrit määritetään populaation mukaan. Valittujen hakualueiden lukumäärä (m) on (noin) 25 % populaation koosta, ja eliittihakualueiden lukumäärä (e) valittujen hakualueiden joukossa on 25 % m:stä. Ruokailevien mehiläisten lukumääräksi (etsintöjen määrä) valittiin 100 eliittihakualoilla ja 30 muilla paikallisilla hakualgoritmeilla. Naapuruston haku on kaikkien evoluutioalgoritmien peruskäsite. Tässä tutkimuksessa käytettiin kapenevien naapureiden menetelmää. Tämä menetelmä pienentää naapuruston kokoa tietyllä nopeudella jokaisen iteraation aikana. Tulevissa iteraatioissa voidaan käyttää pienempiä naapuruston arvoja30 tarkempaan hakuun.
Jokaisessa skenaariossa suoritettiin kymmenen peräkkäistä testiä optimointialgoritmin toistettavuuden tarkistamiseksi. Kuvassa 5 on esitetty vääntöjousen optimoinnin tulokset kaaviossa 1 ja kuvassa 6 kaaviossa 2. Testitiedot on esitetty myös taulukoissa 3 ja 4 (taulukko, joka sisältää puristusjouselle saadut tulokset, on lisätiedoissa S1). Mehiläispopulaatio tehostaa hyvien arvojen etsintää ensimmäisessä iteraatiossa. Skenaariossa 1 joidenkin testien tulokset olivat alle maksimin. Skenaariossa 2 voidaan nähdä, että kaikki optimointitulokset lähestyvät maksimia populaation ja muiden asiaankuuluvien parametrien kasvun vuoksi. Voidaan nähdä, että skenaarion 2 arvot ovat riittäviä algoritmille.
Kun iteraatioissa saadaan energian maksimiarvo, tutkimukselle annetaan myös turvallisuuskerroin rajoitteena. Turvallisuuskerroin on esitetty taulukossa. BA:lla saatuja energia-arvoja verrataan 5-DOE-menetelmällä saatuihin arvoihin taulukossa 5. (Valmistuksen helpottamiseksi vääntöjousen kierrosten lukumäärä (N) on 4,9 4,88:n sijaan ja puristusjousen taipuma (xd) on 8 mm 7,99 mm:n sijaan.) Voidaan nähdä, että BA on parempi tulos. BA arvioi kaikki arvot paikallisten ja globaalien hakujen avulla. Tällä tavoin hän voi kokeilla useampia vaihtoehtoja nopeammin.
Tässä tutkimuksessa Adamsia käytettiin siipimekanismin liikkeen analysointiin. Adamsille annetaan ensin mekanismin 3D-malli. Sitten määritellään jousi edellisessä osiossa valituilla parametreilla. Lisäksi varsinaista analyysia varten on määriteltävä joitakin muita parametreja. Nämä ovat fysikaalisia parametreja, kuten liitokset, materiaalin ominaisuudet, kosketus, kitka ja painovoima. Siipiakselin ja laakerin välissä on pyörivä nivel. Sylinterimäisiä niveliä on 5–6. Kiinteitä niveliä on 5–1. Päärunko on valmistettu alumiinimateriaalista ja kiinteä. Muiden osien materiaali on teräs. Valitse kitkakerroin, kosketusjäykkyys ja kitkapinnan tunkeutumissyvyys materiaalityypin mukaan. (ruostumaton teräs AISI 304) Tässä tutkimuksessa kriittinen parametri on siipimekanismin avautumisaika, jonka on oltava alle 200 ms. Siksi on pidettävä silmällä siiven avautumisaikaa analyysin aikana.
Adamsin analyysin tuloksena siipimekanismin avautumisaika on 74 millisekuntia. Dynaamisen simulaation tulokset 1–4 on esitetty kuvassa 7. Kuvan 5 ensimmäinen kuva on simulaation aloitusaika ja siivet ovat odotusasennossa taittoa varten. (2) Näyttää siiven asennon 40 ms:n kuluttua, kun siipi on kiertynyt 43 astetta. (3) Näyttää siiven asennon 71 millisekunnin kuluttua. Myös viimeisessä kuvassa (4) näkyy siiven kääntymisen loppu ja avausasento. Dynaamisen analyysin tuloksena havaittiin, että siiven avautumismekanismi on merkittävästi lyhyempi kuin tavoitearvo 200 ms. Lisäksi jousien mitoituksessa turvallisuusrajat valittiin kirjallisuudessa suositeltujen korkeimpien arvojen joukosta.
Kaikkien suunnittelu-, optimointi- ja simulointitutkimusten valmistuttua mekanismin prototyyppi valmistettiin ja integroitiin. Prototyyppiä testattiin sitten simulaatiotulosten varmistamiseksi. Ensin kiinnitettiin päärunko ja taitettiin siivet. Sitten siivet vapautettiin taitetusta asennosta ja siipien pyörimisestä taitetusta asennosta avattuun asentoon kuvattiin video. Ajastin analysoitiin myös aikaa videotallennuksen aikana.
Kuvassa 8 on esitetty videoruudut numeroituina 1–4. Kuvassa ruutu numero 1 esittää taitettujen siipien irtoamishetkeä. Tätä hetkeä pidetään ajanhetkenä t0. Ruudut 2 ja 3 esittävät siipien asentoja 40 ms ja 70 ms alkuhetken jälkeen. Ruutuja 3 ja 4 analysoitaessa voidaan nähdä, että siiven liike vakautuu 90 ms ajanhetken t0 jälkeen ja siiven avautuminen on valmis 70–90 ms välillä. Tämä tarkoittaa, että sekä simulointi että prototyyppitestaus antavat suunnilleen saman siiven avautumisajan ja suunnittelu täyttää mekanismin suorituskykyvaatimukset.
Tässä artikkelissa siiven taittomekanismissa käytettyjä vääntö- ja puristusjousia optimoidaan BA:n avulla. Parametrit saavutetaan nopeasti muutamalla iteraatiolla. Vääntöjousen mitoitusarvo on 1075 mJ ja puristusjousen 37,24 mJ. Nämä arvot ovat 40–50 % parempia kuin aiemmissa DOE-tutkimuksissa. Jousi on integroitu mekanismiin ja analysoitu ADAMS-ohjelmalla. Analysoitaessa havaittiin, että siivet avautuivat 74 millisekunnissa. Tämä arvo on selvästi alle projektin tavoitteen, joka on 200 millisekuntia. Myöhemmässä kokeellisessa tutkimuksessa mitattiin käynnistymisajaksi noin 90 ms. Tämä 16 millisekunnin ero analyysien välillä voi johtua ympäristötekijöistä, joita ei ole mallinnettu ohjelmistossa. Tutkimuksen tuloksena saatua optimointialgoritmia uskotaan voivan käyttää erilaisiin jousirakenteisiin.
Jousimateriaali oli ennalta määritelty, eikä sitä käytetty muuttujana optimoinnissa. Koska lentokoneissa ja raketeissa käytetään monenlaisia ​​jousityyppejä, BA:ta sovelletaan tulevaisuuden tutkimuksessa muuntyyppisten jousien suunnitteluun käyttäen erilaisia ​​materiaaleja optimaalisen jousirakenteen saavuttamiseksi.
Vakuutamme, että tämä käsikirjoitus on alkuperäinen, sitä ei ole aiemmin julkaistu eikä sitä tällä hetkellä harkita julkaistavaksi muualla.
Kaikki tässä tutkimuksessa tuotet tai analysoidut tiedot sisältyvät tähän julkaistuun artikkeliin [ja lisätietotiedostoon].
Min, Z., Kin, VK ja Richard, LJ Lentokoneet Siipiprofiilikonseptin modernisointi radikaalien geometristen muutosten avulla. IES J. Part A Civilization. composition. project. 3(3), 188–195 (2010).
Sun, J., Liu, K. ja Bhushan, B. Yleiskatsaus kovakuoriaisen takasiiven rakenteeseen, mekaanisiin ominaisuuksiin, mekanismeihin ja biologiseen inspiraatioon. J. Mecha. Behavior. Biomedical Science. alma mater. 94, 63–73 (2019).
Chen, Z., Yu, J., Zhang, A. ja Zhang, F. Taittuvan propulsiomekanismin suunnittelu ja analyysi hybridikäyttöiselle vedenalaiselle liitolaitteelle. Ocean Engineering 119, 125–134 (2016).
Kartik, HS ja Prithvi, K. Helikopterin vaakasuoran vakaajan taittomekanismin suunnittelu ja analyysi. sisäinen J. Ing. varastosäiliö. teknologia. (IGERT) 9(05), 110–113 (2020).
Kulunk, Z. ja Sahin, M. Taittuvan raketin siiven mekaanisten parametrien optimointi kokeellisen suunnittelumenetelmän avulla. internal J. Model. optimization. 9(2), 108–112 (2019).
Ke, J., Wu, ZY, Liu, YS, Xiang, Z. & Hu, XD-suunnittelumenetelmä, suorituskykytutkimus ja komposiittijousien valmistusprosessi: Katsaus. compose. composition. 252, 112747 (2020).
Taktak M., Omheni K., Alui A., Dammak F. ja Khaddar M. Kierrejousien dynaaminen suunnittelun optimointi. Apply for sound. 77, 178–183 (2014).
Paredes, M., Sartor, M., ja Mascle, K. Menetelmä vetojousien suunnittelun optimoimiseksi. Tietokone. Menetelmän soveltaminen. Fur. Project. 191(8-10), 783-797 (2001).
Zebdi O., Bouhili R. ja Trochu F. Komposiittisten kierrejousien optimaalinen suunnittelu monikriteerioptimoinnin avulla. J. Reinf. plastic. compose. 28 (14), 1713–1732 (2009).
Pawart, HB ja Desale, DD Kolmipyöräisten etujousituksen kierrejousien optimointi. prosessi. valmistaja. 20, 428–433 (2018).
Bahshesh M. ja Bahshesh M. Teräsjousien optimointi komposiittijousilla. internal J. Multidisciplinary. the science. project. 3(6), 47–51 (2012).
Chen, L. ym. Tutustu moniin parametreihin, jotka vaikuttavat komposiittijousien staattiseen ja dynaamiseen suorituskykyyn. J. Market. Storage Tank. 20, 532–550 (2022).
Frank, J. Komposiittisten kierrejousien analyysi ja optimointi, väitöskirja, Sacramenton osavaltionyliopisto (2020).
Gu, Z., Hou, X. ja Ye, J. Menetelmiä epälineaaristen kierrejousien suunnitteluun ja analysointiin useiden menetelmien yhdistelmällä: elementtimenetelmäanalyysi, latinalainen hyperkuutio-rajallinen näytteenotto ja geneettinen ohjelmointi. Process. Fur Institute. Project. CJ Mecha. Project. The Science. 235(22), 5917–5930 (2021).
Wu, L., ym. Säädettävän jousen lujuuden omaavat hiilikuituiset monisäikeiset kierrejouset: suunnittelu- ja mekanismitutkimus. J. Market. storage tank. 9(3), 5067–5076 (2020).
Patil DS, Mangrulkar KS ja Jagtap ST. Puristuskierrejousien painon optimointi. Sisäinen J. Innov. -säiliö. Multidisciplinary. 2(11), 154–164 (2016).
Rahul, MS ja Rameshkumar, K. Autoteollisuuden sovelluksiin tarkoitettujen kierrejousien monikäyttöinen optimointi ja numeerinen simulointi. alma mater. process today. 46. ​​4847–4853 (2021).
Bai, JB ym. Parhaiden käytäntöjen määrittely – Komposiittisten kierukkarakenteiden optimaalinen suunnittelu geneettisten algoritmien avulla. compose. composition. 268, 113982 (2021).
Shahin, I., Dorterler, M., ja Gokche, H. 灰狼-optimointimenetelmän käyttö puristusjousen suunnittelun pienimmän tilavuuden optimoinnin perusteella, Ghazi J. Engineering Science, 3(2), 21–27 (2017).
Aye, KM, Foldy, N., Yildiz, AR, Burirat, S. ja Sait, SM. Metaheuristiikka useiden agenttien avulla kaatumisten optimoimiseksi. internal J. Veh. joulukuu 80(2–4), 223–240 (2019).
Yildyz, AR ja Erdash, MU Uusi hybridi Taguchi-salpa-ryhmän optimointialgoritmi todellisten teknisten ongelmien luotettavaan suunnitteluun. alma mater. test. 63(2), 157–162 (2021).
Yildiz BS, Foldi N., Burerat S., Yildiz AR ja Sait SM. Robottitarrainmekanismien luotettava suunnittelu käyttämällä uutta hybridiheinäsirkkaoptimointialgoritmia. expert. system. 38(3), e12666 (2021).