شناسایی رفتار عملکرد انواع فنرهای نواری و مارپیچ و بشقابی در شرایط فضایی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، پژوهشگاه فضایی ایران، پژوهشکده رانشگرهای فضایی، تبریز، ایران

2 دانشجوی کارشناسی ارشد، دانشکدة مهندسی مکانیک، دانشگاه تبریز، تبریز، ایران

3 استاد، دانشکدة مهندسی مکانیک، دانشگاه تبریز، تبریز، ایران

4 دانشجوی دکتری، دانشکدة مهندسی مکانیک، دانشگاه تبریز، تبریز، ایران

چکیده

موضوع فنرهای مارپیچ، که قطعاتی حیاتی و پرکاربرد در صنایع مختلف هستند، به‌خصوص در صنایع فضایی به مراتب اهمیت بیشتری پیدا می‌کند. از فنرهای مارپیچ به‌منظور ذخیره‌سازی انرژی در کاربردهای گوناگون، به‌ویژه در مکانیزم‌های جداکننده‌ی فضاپیما، استفاده می‌شود. اما یکی از چالش‌های مهم در طراحی این قطعات، کاهش جرم آن‌هاست، به‌ویژه در کاربردهای فضایی که هر گرم بار زیادی دارد. در این مقاله، به بررسی بهینه‌سازی جرم فنرهای مارپیچ مورد استفاده در مکانیزم‌های جداکننده‌ی فضاپیما پرداخته می‌شود. ابتدا، مسئله بهینه‌سازی جرم فنرهای مارپیچ با استفاده از روابط ریاضی معمول و الگوریتم ژنتیک حل می‌شوند. سپس، با استفاده از شبکه‌های عصبی مصنوعی، یک مدل جدید برای فنرها طراحی شده و بهینه‌سازی با این مدل جدید انجام خواهد شد. نتایج به‌دست‌آمده نشان می‌دهد که استفاده از مدل پیشنهادی شبکه‌های عصبی مصنوعی، مزایای قابل توجهی نسبت به روش ابتدایی دارد. این بهینه‌سازی با استفاده از مدل پیشنهادی، باعث افزایش دقت طراحی فنرهای مارپیچ می‌شود و نتایج به‌صورت عددی و رقمی نشان می‌دهد خروجی در شبکه‌ی عصبی مربوط به تنش برشی 88/545 است که 83/0%  با روش المان محدود اختلاف دارد و همچنین خروجی در شبکه‌ی عصبی مربوط به تغییر شکل 41/76 است که 58/0% با روش المان محدود اختلاف دارد که نشان می‌دهد مدل پیشنهادی به‌صورت قابل ملاحظه‌ای عملکرد بهتری نسبت به روش‌های قبلی دارد.

کلیدواژه‌ها

موضوعات

مراجع

  • Wahl AM. Helical Compression and Tension Springs. Journal of Applied Mechanics. 1935 Mar 1;2(1):A35–7.
  • Timoshenko S. Theory of elasticity. Auckland; London: Mcgraw-Hill; 1970.
  • Arthur Munzenmaier Wahl. Mechanical Springs. New York Mcgraw-Hill; 1963.
  • Rahul MS, Rameshkumar K. Multi-objective optimization and numerical modelling of helical coil spring for automotive application. Materials Today: Proceedings. 2020 Nov; 46:4847-4853.
  • Yokota T, Taguchi T, Gen M. A solution method for optimal weight design problem of herical spring using genetic algorithms. Computers & Industrial Engineering. 1997 Oct;33(1-2):71–6.
  • Hwang SF, He RS. Improving real-parameter genetic algorithm with simulated annealing for engineering problems. Advances in Engineering Software. 2006 Jun;37(6):406–18.
  • Zebdi O, Boukhili R, Trochu F. Optimum Design of a Composite Helical Spring by Multi-criteria Optimization. Journal of Reinforced Plastics and Composites. 2008 Jul 11;28(14):1713–32.
  • Taktak M, Dammak F, Abid S, Haddar M. A finite element for dynamic analysis of a cylindrical isotropic helical spring. Journal of Mechanics of Materials and Structures. 2008 Jun 1;3(4):641–58.
  • Choi BL, Choi BH. Numerical method for optimizing design variables of carbon-fiber-reinforced epoxy composite coil springs. Composites Part B: Engineering. 2015 Dec; 82:42–9.
  • Pawar HB, Desale DD. Optimization of Three Wheeler Front Suspension Coil Spring. Procedia Manufacturing. 2018;20:428–33.
  • Williams BA, S. Cremaschi. Surrogate Model Selection for Design Space Approximation And Surrogate-based Optimization. Computer-aided chemical engineering. 2019 Jan 1;353–8.
  • Mohammadian KhalafAnsara, J. Keighobadi. Deep Reinforcement Learning with Immersion- and Invariance-based State Observer Control of Wave Energy Converters. International journal of engineering Transactions C: Aspects. 2024 Jan 1;37(6):1085–97.
  • Wang T, Shao M, Guo R, Tao F, Zhang G, Hichem Snoussi, et al. Surrogate Model via Artificial Intelligence Method for Accelerating Screening Materials and Performance Prediction. Advanced Functional Materials. 2020 Dec 1;31(8).
  • Budynas RG, J Keith Nisbett, Joseph Edward Shigley. Shigley’s mechanical engineering design. 11th ed. New York, Ny: Mcgraw-Hill Education; 2020.
  • Standards U, AISI Type 302 Stainless Steel Properties E. AISI Type 302 Stainless Steel Properties, SS302 Composition, Magnetic, Density, Hardness, Equivalent [Internet]. 2022. Available from: Theworldmaterial.com.
  • Friedman JH. Multivariate adaptive regression splines. The annals of statistics. 1991 Mar;19(1):1-67.
  • Deb K. An efficient constraint handling method for genetic algorithms. Computer methods in applied mechanics and engineering. 2000 Jun 9;186(2-4):311-38.
  • Reklaitis GV, Ravindran A, Ragsdell KM. Engineering optimization: Methods and applications. New York: Wiley; 1983 Aug.
  • Yeniay Ö. Penalty Function Methods for Constrained Optimization with Genetic Algorithms. Mathematical and Computational Applications. 2005 Apr 1;10(1):45–56.
  • رفعت نیا ص، فرجی ج, کیقبادی ج. طراحی و اجرای مدل بدیع خطای حسگرهای اینرسی در فیلتر کالمن توسعه‌یافته بر اساس الگوریتم ژنتیک. مجله مهندسی مکانیک دانشگاه تبریز. 1399، د. 50، ش. 3، ص. 97-106.
  • Marquardt DW. An Algorithm for Least-Squares Estimation of Nonlinear Parameters. Journal of the Society for Industrial and Applied Mathematics. 1963 Jun;11(2):431–41.
  • Jafar Keighobadi, Hadi Mohammadian KhalafAnsar, Peiman Naseradinmousavi. Adaptive neural dynamic surface control for uniform energy exploitation of floating wind turbine. Applied Energy. 2022 Jun 1;316:119132–2.
  • Hadi Mohammadian KhalafAnsar, Jafar Keighobadi. Adaptive Inverse Deep Reinforcement Lyapunov learning control for a floating wind turbine. Scientia Iranica. 2023 Jun 28;0(0).‏
  • 2000785F MkII MLB User Manual, Planetary System Corporation, 2019 Nov.
مهندسی مکانیک دانشگاه تبریز
دوره 54، شماره 1 - شماره پیاپی 106
در حال تکمیل
اردیبهشت 1403
صفحه 1-10

فایل ها

هم رسانی

ارجاع به این مقاله

آمار