Finite Element Crushing Analysis, Neural Network Modelling and Multi-Objective Optimization of the Honeycomb Energy Absorbers
سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 200
فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_ADMTL-11-1_006
تاریخ نمایه سازی: 13 اردیبهشت 1400
چکیده مقاله:
The thin-walled honeycomb structures are one of the most common energy absorber types. These structures are of particular use in different industries due to their high energy absorption capability. In this article, the finite element simulation of honeycomb energy absorbers was accomplished in order to analyze their crushing behavior. ۴۸ panels with different hexagonal edge length, thickness and branch angle were examined. In the following, the amounts of mean stresses versus the geometric variables using neurotic lattices were considered. Comparison between the finite element results and the obtained neural network model verified the high accuracy of the obtained model. Then the model was optimized by one of the efficient genetic algorithm methods called “Multi-objective Uniform-diversity Genetic algorithm”. The obtained optimum results provide practical information for the design and application of these energy absorbers regards to designer requirement. It was observed that honeycomb energy absorbers with ۱۱.۰۷ mm hexagonal edge length, ۰.۰۷۸ mm wall thickness and ۱۲۳-degree branch angle have the maximum energy absorption over the panel mass.
کلیدواژه ها:
نویسندگان
M. Vakili
Department of Mechanical Engineering, College of Engineering, University of Takestan, Takestan, Iran
M. Farahani
Department of Mechanical Engineering, College of Engineering, University of Tehran, Tehran, Iran
A. Khalkhali
Department of Automotive Engineering, Iran University of Science and Technology, Tehran, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :