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

سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 134

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_TUMECHJ-54-1_001

تاریخ نمایه سازی: 17 اردیبهشت 1403

چکیده مقاله:

موضوع فنرهای مارپیچ، که قطعاتی حیاتی و پرکاربرد در صنایع مختلف هستند، به خصوص در صنایع فضایی به مراتب اهمیت بیشتری پیدا می کند. از فنرهای مارپیچ به منظور ذخیره سازی انرژی در کاربردهای گوناگون، به ویژه در مکانیزم های جداکننده ی فضاپیما، استفاده می شود. اما یکی از چالش های مهم در طراحی این قطعات، کاهش جرم آن هاست، به ویژه در کاربردهای فضایی که هر گرم بار زیادی دارد. در این مقاله، به بررسی بهینه سازی جرم فنرهای مارپیچ مورد استفاده در مکانیزم های جداکننده ی فضاپیما پرداخته می شود. ابتدا، مسئله بهینه سازی جرم فنرهای مارپیچ با استفاده از روابط ریاضی معمول و الگوریتم ژنتیک حل می شوند. سپس، با استفاده از شبکه های عصبی مصنوعی، یک مدل جدید برای فنرها طراحی شده و بهینه سازی با این مدل جدید انجام خواهد شد. نتایج به دست آمده نشان می دهد که استفاده از مدل پیشنهادی شبکه های عصبی مصنوعی، مزایای قابل توجهی نسبت به روش ابتدایی دارد. این بهینه سازی با استفاده از مدل پیشنهادی، باعث افزایش دقت طراحی فنرهای مارپیچ می شود و نتایج به صورت عددی و رقمی نشان می دهد خروجی در شبکه ی عصبی مربوط به تنش برشی ۸۸/۵۴۵ است که ۸۳/۰%  با روش المان محدود اختلاف دارد و همچنین خروجی در شبکه ی عصبی مربوط به تغییر شکل ۴۱/۷۶ است که ۵۸/۰% با روش المان محدود اختلاف دارد که نشان می دهد مدل پیشنهادی به صورت قابل ملاحظه ای عملکرد بهتری نسبت به روش های قبلی دارد.

نویسندگان

محرم شاملی

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

مبین رحمانی

دانشجوی کارشناسی ارشد، دانشکده مهندسی مکانیک، دانشگاه تبریز، تبریز، ایران

جعفر کیقبادی

استاد، دانشکده مهندسی مکانیک، دانشگاه تبریز، تبریز، ایران

هادی محمدیان خلف انصار

دانشجوی دکتری، دانشکده مهندسی مکانیک، دانشگاه تبریز، تبریز، ایران

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 :
  • Wahl AM. Helical Compression and Tension Springs. Journal of Applied ...
  • Timoshenko S. Theory of elasticity. Auckland; London: Mcgraw-Hill; ۱۹۷۰ ...
  • Arthur Munzenmaier Wahl. Mechanical Springs. New York Mcgraw-Hill; ۱۹۶۳ ...
  • Rahul MS, Rameshkumar K. Multi-objective optimization and numerical modelling of ...
  • Yokota T, Taguchi T, Gen M. A solution method for ...
  • Hwang SF, He RS. Improving real-parameter genetic algorithm with simulated ...
  • Zebdi O, Boukhili R, Trochu F. Optimum Design of a ...
  • Taktak M, Dammak F, Abid S, Haddar M. A finite ...
  • Choi BL, Choi BH. Numerical method for optimizing design variables ...
  • Pawar HB, Desale DD. Optimization of Three Wheeler Front Suspension ...
  • Williams BA, S. Cremaschi. Surrogate Model Selection for Design Space ...
  • Mohammadian KhalafAnsara H, Keighobadi J, Deep Reinforcement Learning with Immersion- ...
  • Wang T, Shao M, Guo R, Tao F, Zhang G, ...
  • Budynas RG, J Keith Nisbett, Joseph Edward Shigley. Shigley’s mechanical ...
  • Standards U, AISI Type ۳۰۲ Stainless Steel Properties E. AISI ...
  • Friedman JH. Multivariate adaptive regression splines. The annals of statistics. ...
  • Deb K. An efficient constraint handling method for genetic algorithms. ...
  • Reklaitis GV, Ravindran A, Ragsdell KM. Engineering optimization: Methods and ...
  • Yeniay Ö. Penalty Function Methods for Constrained Optimization with Genetic ...
  • طراحی و اجرای مدل بدیع خطای حسگرهای اینرسی در فیلتر کالمن توسعه‌یافته بر اساس الگوریتم ژنتیک [مقاله ژورنالی]
  • Marquardt DW. An Algorithm for Least-Squares Estimation of Nonlinear Parameters. ...
  • Keighobadi J, Mohammadian KhalafAnsar H, Naseradinmousavi P, Adaptive neural dynamic ...
  • Mohammadian KhalafAnsar H, Keighobadi J, Adaptive Inverse Deep Reinforcement Lyapunov ...
  • نمایش کامل مراجع