Nature.com သို့ ဝင်ရောက်ကြည့်ရှုသည့်အတွက် ကျေးဇူးတင်ပါသည်။ သင်သည် CSS ပံ့ပိုးမှု အကန့်အသတ်ရှိသော browser ဗားရှင်းကို အသုံးပြုနေပါသည်။ Stainless steel coil tube အကောင်းဆုံးအတွေ့အကြုံအတွက်၊ အပ်ဒိတ်လုပ်ထားသော browser ကို အသုံးပြုရန် (သို့မဟုတ် Internet Explorer ရှိ Compatibility Mode ကို ပိတ်ရန်) အကြံပြုအပ်ပါသည်။ ထို့အပြင်၊ စဉ်ဆက်မပြတ် ပံ့ပိုးမှုကို သေချာစေရန်အတွက်၊ ကျွန်ုပ်တို့သည် styles နှင့် JavaScript မပါဘဲ site ကို ပြသပါသည်။
ဆလိုက်သုံးခုကို တစ်ပြိုင်နက်တည်း လှည့်ပတ်ပြသသည်။ တစ်ပြိုင်နက်တည်း ဆလိုက်သုံးခုကို ရွှေ့ရန် Previous နှင့် Next ခလုတ်များကို အသုံးပြုပါ၊ သို့မဟုတ် အဆုံးရှိ ဆလိုက်ခလုတ်များကို အသုံးပြု၍ တစ်ပြိုင်နက်တည်း ဆလိုက်သုံးခုကို ရွှေ့ပါ။
ဤလေ့လာမှုတွင်၊ သံမဏိကွိုင်ပြွန်၊ ဒုံးပျံတွင်အသုံးပြုသော တောင်ပံခေါက်ယန္တရား၏ torsion နှင့် compression springs များ၏ဒီဇိုင်းကို optimization ပြဿနာတစ်ခုအဖြစ် သတ်မှတ်သည်။ ဒုံးပျံသည် လွှတ်တင်ပြွန်မှ ထွက်ခွာပြီးနောက်၊ ပိတ်ထားသောတောင်ပံများကို အချိန်အတိုင်းအတာတစ်ခုအထိ ဖွင့်ပြီး လုံခြုံအောင်ထားရမည်။ လေ့လာမှု၏ ရည်ရွယ်ချက်မှာ တောင်ပံများသည် အတိုဆုံးအချိန်အတွင်း ဖြန့်ကျက်နိုင်စေရန်အတွက် စပရိန်များတွင် သိုလှောင်ထားသော စွမ်းအင်ကို အမြင့်ဆုံးဖြစ်စေရန်ဖြစ်သည်။ ဤကိစ္စတွင်၊ စာစောင်နှစ်ခုလုံးတွင်ပါရှိသော စွမ်းအင်ညီမျှခြင်းကို optimization လုပ်ငန်းစဉ်၏ objective function အဖြစ် သတ်မှတ်ခဲ့သည်။ ဝါယာကြိုးအချင်း၊ ကွိုင်အချင်း၊ ကွိုင်အရေအတွက်နှင့် စပရိန်ဒီဇိုင်းအတွက် လိုအပ်သော deflection parameters များကို optimization variables များအဖြစ် သတ်မှတ်ခဲ့သည်။ ယန္တရား၏ အရွယ်အစားကြောင့် variables များအပေါ် geometric ကန့်သတ်ချက်များအပြင် စပရိန်များမှ သယ်ဆောင်သော ဝန်ကြောင့် ဘေးကင်းရေးအချက်အပေါ် ကန့်သတ်ချက်များရှိသည်။ ပျား (BA) algorithm ကို ဤ optimization ပြဿနာကို ဖြေရှင်းရန်နှင့် စပရိန်ဒီဇိုင်းကို လုပ်ဆောင်ရန် အသုံးပြုခဲ့သည်။ BA ဖြင့်ရရှိသော စွမ်းအင်တန်ဖိုးများသည် ယခင် Design of Experiments (DOE) လေ့လာမှုများမှ ရရှိသော စွမ်းအင်တန်ဖိုးများထက် သာလွန်သည်။ optimization မှရရှိသော parameters များကို အသုံးပြု၍ ဒီဇိုင်းထုတ်ထားသော စပရိန်များနှင့် ယန္တရားများကို ADAMS ပရိုဂရမ်တွင် ပထမဆုံး ခွဲခြမ်းစိတ်ဖြာခဲ့သည်။ ထို့နောက် ထုတ်လုပ်ထားသော စပရိန်များကို အစစ်အမှန်ယန္တရားများထဲသို့ ပေါင်းစပ်ခြင်းဖြင့် စမ်းသပ်စမ်းသပ်မှုများကို ပြုလုပ်ခဲ့သည်။ စမ်းသပ်မှု၏ရလဒ်အနေဖြင့် တောင်ပံများသည် ၉၀ မီလီစက္ကန့်ခန့်အကြာတွင် ပွင့်သွားသည်ကို တွေ့ရှိခဲ့သည်။ ဤတန်ဖိုးသည် စီမံကိန်း၏ပစ်မှတ် ၂၀၀ မီလီစက္ကန့်ထက် များစွာနိမ့်ကျနေသည်။ ထို့အပြင် ခွဲခြမ်းစိတ်ဖြာမှုနှင့် စမ်းသပ်မှုရလဒ်များအကြား ကွာခြားချက်မှာ ၁၆ မီလီစက္ကန့်သာရှိသည်။
လေယာဉ်နှင့် ရေကြောင်းယာဉ်များတွင်၊ သံမဏိကွိုင်ပြွန်ခေါက်ခြင်းယန္တရားများသည် အရေးကြီးပါသည်။ ဤစနစ်များကို လေယာဉ်ပြုပြင်မွမ်းမံခြင်းနှင့် ပြောင်းလဲခြင်းများတွင် ပျံသန်းမှုစွမ်းဆောင်ရည်နှင့် ထိန်းချုပ်မှုကို တိုးတက်စေရန် အသုံးပြုကြသည်။ ပျံသန်းမှုပုံစံပေါ် မူတည်၍ တောင်ပံများသည် လေခွင်းအားသက်ရောက်မှုကို လျှော့ချရန် ကွဲပြားစွာ ခေါက်ပြီး ဖြန့်ကားကြသည်။ ဤအခြေအနေကို နေ့စဉ်ပျံသန်းခြင်းနှင့် ရေငုပ်ခြင်းအတွင်း ငှက်အချို့နှင့် အင်းဆက်ပိုးမွှားများ၏ တောင်ပံလှုပ်ရှားမှုများနှင့် နှိုင်းယှဉ်နိုင်သည်။ အလားတူပင်၊ ရေငုပ်သင်္ဘောများတွင် ရေငုပ်သင်္ဘောများသည် ရေအောက်သို့ ရွေ့လျားမှုတွင် ခေါက်ပြီး ဖြန့်ကားကြသည်။ ဤယန္တရားများ၏ နောက်ထပ်ရည်ရွယ်ချက်တစ်ခုမှာ ရဟတ်ယာဉ်ပန်ကာ ၄ ကို သိုလှောင်ခြင်းနှင့် သယ်ယူပို့ဆောင်ခြင်းအတွက် ခေါက်ခြင်းကဲ့သို့သော စနစ်များအတွက် ထုထည်အားသာချက်များ ပေးစွမ်းရန်ဖြစ်သည်။ ဒုံးပျံ၏တောင်ပံများသည်လည်း သိုလှောင်ရန်နေရာလျှော့ချရန် ခေါက်ချသည်။ ထို့ကြောင့် ဒုံးပျံ ၅ ၏ သေးငယ်သောနေရာတွင် ဒုံးကျည်များ ပိုမိုထားရှိနိုင်သည်။ ခေါက်ခြင်းနှင့် ဖြန့်ကားခြင်းတွင် ထိရောက်စွာအသုံးပြုသော အစိတ်အပိုင်းများသည် များသောအားဖြင့် စပရိန်များဖြစ်သည်။ ခေါက်လိုက်ချိန်တွင် စွမ်းအင်ကို ၎င်းတွင်သိမ်းဆည်းထားပြီး ဖြန့်ကားချိန်တွင် ထုတ်လွှတ်သည်။ ၎င်း၏ ပြောင်းလွယ်ပြင်လွယ်ဖွဲ့စည်းပုံကြောင့် သိုလှောင်ထားသောနှင့် ထုတ်လွှတ်လိုက်သော စွမ်းအင်ကို ညီမျှစေသည်။ စပရိန်ကို အဓိကအားဖြင့် စနစ်အတွက် ဒီဇိုင်းထုတ်ထားပြီး ဤဒီဇိုင်းသည် အကောင်းဆုံးဖြစ်အောင်လုပ်ဆောင်ခြင်းပြဿနာ ၆ ကို တင်ပြသည်။ အဘယ်ကြောင့်ဆိုသော် ၎င်းတွင် ဝါယာကြိုးအချင်း၊ ကွိုင်အချင်း၊ လှည့်ပတ်မှုအရေအတွက်၊ helix angle နှင့် ပစ္စည်းအမျိုးအစားကဲ့သို့သော ကွဲပြားသော variable များပါဝင်သော်လည်း၊ mass၊ volume၊ minimum stress distribution သို့မဟုတ် maximum energy available ကဲ့သို့သော စံနှုန်းများလည်း ရှိပါသည်။
ဤလေ့လာမှုသည် ဒုံးပျံစနစ်များတွင် အသုံးပြုသော တောင်ပံခေါက်ယန္တရားများအတွက် စပရိန်များ၏ ဒီဇိုင်းနှင့် အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်းအပေါ် အလင်းပြသည်။ ပျံသန်းမှုမပြုမီ လွှတ်တင်ပြွန်အတွင်း၌ ရှိနေခြင်းကြောင့် တောင်ပံများသည် ဒုံးပျံ၏မျက်နှာပြင်ပေါ်တွင် ခေါက်နေမည်ဖြစ်ပြီး လွှတ်တင်ပြွန်မှ ထွက်ခွာပြီးနောက် ၎င်းတို့သည် အချိန်အတိုင်းအတာတစ်ခုအထိ ဖြန့်ကားပြီး မျက်နှာပြင်ပေါ်တွင် ဖိထားခံရသည်။ ဤလုပ်ငန်းစဉ်သည် ဒုံးပျံ၏ သင့်လျော်သောလုပ်ဆောင်ချက်အတွက် အရေးကြီးပါသည်။ တီထွင်ထားသော ခေါက်ယန္တရားတွင် တောင်ပံများဖွင့်ခြင်းကို torsion springs များဖြင့် ပြုလုပ်ပြီး locking ကို compression springs များဖြင့် ပြုလုပ်သည်။ သင့်လျော်သော စပရိန်ကို ဒီဇိုင်းဆွဲရန်အတွက် အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်းလုပ်ငန်းစဉ်ကို လုပ်ဆောင်ရမည်။ စပရိန် အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်းအတွင်း စာပေများတွင် အသုံးချမှုအမျိုးမျိုးရှိသည်။
Paredes နှင့်အဖွဲ့သည် helical springs များဒီဇိုင်းအတွက် maximum fatigue life factor ကို objective function အဖြစ်သတ်မှတ်ပြီး quasi-Newtonian method ကို optimization method အဖြစ်အသုံးပြုခဲ့သည်။ optimization တွင် variable များကို wire diameter၊ coil diameter၊ turn အရေအတွက်နှင့် spring length အဖြစ်သတ်မှတ်ခဲ့သည်။ spring structure ၏ နောက်ထပ် parameter တစ်ခုမှာ ၎င်းကိုပြုလုပ်ထားသော ပစ္စည်းဖြစ်သည်။ ထို့ကြောင့် design နှင့် optimization လေ့လာမှုများတွင် ၎င်းကိုထည့်သွင်းစဉ်းစားခဲ့သည်။ Zebdi နှင့်အဖွဲ့သည် ၎င်းတို့၏လေ့လာမှုတွင် objective function တွင် maximum stiffness နှင့် minimum weight ရည်မှန်းချက်များကိုချမှတ်ခဲ့ပြီး weight factor သည်အရေးပါသည်။ ဤကိစ္စတွင် ၎င်းတို့သည် spring material နှင့် geometric properties များကို variable များအဖြစ်သတ်မှတ်ခဲ့သည်။ ၎င်းတို့သည် genetic algorithm ကို optimization နည်းလမ်းအဖြစ်အသုံးပြုသည်။ automotive industry တွင် material များ၏အလေးချိန်သည် ယာဉ်စွမ်းဆောင်ရည်မှလောင်စာဆီသုံးစွဲမှုအထိ နည်းလမ်းများစွာဖြင့်အသုံးဝင်သည်။ suspension အတွက် coil springs များကို optimize လုပ်နေစဉ် weight minimum လုပ်ခြင်းသည် လူသိများသောလေ့လာမှုတစ်ခုဖြစ်သည်။ Bahshesh နှင့် Bahshesh တို့သည် ANSYS environment တွင် ၎င်းတို့၏လုပ်ငန်းတွင် အမျိုးမျိုးသော suspension spring composite ဒီဇိုင်းများတွင် minimum weight နှင့် maximum tensile strength ရရှိရန်ရည်မှန်းချက်ဖြင့် E-glass၊ carbon နှင့် Kevlar ကဲ့သို့သော material များကို variable များအဖြစ်သတ်မှတ်ခဲ့သည်။ ပေါင်းစပ်စပရိန်များ ဖွံ့ဖြိုးတိုးတက်ရေးတွင် ထုတ်လုပ်မှုလုပ်ငန်းစဉ်သည် အလွန်အရေးကြီးပါသည်။ ထို့ကြောင့် ထုတ်လုပ်မှုနည်းလမ်း၊ လုပ်ငန်းစဉ်တွင် လုပ်ဆောင်ခဲ့သော အဆင့်များနှင့် ထိုအဆင့်များ၏ အစီအစဉ်ကဲ့သို့သော optimization ပြဿနာတွင် variable အမျိုးမျိုးသည် အခန်းကဏ္ဍမှ ပါဝင်ပါသည်။12,13။ dynamic system များအတွက် စပရိန်များကို ဒီဇိုင်းဆွဲသည့်အခါ စနစ်၏ သဘာဝကြိမ်နှုန်းများကို ထည့်သွင်းစဉ်းစားရပါမည်။ resonance ကို ရှောင်ရှားရန်အတွက် စပရိန်၏ ပထမဆုံး သဘာဝကြိမ်နှုန်းသည် စနစ်၏ သဘာဝကြိမ်နှုန်းထက် အနည်းဆုံး 5-10 ဆ ရှိရန် အကြံပြုထားသည်14။ Taktak et al.7 သည် coil spring ဒီဇိုင်းတွင် objective function များအဖြစ် စပရိန်၏ mass ကို လျှော့ချပြီး ပထမဆုံး သဘာဝကြိမ်နှုန်းကို အမြင့်ဆုံးဖြစ်အောင် လုပ်ဆောင်ရန် ဆုံးဖြတ်ခဲ့ကြသည်။ ၎င်းတို့သည် Matlab optimization tool တွင် pattern search၊ interior point၊ active set နှင့် genetic algorithm နည်းလမ်းများကို အသုံးပြုခဲ့သည်။ analytical research သည် စပရိန်ဒီဇိုင်းသုတေသန၏ တစ်စိတ်တစ်ပိုင်းဖြစ်ပြီး Finite Element Method သည် ဤနယ်ပယ်တွင် ရေပန်းစားသည်15။ Patil et al.16 သည် analytical procedure ကို အသုံးပြု၍ compression helical spring ၏ အလေးချိန်ကို လျှော့ချရန် optimization နည်းလမ်းကို တီထွင်ခဲ့ပြီး finite element method ကို အသုံးပြု၍ analytical equations များကို စမ်းသပ်ခဲ့သည်။ စပရိန်၏ အသုံးဝင်မှုကို တိုးမြှင့်ရန်အတွက် နောက်ထပ် စံနှုန်းတစ်ခုမှာ ၎င်းသိုလှောင်နိုင်သော စွမ်းအင် တိုးလာခြင်းဖြစ်သည်။ ဤကိစ္စတွင် စပရိန်သည် ၎င်း၏အသုံးဝင်မှုကို ကြာရှည်စွာထိန်းသိမ်းထားကြောင်းလည်း သေချာစေသည်။ Rahul နှင့် Rameshkumar၁၇ ကားကွိုင်စပရိန်ဒီဇိုင်းများတွင် စပရိန်ပမာဏကို လျှော့ချရန်နှင့် ဆန့်နိုင်အားကို တိုးမြှင့်ရန် ကြိုးပမ်းကြသည်။ ၎င်းတို့သည် အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်းဆိုင်ရာ သုတေသနတွင်လည်း မျိုးရိုးဗီဇ အယ်လဂိုရီသမ်များကို အသုံးပြုခဲ့ကြသည်။
မြင်တွေ့ရသည့်အတိုင်း၊ optimization လေ့လာမှုတွင်ပါရှိသော parameter များသည် စနစ်တစ်ခုနှင့်တစ်ခု မတူညီပါ။ ယေဘုယျအားဖြင့်၊ ၎င်းသယ်ဆောင်သော ဝန်သည် ဆုံးဖြတ်ပေးသည့်အချက်ဖြစ်သည့် စနစ်တစ်ခုတွင် stiffness နှင့် shear stress parameter များသည် အရေးကြီးပါသည်။ ဤ parameter နှစ်ခုပါရှိသော weight limit စနစ်တွင် ပစ္စည်းရွေးချယ်မှုကို ထည့်သွင်းထားသည်။ အခြားတစ်ဖက်တွင်၊ အလွန်အမင်းပြောင်းလဲနေသောစနစ်များတွင် resonance များကို ရှောင်ရှားရန် natural frequencies များကို စစ်ဆေးသည်။ utility သည် အရေးကြီးသောစနစ်များတွင် စွမ်းအင်ကို အမြင့်ဆုံးဖြစ်အောင် ပြုလုပ်သည်။ optimization လေ့လာမှုများတွင် FEM ကို analytical လေ့လာမှုများအတွက် အသုံးပြုသော်လည်း၊ genetic algorithm14,18 နှင့် gray wolf algorithm19 ကဲ့သို့သော metaheuristic algorithms များကို သတ်မှတ်ထားသော parameter များအတွင်း classical Newton နည်းလမ်းနှင့်အတူ အသုံးပြုသည်ကို တွေ့ရှိနိုင်သည်။ Metaheuristic algorithms များကို အထူးသဖြင့် လူဦးရေ၏လွှမ်းမိုးမှုအောက်တွင် အချိန်တိုအတွင်း အကောင်းဆုံးအခြေအနေကို ချဉ်းကပ်သည့် natural adaptation နည်းလမ်းများပေါ်တွင် အခြေခံ၍ တီထွင်ထားသည်။ ရှာဖွေရေးဧရိယာရှိ လူဦးရေ၏ ကျပန်းဖြန့်ဖြူးမှုဖြင့် ၎င်းတို့သည် local optima ကို ရှောင်ရှားပြီး global optima22 သို့ ရွေ့လျားသည်။ ထို့ကြောင့် မကြာသေးမီနှစ်များအတွင်း ၎င်းကို အစစ်အမှန်စက်မှုပြဿနာများ၏ အခြေအနေတွင် မကြာခဏအသုံးပြုခဲ့သည်23,24။
ဤလေ့လာမှုတွင် တီထွင်ထားသော ခေါက်ယန္တရားအတွက် အရေးကြီးသောကိစ္စမှာ ပျံသန်းမှုမပြုမီ ပိတ်ထားသောအနေအထားတွင်ရှိနေသော တောင်ပံများသည် ပြွန်မှထွက်ခွာပြီးနောက် အချိန်အတိုင်းအတာတစ်ခုအထိ ပွင့်သွားခြင်းဖြစ်သည်။ ထို့နောက် သော့ခတ်ဒြပ်စင်သည် တောင်ပံကို ပိတ်ဆို့ထားသည်။ ထို့ကြောင့် စပရိန်များသည် ပျံသန်းမှုဒိုင်းနမစ်ကို တိုက်ရိုက်သက်ရောက်မှုမရှိပါ။ ဤကိစ္စတွင် အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်း၏ ရည်မှန်းချက်မှာ စပရိန်၏လှုပ်ရှားမှုကို အရှိန်မြှင့်ရန်အတွက် သိုလှောင်ထားသောစွမ်းအင်ကို အမြင့်ဆုံးဖြစ်အောင်ပြုလုပ်ရန်ဖြစ်သည်။ လိပ်အချင်း၊ ဝါယာကြိုးအချင်း၊ လိပ်အရေအတွက်နှင့် ကွေးညွှတ်မှုများကို အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်းဆိုင်ရာ ကန့်သတ်ချက်များအဖြစ် သတ်မှတ်သည်။ စပရိန်၏ အရွယ်အစားသေးငယ်သောကြောင့် အလေးချိန်ကို ရည်မှန်းချက်အဖြစ် မယူဆပါ။ ထို့ကြောင့် ပစ္စည်းအမျိုးအစားကို ပုံသေအဖြစ် သတ်မှတ်သည်။ စက်ပိုင်းဆိုင်ရာ ပုံပျက်ခြင်းအတွက် ဘေးကင်းရေးအနားသတ်ကို အရေးကြီးသော ကန့်သတ်ချက်အဖြစ် ဆုံးဖြတ်သည်။ ထို့အပြင်၊ ယန္တရား၏ အတိုင်းအတာတွင် အရွယ်အစားပြောင်းလဲနိုင်သော ကန့်သတ်ချက်များ ပါဝင်ပတ်သက်သည်။ BA မက်တာဟေးရစ်တစ်နည်းလမ်းကို အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်းနည်းလမ်းအဖြစ် ရွေးချယ်ခဲ့သည်။ BA သည် ၎င်း၏ပြောင်းလွယ်ပြင်လွယ်ရှိပြီး ရိုးရှင်းသောဖွဲ့စည်းပုံနှင့် စက်ပိုင်းဆိုင်ရာ အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်းသုတေသနတွင် ၎င်း၏တိုးတက်မှုများအတွက် ရေပန်းစားသည်။ လေ့လာမှု၏ ဒုတိယအပိုင်းတွင် အသေးစိတ်သင်္ချာဖော်ပြချက်များကို အခြေခံဒီဇိုင်းနှင့် ခေါက်ယန္တရား၏ စပရိန်ဒီဇိုင်း၏ မူဘောင်တွင် ထည့်သွင်းထားသည်။ တတိယအပိုင်းတွင် အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်း အယ်လဂိုရီသမ်နှင့် အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်းရလဒ်များ ပါဝင်သည်။ အခန်း ၄ သည် ADAMS ပရိုဂရမ်တွင် ခွဲခြမ်းစိတ်ဖြာမှုပြုလုပ်သည်။ ထုတ်လုပ်မှုမပြုလုပ်မီ စပရိန်များ၏ သင့်လျော်မှုကို ခွဲခြမ်းစိတ်ဖြာသည်။ နောက်ဆုံးအပိုင်းတွင် စမ်းသပ်မှုရလဒ်များနှင့် စမ်းသပ်မှုပုံရိပ်များ ပါဝင်သည်။ လေ့လာမှုတွင်ရရှိသောရလဒ်များကို DOE ချဉ်းကပ်မှုကို အသုံးပြု၍ စာရေးသူများ၏ယခင်လုပ်ငန်းနှင့်လည်း နှိုင်းယှဉ်ခဲ့သည်။
ဤလေ့လာမှုတွင် ဖွံ့ဖြိုးလာသော အတောင်များသည် ဒုံးပျံ၏ မျက်နှာပြင်ဘက်သို့ ခေါက်နေသင့်သည်။ အတောင်များသည် ခေါက်နေရာမှ ဖြန့်ထားသော အနေအထားသို့ လည်ပတ်သည်။ ၎င်းအတွက် အထူးယန္တရားတစ်ခုကို တီထွင်ခဲ့သည်။ ပုံ ၁ တွင် ဒုံးပျံကိုဩဒိနိတ်စနစ်ရှိ ခေါက်ထားသော နှင့် ဖြန့်ထားသော ပုံစံ ၅ ကို ပြသထားသည်။
ပုံ ၂ တွင် ယန္တရား၏ ပိုင်းခြားမြင်ကွင်းကို ပြသထားသည်။ ယန္တရားတွင် စက်ပိုင်းဆိုင်ရာ အစိတ်အပိုင်းများစွာ ပါဝင်သည်- (1) အဓိကကိုယ်ထည်၊ (2) တောင်ပံရိုးတံ၊ (3) ဘက်ရင်၊ (4) သော့ခလောက်ကိုယ်ထည်၊ (5) သော့ခလောက်ချွန်၊ (6) ရပ်တန့်တံ၊ (7) လိမ်စပရိန်နှင့် (8) ဖိသိပ်စပရိန်များ။ တောင်ပံရိုးတံ (2) ကို လော့ချွန်အစွပ် (4) မှတစ်ဆင့် လိမ်စပရိန် (7) နှင့် ချိတ်ဆက်ထားသည်။ ဒုံးပျံ ပျံတက်ပြီးနောက် အစိတ်အပိုင်းသုံးပိုင်းစလုံးသည် တစ်ပြိုင်နက်တည်း လည်ပတ်သည်။ ဤလည်ပတ်မှုရွေ့လျားမှုဖြင့် တောင်ပံများသည် ၎င်းတို့၏နောက်ဆုံးနေရာသို့ လှည့်သွားသည်။ ထို့နောက် တံတံ (6) ကို ဖိသိပ်စပရိန် (8) မှ လှုပ်ရှားစေပြီး လော့ချွန်ကိုယ်ထည် (4) ၏ ယန္တရားတစ်ခုလုံးကို ပိတ်ဆို့ထားသည် (5)။
Elastic modulus (E) နှင့် shear modulus (G) တို့သည် စပရိန်၏ အဓိက ဒီဇိုင်း parameter များဖြစ်သည်။ ဤလေ့လာမှုတွင်၊ ကာဗွန်မြင့်မားသော စပရိန်သံမဏိဝါယာကြိုး (Music wire ASTM A228) ကို စပရိန်ပစ္စည်းအဖြစ် ရွေးချယ်ခဲ့သည်။ အခြား parameter များမှာ ဝါယာကြိုးအချင်း (d)၊ ပျမ်းမျှကွိုင်အချင်း (Dm)၊ ကွိုင်အရေအတွက် (N) နှင့် စပရိန်ကွေးညွှတ်မှု (ဖိသိပ်စပရိန်များအတွက် xd နှင့် torsion စပရိန်များအတွက် θ)၂၆ တို့ဖြစ်သည်။ ဖိသိပ်စပရိန် \({(SE}_{x})\) နှင့် torsion (\({SE}_{\theta}\)) စပရိန်များအတွက် သိုလှောင်ထားသော စွမ်းအင်ကို ညီမျှခြင်းမှ တွက်ချက်နိုင်သည်။ (1) နှင့် (2)၂၆။ (ဖိသိပ်စပရိန်အတွက် shear modulus (G) တန်ဖိုးသည် 83.7E9 Pa ဖြစ်ပြီး torsion စပရိန်အတွက် elastic modulus (E) တန်ဖိုးသည် 203.4E9 Pa ဖြစ်သည်။)
စနစ်၏ စက်ပိုင်းဆိုင်ရာ အတိုင်းအတာများသည် စပရိန်၏ ဂျီဩမေတြီ ကန့်သတ်ချက်များကို တိုက်ရိုက်ဆုံးဖြတ်ပေးသည်။ ထို့အပြင်၊ ဒုံးပျံတည်ရှိမည့် အခြေအနေများကိုလည်း ထည့်သွင်းစဉ်းစားသင့်သည်။ ဤအချက်များသည် စပရိန် ကန့်သတ်ချက်များကို ဆုံးဖြတ်ပေးသည်။ နောက်ထပ်အရေးကြီးသော ကန့်သတ်ချက်တစ်ခုမှာ ဘေးကင်းရေးအချက်ဖြစ်သည်။ ဘေးကင်းရေးအချက်၏ အဓိပ္ပာယ်ဖွင့်ဆိုချက်ကို Shigley et al.26 မှ အသေးစိတ်ဖော်ပြထားသည်။ ဖိသိပ်စပရိန် ဘေးကင်းရေးအချက် (SFC) ကို အမြင့်ဆုံးခွင့်ပြုနိုင်သော ဖိအားကို စဉ်ဆက်မပြတ်အရှည်ပေါ်ရှိ ဖိအားဖြင့် စားခြင်းအဖြစ် သတ်မှတ်သည်။ SFC ကို ညီမျှခြင်းများကို အသုံးပြု၍ တွက်ချက်နိုင်သည်။ (3), (4), (5) နှင့် (6)26။ (ဤလေ့လာမှုတွင် အသုံးပြုသော စပရိန်ပစ္စည်းအတွက်၊ \({S}_{sy}=980 MPa\))။ F သည် ညီမျှခြင်းရှိ အားကို ကိုယ်စားပြုပြီး KB သည် 26 ၏ Bergstrasser factor ကို ကိုယ်စားပြုသည်။
စပရိန် (SFT) ၏ torsion safety factor ကို M ကို k ဖြင့်စား၍ သတ်မှတ်သည်။ SFT ကို ညီမျှခြင်းမှ တွက်ချက်နိုင်သည်။ (7), (8), (9) နှင့် (10)26။ (ဤလေ့လာမှုတွင် အသုံးပြုသော ပစ္စည်းအတွက်၊ \({S}_{y}=1600 \mathrm{MPa}\))။ ညီမျှခြင်းတွင် M ကို torque အတွက် အသုံးပြုပြီး၊ \({k}^{^{\prime}}\) ကို စပရိန် constant (torque/rotation) အတွက် အသုံးပြုပြီး Ki ကို stress correction factor အတွက် အသုံးပြုသည်။
ဤလေ့လာမှုတွင် အဓိက အကောင်းဆုံးဖြစ်အောင်လုပ်ဆောင်ခြင်းရည်မှန်းချက်မှာ စပရိန်၏ စွမ်းအင်ကို အမြင့်ဆုံးဖြစ်အောင်ပြုလုပ်ရန်ဖြစ်သည်။ ရည်ရွယ်ချက်ရှိသော လုပ်ဆောင်ချက်ကို \(f(X)\) ကို အမြင့်ဆုံးဖြစ်စေသော \(\overrightarrow{\{X\}}\) ကိုရှာဖွေရန် ဖော်မြူလာပြုလုပ်ထားသည်။ \({f}_{1}(X)\) နှင့် \({f}_{2}(X)\) တို့သည် ဖိသိပ်မှုစပရိန်နှင့် လိမ်စပရိန်၏ စွမ်းအင်လုပ်ဆောင်ချက်များ အသီးသီးဖြစ်သည်။ အကောင်းဆုံးဖြစ်အောင်လုပ်ဆောင်ရန်အတွက် အသုံးပြုသော တွက်ချက်ထားသော variable များနှင့် လုပ်ဆောင်ချက်များကို အောက်ပါညီမျှခြင်းများတွင် ပြသထားသည်။
စပရိန်၏ဒီဇိုင်းအပေါ် ကန့်သတ်ချက်အမျိုးမျိုးကို အောက်ပါညီမျှခြင်းများတွင် ဖော်ပြထားသည်။ ညီမျှခြင်း (15) နှင့် (16) တို့သည် ဖိသိပ်မှုနှင့် torsion စပရိန်များအတွက် ဘေးကင်းရေးအချက်များ အသီးသီးကို ကိုယ်စားပြုသည်။ ဤလေ့လာမှုတွင် SFC သည် 1.2 ထက် ကြီးရမည် သို့မဟုတ် ညီမျှရမည်ဖြစ်ပြီး SFT သည် θ26 ထက် ကြီးရမည် သို့မဟုတ် ညီမျှရမည်။
BA သည် ပျားများ၏ ဝတ်မှုန်ရှာဖွေခြင်း ဗျူဟာများမှ လှုံ့ဆော်မှုရရှိခဲ့သည်၂၇။ ပျားများသည် အစာရှာဖွေသူများကို မြေဩဇာကောင်းသော ဝတ်မှုန်လယ်ကွင်းများသို့ ပိုမိုစေလွှတ်ပြီး အစာရှာဖွေသူများကို မြေဩဇာနည်းသော ဝတ်မှုန်လယ်ကွင်းများသို့ နည်းပါးစွာ စေလွှတ်ခြင်းဖြင့် အစာရှာဖွေကြသည်။ ထို့ကြောင့် ပျားလူဦးရေမှ အကြီးမားဆုံးထိရောက်မှုကို ရရှိသည်။ အခြားတစ်ဖက်တွင်၊ ကင်းထောက်ပျားများသည် ဝတ်မှုန်ဧရိယာအသစ်များကို ဆက်လက်ရှာဖွေနေကြပြီး ယခင်ကထက် ပိုမိုထုတ်လုပ်နိုင်သော ဧရိယာများရှိပါက အစာရှာဖွေသူများစွာကို ဤဧရိယာအသစ်သို့ လမ်းညွှန်ပေးမည်၂၈။ BA တွင် အပိုင်းနှစ်ပိုင်းပါဝင်သည်- ဒေသတွင်းရှာဖွေမှုနှင့် ကမ္ဘာလုံးဆိုင်ရာရှာဖွေမှု။ ပျားများကဲ့သို့ အနည်းဆုံး (အထက်တန်းစားနေရာများ) အနီးရှိ အသိုင်းအဝိုင်းများကို ဒေသတွင်းရှာဖွေမှုဖြင့် ရှာဖွေပြီး အခြားနေရာများ (အကောင်းဆုံး သို့မဟုတ် ရွေးချယ်ထားသောနေရာများ) ကို ရှာဖွေမှုနည်းပါးစေသည်။ ကမ္ဘာလုံးဆိုင်ရာရှာဖွေမှုအပိုင်းတွင် စိတ်ကြိုက်ရှာဖွေမှုကို ပြုလုပ်ပြီး ကောင်းမွန်သောတန်ဖိုးများကို တွေ့ရှိပါက နောက်တစ်ကြိမ်ထပ်လုပ်သည့်အခါ စခန်းများကို ဒေသတွင်းရှာဖွေမှုအပိုင်းသို့ ရွှေ့ပြောင်းသည်။ အယ်လဂိုရီသမ်တွင် အချို့သော ကန့်သတ်ချက်များပါဝင်သည်- ကင်းထောက်ပျားအရေအတွက် (n)၊ ဒေသတွင်းရှာဖွေမှုနေရာအရေအတွက် (m)၊ အထက်တန်းစားနေရာအရေအတွက် (e)၊ အထက်တန်းစားနေရာများရှိ အစာရှာဖွေသူအရေအတွက် (nep)၊ အကောင်းဆုံးနေရာများရှိ အစာရှာဖွေသူအရေအတွက်။ Site (nsp)၊ neighborhood size (ngh) နှင့် iteration အရေအတွက် (I)၂၉။ BA pseudocode ကို Figure 3 တွင် ပြထားသည်။
အယ်လဂိုရီသမ်သည် \({g}_{1}(X)\) နှင့် \({g}_{2}(X)\) အကြားတွင် အလုပ်လုပ်ရန် ကြိုးစားသည်။ iteration တစ်ခုစီ၏ရလဒ်အနေဖြင့်၊ အကောင်းဆုံးတန်ဖိုးများကို ဆုံးဖြတ်ပြီး အကောင်းဆုံးတန်ဖိုးများရရှိရန် ကြိုးပမ်းမှုတွင် ဤတန်ဖိုးများပတ်လည်တွင် population တစ်ခုကို စုဆောင်းသည်။ ကန့်သတ်ချက်များကို ဒေသတွင်းနှင့် ကမ္ဘာလုံးဆိုင်ရာ ရှာဖွေရေးကဏ္ဍများတွင် စစ်ဆေးသည်။ ဒေသတွင်းရှာဖွေမှုတွင်၊ ဤအချက်များ သင့်လျော်ပါက စွမ်းအင်တန်ဖိုးကို တွက်ချက်သည်။ အသစ်သော စွမ်းအင်တန်ဖိုးသည် အကောင်းဆုံးတန်ဖိုးထက် ပိုများပါက၊ အသစ်သောတန်ဖိုးကို အကောင်းဆုံးတန်ဖိုးသို့ သတ်မှတ်ပါ။ ရှာဖွေမှုရလဒ်တွင် တွေ့ရှိရသည့် အကောင်းဆုံးတန်ဖိုးသည် လက်ရှိ element ထက် ပိုများပါက၊ အသစ်သော element ကို collection တွင် ထည့်သွင်းမည်ဖြစ်သည်။ ဒေသတွင်းရှာဖွေမှု၏ block diagram ကို ပုံ ၄ တွင် ပြသထားသည်။
လူဦးရေသည် BA တွင် အဓိက parameter များထဲမှ တစ်ခုဖြစ်သည်။ လူဦးရေ တိုးချဲ့ခြင်းသည် လိုအပ်သော ထပ်ခါတလဲလဲ လုပ်ဆောင်မှုများကို လျော့နည်းစေပြီး အောင်မြင်မှု အလားအလာကို တိုးစေကြောင်း ယခင်လေ့လာမှုများမှ မြင်တွေ့နိုင်သည်။ သို့သော် လုပ်ဆောင်ချက်ဆိုင်ရာ အကဲဖြတ်မှုများလည်း တိုးပွားလာနေသည်။ အထက်တန်းစား နေရာများစွာ ရှိနေခြင်းသည် စွမ်းဆောင်ရည်ကို သိသိသာသာ သက်ရောက်မှု မရှိပါ။ အထက်တန်းစား နေရာအရေအတွက်သည် သုညမဟုတ်ပါက နည်းပါးနိုင်သည်30။ ကင်းထောက်ပျားလူဦးရေ အရွယ်အစား (n) ကို များသောအားဖြင့် 30 မှ 100 အကြား ရွေးချယ်သည်။ ဤလေ့လာမှုတွင် သင့်လျော်သော အရေအတွက်ကို ဆုံးဖြတ်ရန် အခြေအနေ 30 နှင့် 50 နှစ်ခုလုံးကို လုပ်ဆောင်ခဲ့သည် (ဇယား 2)။ အခြား parameter များကို လူဦးရေပေါ် မူတည်၍ ဆုံးဖြတ်သည်။ ရွေးချယ်ထားသော နေရာအရေအတွက် (m) သည် လူဦးရေ အရွယ်အစား၏ (ခန့်မှန်းခြေ) 25% ဖြစ်ပြီး ရွေးချယ်ထားသော နေရာများတွင် အထက်တန်းစား နေရာအရေအတွက် (e) သည် m ၏ 25% ဖြစ်သည်။ အစာကျွေးသော ပျားအရေအတွက် (ရှာဖွေမှုအရေအတွက်) ကို အထက်တန်းစား မြေကွက်များအတွက် 100 နှင့် အခြားဒေသခံ မြေကွက်များအတွက် 30 အဖြစ် ရွေးချယ်ခဲ့သည်။ ရပ်ကွက်ရှာဖွေမှုသည် ဆင့်ကဲဖြစ်စဉ်ဆိုင်ရာ အယ်လဂိုရီသမ်အားလုံး၏ အခြေခံအယူအဆဖြစ်သည်။ ဤလေ့လာမှုတွင် အိမ်နီးချင်းများကို လျှော့ချခြင်း နည်းလမ်းကို အသုံးပြုခဲ့သည်။ ဤနည်းလမ်းသည် ထပ်ခါတလဲလဲလုပ်ဆောင်ခြင်းတစ်ခုစီတွင် ရပ်ကွက်၏အရွယ်အစားကို အတိုင်းအတာတစ်ခုအထိ လျှော့ချပေးသည်။ အနာဂတ်ထပ်ခါတလဲလဲလုပ်ဆောင်ခြင်းများတွင် ပိုမိုတိကျသောရှာဖွေမှုအတွက် ရပ်ကွက်တန်ဖိုးငယ်များ ၃၀ ကို အသုံးပြုနိုင်သည်။
အခြေအနေတစ်ခုစီအတွက်၊ optimization algorithm ၏ ပြန်လည်ထုတ်လုပ်နိုင်မှုကို စစ်ဆေးရန် ဆက်တိုက်စမ်းသပ်မှုဆယ်ခုကို ပြုလုပ်ခဲ့သည်။ ပုံ ၅ တွင် scheme ၁ အတွက် torsion spring optimization ရလဒ်များကို ပြသထားပြီး ပုံ ၆ တွင် scheme ၂ အတွက်ဖြစ်သည်။ စမ်းသပ်မှုဒေတာများကို ဇယား ၃ နှင့် ၄ တွင်လည်း ပေးထားသည် (compression spring အတွက် ရရှိသောရလဒ်များပါ၀င်သည့်ဇယားကို Supplementary Information S1 တွင် ဖော်ပြထားသည်)။ ပျားလူဦးရေသည် ပထမအကြိမ်တွင် ကောင်းမွန်သောတန်ဖိုးများကို ရှာဖွေမှုကို ပိုမိုပြင်းထန်စေသည်။ အခြေအနေ ၁ တွင်၊ စမ်းသပ်မှုအချို့၏ရလဒ်များသည် အမြင့်ဆုံးထက် နိမ့်ကျနေသည်။ အခြေအနေ ၂ တွင်၊ လူဦးရေတိုးလာမှုနှင့် အခြားသက်ဆိုင်ရာ parameter များကြောင့် optimization ရလဒ်အားလုံးသည် အမြင့်ဆုံးသို့ နီးကပ်လာသည်ကို မြင်နိုင်သည်။ အခြေအနေ ၂ ရှိ တန်ဖိုးများသည် algorithm အတွက် လုံလောက်ကြောင်း မြင်နိုင်သည်။
ထပ်ခါတလဲလဲလုပ်ဆောင်ခြင်းများတွင် စွမ်းအင်တန်ဖိုးအများဆုံးရရှိသောအခါ၊ လေ့လာမှုအတွက် ကန့်သတ်ချက်တစ်ခုအဖြစ် ဘေးကင်းရေးအချက်ကိုလည်း ပေးထားသည်။ ဘေးကင်းရေးအချက်အတွက် ဇယားကိုကြည့်ပါ။ BA ကိုအသုံးပြု၍ ရရှိသော စွမ်းအင်တန်ဖိုးများကို ဇယား ၅ ရှိ 5 DOE နည်းလမ်းကို အသုံးပြု၍ ရရှိသောတန်ဖိုးများနှင့် နှိုင်းယှဉ်ထားသည်။ (ထုတ်လုပ်မှုလွယ်ကူစေရန်အတွက်၊ torsion spring ၏ လှည့်ပတ်မှုအရေအတွက် (N) မှာ ၄.၈၈ အစား ၄.၉ ဖြစ်ပြီး၊ compression spring တွင် deflection (xd) မှာ ၇.၉၉ မီလီမီတာအစား ၈ မီလီမီတာဖြစ်သည်။) BA သည် ရလဒ်ပိုကောင်းကြောင်း မြင်နိုင်သည်။ BA သည် ဒေသတွင်းနှင့် ကမ္ဘာလုံးဆိုင်ရာ ရှာဖွေမှုများမှတစ်ဆင့် တန်ဖိုးအားလုံးကို အကဲဖြတ်သည်။ ဤနည်းအားဖြင့် သူသည် အခြားရွေးချယ်စရာများကို ပိုမိုမြန်ဆန်စွာ စမ်းကြည့်နိုင်သည်။
ဤလေ့လာမှုတွင်၊ အတောင်ပံယန္တရား၏ ရွေ့လျားမှုကို ခွဲခြမ်းစိတ်ဖြာရန် Adams ကို အသုံးပြုခဲ့သည်။ Adams ကို ဦးစွာ ယန္တရား၏ 3D မော်ဒယ်တစ်ခု ပေးထားသည်။ ထို့နောက် ယခင်အပိုင်းတွင် ရွေးချယ်ထားသော ကန့်သတ်ချက်များဖြင့် စပရိန်တစ်ခုကို သတ်မှတ်ပါ။ ထို့အပြင်၊ အမှန်တကယ် ခွဲခြမ်းစိတ်ဖြာမှုအတွက် အခြားကန့်သတ်ချက်အချို့ကို သတ်မှတ်ရန် လိုအပ်ပါသည်။ ၎င်းတို့မှာ ချိတ်ဆက်မှုများ၊ ပစ္စည်းဂုဏ်သတ္တိများ၊ ထိတွေ့မှု၊ ပွတ်တိုက်မှုနှင့် ဆွဲငင်အားကဲ့သို့သော ရုပ်ပိုင်းဆိုင်ရာ ကန့်သတ်ချက်များဖြစ်သည်။ blade shaft နှင့် bearing အကြားတွင် swivel joint တစ်ခုရှိသည်။ cylindrical joints ၅-၆ ခု ရှိသည်။ fixed joints ၅-၁ ခု ရှိသည်။ အဓိကကိုယ်ထည်ကို အလူမီနီယမ်ပစ္စည်းဖြင့် ပြုလုပ်ထားပြီး fixed ဖြစ်သည်။ ကျန်အစိတ်အပိုင်းများ၏ ပစ္စည်းမှာ သံမဏိဖြစ်သည်။ ပစ္စည်းအမျိုးအစားပေါ် မူတည်၍ ပွတ်တိုက်မှုကိန်းဂဏန်း၊ ထိတွေ့မှုတောင့်တင်းမှုနှင့် ပွတ်တိုက်မှုမျက်နှာပြင်၏ ထိုးဖောက်မှုအနက်ကို ရွေးချယ်ပါ။ (သံမဏိ AISI 304) ဤလေ့လာမှုတွင်၊ အရေးကြီးသော ကန့်သတ်ချက်မှာ အတောင်ပံယန္တရား၏ ပွင့်ချိန်ဖြစ်ပြီး ၎င်းသည် 200 ms ထက်နည်းရမည်။ ထို့ကြောင့်၊ ခွဲခြမ်းစိတ်ဖြာနေစဉ်အတွင်း အတောင်ပံပွင့်ချိန်ကို သတိပြုပါ။
Adams ရဲ့ ခွဲခြမ်းစိတ်ဖြာမှုရလဒ်အနေနဲ့ တောင်ပံယန္တရားရဲ့ ပွင့်ချိန်ဟာ မီလီစက္ကန့် ၇၄ ဖြစ်ပါတယ်။ ၁ မှ ၄ အထိ ဒိုင်းနမစ် သရုပ်ဖော်မှုရလဒ်တွေကို ပုံ ၇ မှာ ပြသထားပါတယ်။ ပုံ ၅ မှာရှိတဲ့ ပထမဆုံးပုံဟာ သရုပ်ဖော်မှုစတင်ချိန်ဖြစ်ပြီး တောင်ပံတွေဟာ ခေါက်ဖို့ စောင့်ဆိုင်းနေတဲ့ အနေအထားမှာ ရှိနေပါတယ်။ (၂) တောင်ပံ ၄၃ ဒီဂရီလှည့်ပြီးတဲ့အခါ ၄၀ မီလီစက္ကန့်အကြာမှာ တောင်ပံရဲ့ အနေအထားကို ပြသထားပါတယ်။ (၃) ၇၁ မီလီစက္ကန့်အကြာမှာ တောင်ပံရဲ့ အနေအထားကို ပြသထားပါတယ်။ နောက်ဆုံးပုံ (၄) မှာလည်း တောင်ပံလှည့်တဲ့ အဆုံးနဲ့ ပွင့်နေတဲ့ အနေအထားကို ပြသထားပါတယ်။ ဒိုင်းနမစ် ခွဲခြမ်းစိတ်ဖြာမှုရလဒ်အနေနဲ့ တောင်ပံဖွင့်ချိန်ဟာ ပစ်မှတ်တန်ဖိုး ၂၀၀ မီလီစက္ကန့်ထက် သိသိသာသာ တိုတောင်းနေတာကို တွေ့ရှိခဲ့ရပါတယ်။ ထို့အပြင် စပရိန်တွေရဲ့ အရွယ်အစားကို သတ်မှတ်တဲ့အခါ ဘေးကင်းရေးကန့်သတ်ချက်တွေကို စာပေတွေမှာ အကြံပြုထားတဲ့ အမြင့်ဆုံးတန်ဖိုးတွေကနေ ရွေးချယ်ခဲ့ပါတယ်။
ဒီဇိုင်း၊ အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်းနှင့် သရုပ်သကန်လေ့လာမှုအားလုံးပြီးစီးပြီးနောက်၊ ယန္တရား၏ပုံစံငယ်တစ်ခုကို ထုတ်လုပ်ပြီး ပေါင်းစပ်ထားသည်။ သရုပ်သကန်ရလဒ်များကို အတည်ပြုရန် ပုံစံငယ်ကို စမ်းသပ်ခဲ့သည်။ ဦးစွာ အဓိကအခွံကို လုံခြုံအောင်ပြုလုပ်ပြီး အတောင်များကို ခေါက်ပါ။ ထို့နောက် အတောင်များကို ခေါက်ထားသောနေရာမှ လွှတ်ပေးပြီး ခေါက်ထားသောနေရာမှ ဖြန့်ကျက်ထားသောနေရာသို့ အတောင်များလည်ပတ်ပုံကို ဗီဒီယိုရိုက်ကူးခဲ့သည်။ ဗီဒီယိုမှတ်တမ်းတင်နေစဉ် အချိန်ကို ခွဲခြမ်းစိတ်ဖြာရန်အတွက်လည်း အချိန်တိုင်းကိရိယာကို အသုံးပြုခဲ့သည်။
ပုံ ၈ တွင် ၁-၄ နံပါတ်ပါ ဗီဒီယိုဖရိမ်များကို ပြသထားသည်။ ပုံရှိ ဖရိမ်နံပါတ် ၁ သည် ခေါက်ထားသော အတောင်များ လွှတ်လိုက်သည့် အခိုက်အတန့်ကို ပြသထားသည်။ ဤအခိုက်အတန့်ကို t0 ၏ အစပိုင်းအခိုက်အတန့်အဖြစ် သတ်မှတ်သည်။ ဖရိမ် ၂ နှင့် ၃ တို့သည် အစပိုင်းအခိုက်အတန့်ပြီးနောက် ၄၀ မီလီစက္ကန့်နှင့် ၇၀ မီလီစက္ကန့်အကြာတွင် အတောင်များ၏ အနေအထားကို ပြသထားသည်။ ဖရိမ် ၃ နှင့် ၄ ကို ခွဲခြမ်းစိတ်ဖြာသောအခါ အတောင်၏ရွေ့လျားမှုသည် t0 ပြီးနောက် ၉၀ မီလီစက္ကန့်အကြာတွင် တည်ငြိမ်လာပြီး အတောင်ပွင့်ခြင်းသည် ၇၀ မှ ၉၀ မီလီစက္ကန့်အကြားတွင် ပြီးစီးသည်ကို မြင်နိုင်သည်။ ဤအခြေအနေသည် သရုပ်ဖော်ခြင်းနှင့် ပုံစံငယ်စမ်းသပ်မှု နှစ်ခုစလုံးသည် အတောင်ဖြန့်ကျက်ချိန်ကို ခန့်မှန်းခြေအားဖြင့် အတူတူပင်ပေးစွမ်းပြီး ဒီဇိုင်းသည် ယန္တရား၏ စွမ်းဆောင်ရည်လိုအပ်ချက်များနှင့် ကိုက်ညီသည်ဟု ဆိုလိုသည်။
ဤဆောင်းပါးတွင်၊ တောင်ပံခေါက်ယန္တရားတွင်အသုံးပြုသော torsion နှင့် compression springs များကို BA ကို အသုံးပြု၍ အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ထားသည်။ parameters များကို iteration အနည်းငယ်ဖြင့် လျင်မြန်စွာရောက်ရှိနိုင်သည်။ torsion spring ကို 1075 mJ တွင်အဆင့်သတ်မှတ်ထားပြီး compression spring ကို 37.24 mJ တွင်အဆင့်သတ်မှတ်ထားသည်။ ဤတန်ဖိုးများသည် ယခင် DOE လေ့လာမှုများထက် 40-50% ပိုကောင်းသည်။ spring ကို ယန္တရားထဲသို့ပေါင်းစပ်ပြီး ADAMS ပရိုဂရမ်တွင် ခွဲခြမ်းစိတ်ဖြာသည်။ ခွဲခြမ်းစိတ်ဖြာသောအခါ၊ တောင်ပံများသည် 74 milliseconds အတွင်း ပွင့်သွားသည်ကို တွေ့ရှိခဲ့သည်။ ဤတန်ဖိုးသည် ပရောဂျက်၏ပစ်မှတ် 200 milliseconds ထက် များစွာနိမ့်သည်။ နောက်ဆက်တွဲစမ်းသပ်လေ့လာမှုတစ်ခုတွင်၊ ဖွင့်ချိန်ကို 90 ms ခန့်ရှိသည်ဟု တိုင်းတာခဲ့သည်။ ခွဲခြမ်းစိတ်ဖြာမှုများအကြား ဤ 16 millisecond ကွာခြားချက်သည် software တွင် ပုံစံထုတ်မထားသော ပတ်ဝန်းကျင်ဆိုင်ရာအချက်များကြောင့် ဖြစ်နိုင်သည်။ လေ့လာမှု၏ရလဒ်အနေဖြင့် ရရှိလာသော optimization algorithm ကို spring ဒီဇိုင်းအမျိုးမျိုးအတွက် အသုံးပြုနိုင်သည်ဟု ယုံကြည်ရသည်။
စပရိန်ပစ္စည်းကို ကြိုတင်သတ်မှတ်ထားပြီး အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ရာတွင် ကိန်းရှင်အဖြစ် အသုံးမပြုခဲ့ပါ။ လေယာဉ်များနှင့် ဒုံးပျံများတွင် စပရိန်အမျိုးအစားများစွာကို အသုံးပြုကြသောကြောင့်၊ အနာဂတ်သုတေသနတွင် အကောင်းဆုံးစပရိန်ဒီဇိုင်းရရှိရန် မတူညီသောပစ္စည်းများကို အသုံးပြု၍ အခြားစပရိန်အမျိုးအစားများကို ဒီဇိုင်းဆွဲရန် BA ကို အသုံးပြုသွားမည်ဖြစ်သည်။
ဤလက်ရေးစာမူသည် မူရင်းဖြစ်ပြီး ယခင်က ထုတ်ဝေဖူးခြင်းမရှိသည့်အပြင် လက်ရှိတွင် အခြားနေရာများတွင် ထုတ်ဝေရန် စဉ်းစားနေခြင်းမရှိကြောင်း ကျွန်ုပ်တို့ ကြေငြာပါသည်။
ဤလေ့လာမှုတွင် ထုတ်လုပ်ထားသော သို့မဟုတ် ခွဲခြမ်းစိတ်ဖြာထားသော အချက်အလက်အားလုံးကို ဤထုတ်ဝေထားသောဆောင်းပါး [နှင့် နောက်ထပ်အချက်အလက်ဖိုင်] တွင် ထည့်သွင်းထားသည်။
Min, Z., Kin, VK နှင့် Richard, LJ လေယာဉ် အစွန်းရောက် ဂျီဩမေတြီ ပြောင်းလဲမှုများဖြင့် လေယာဉ်ပြား သဘောတရားကို ခေတ်မီအောင် ပြုလုပ်ခြင်း။ IES J. အပိုင်း A ယဉ်ကျေးမှု။ ဖွဲ့စည်းမှု။ ပရောဂျက်။ 3(3), 188–195 (2010)။
Sun, J., Liu, K. နှင့် Bhushan, B. ပိုးတောင်မာ၏ နောက်တောင်ပံခြုံငုံသုံးသပ်ချက်- ဖွဲ့စည်းပုံ၊ စက်ပိုင်းဆိုင်ရာဂုဏ်သတ္တိများ၊ ယန္တရားများနှင့် ဇီဝဗေဒဆိုင်ရာလှုံ့ဆော်မှု။ J. Mecha. အပြုအမူ။ ဇီဝဆေးပညာသိပ္ပံ။ alma mater. 94, 63–73 (2019)။
Chen, Z., Yu, J., Zhang, A., နှင့် Zhang, F. ဟိုက်ဘရစ်စွမ်းအင်သုံး ရေအောက်ဂလိုက်ဒါအတွက် ခေါက်နိုင်သော တွန်းကန်အားယန္တရား၏ ဒီဇိုင်းနှင့် ခွဲခြမ်းစိတ်ဖြာခြင်း။ Ocean Engineering 119, 125–134 (2016)။
Kartik၊ HS နှင့် Prithvi၊ K။ ရဟတ်ယာဉ် အလျားလိုက် တည်ငြိမ်အောင် ခေါက်သိမ်းနိုင်သော ယန္တရား၏ ဒီဇိုင်းနှင့် ခွဲခြမ်းစိတ်ဖြာခြင်း။ အတွင်းပိုင်း J. Ing. သိုလှောင်ကန်။ နည်းပညာ။ (IGERT) 9(05)၊ 110–113 (2020)။
Kulunk၊ Z. နှင့် Sahin၊ M. စမ်းသပ်မှုဒီဇိုင်းချဉ်းကပ်မှုကို အသုံးပြု၍ ခေါက်နိုင်သော ရော့ကက်တောင်ပံဒီဇိုင်း၏ စက်ပိုင်းဆိုင်ရာ ကန့်သတ်ချက်များကို အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်း။ အတွင်းပိုင်း J. မော်ဒယ်။ အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်း။ 9(2), 108–112 (2019).
Ke, J., Wu, ZY, Liu, YS, Xiang, Z. & Hu, XD ဒီဇိုင်းနည်းလမ်း၊ စွမ်းဆောင်ရည်လေ့လာမှုနှင့် Composite Coil Springs ထုတ်လုပ်မှုလုပ်ငန်းစဉ်- ပြန်လည်သုံးသပ်ချက်။ compose. composition. 252, 112747 (2020)။
Taktak M., Omheni K., Alui A., Dammak F. နှင့် Khaddar M. ကွိုင်စပရိန်များ၏ ဒိုင်းနမစ်ဒီဇိုင်း အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်း။ အသံအတွက် အသုံးချခြင်း။ ၇၇၊ ၁၇၈–၁၈၃ (၂၀၁၄)။
Paredes, M., Sartor, M., နှင့် Mascle, K. တင်းမာမှုစပရိန်ဒီဇိုင်းကို အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ရန် လုပ်ထုံးလုပ်နည်း။ ကွန်ပျူတာ။ နည်းလမ်းအသုံးချမှု။ fur. ပရောဂျက်။ 191(8-10), 783-797 (2001).
Zebdi O., Bouhili R. နှင့် Trochu F. ဘက်စုံသုံး အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်းကို အသုံးပြု၍ ပေါင်းစပ်ခရုပတ်စပရိန်များ၏ အကောင်းဆုံးဒီဇိုင်း။ J. Reinf. plastic. compose. 28 (14), 1713–1732 (2009).
Pawart၊ HB နှင့် Desale၊ DD သုံးဘီးဆိုင်ကယ် ရှေ့ဆိုင်းထိန်းကွိုင်စပရိန်များကို အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်း။ လုပ်ငန်းစဉ်။ ထုတ်လုပ်သူ။ ၂၀၊ ၄၂၈–၄၃၃ (၂၀၁၈)။
Bahshesh M. နှင့် Bahshesh M. ပေါင်းစပ်စပရိန်များဖြင့် သံမဏိကွိုင်စပရိန်များကို အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်း။ internal J. Multidisciplinary. the science. project. 3(6), 47–51 (2012).
Chen၊ L. et al. ပေါင်းစပ်ကွိုင်စပရိန်များ၏ static နှင့် dynamic စွမ်းဆောင်ရည်ကို ထိခိုက်စေသော parameters အများအပြားအကြောင်း လေ့လာပါ။ J. Market. storage tank. 20, 532–550 (2022).
Frank၊ J. Composite Helical Springs ၏ ခွဲခြမ်းစိတ်ဖြာခြင်းနှင့် အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်း၊ PhD ကျမ်း၊ Sacramento State University (၂၀၂၀)။
Gu, Z., Hou, X. နှင့် Ye, J. နည်းလမ်းများပေါင်းစပ်အသုံးပြု၍ nonlinear helical springs များကို ဒီဇိုင်းဆွဲခြင်းနှင့် ခွဲခြမ်းစိတ်ဖြာခြင်းနည်းလမ်းများ- finite element analysis, Latin hypercube limited sampling နှင့် genetic programming။ process. Fur Institute. project. CJ Mecha. project. the science. 235(22), 5917–5930 (2021).
Wu, L., et al. ချိန်ညှိနိုင်သော စပရိန်နှုန်း ကာဗွန်ဖိုက်ဘာ ဘက်စုံကြိုး ကွိုင်စပရိန်များ- ဒီဇိုင်းနှင့် ယန္တရားလေ့လာမှု။ J. Market. သိုလှောင်ကန်။ 9(3), 5067–5076 (2020).
Patil DS၊ Mangrulkar KS နှင့် Jagtap ST ဖိသိပ်မှု ခရုပတ်စပရိန်များ၏ အလေးချိန် အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်း။ အတွင်းပိုင်း J. Innov။ သိုလှောင်ကန်။ ဘာသာရပ်ပေါင်းစုံ။ 2(11)၊ 154–164 (2016)။
Rahul, MS နှင့် Rameshkumar, K. မော်တော်ကားအသုံးချမှုများအတွက် coil springs များ၏ ဘက်စုံသုံး အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်းနှင့် ဂဏန်းသင်္ချာဆိုင်ရာ သရုပ်ဖော်ခြင်း။ alma mater. process today. 46. ​​4847–4853 (2021).
Bai၊ JB et al. အကောင်းဆုံးလုပ်ဆောင်မှုကို သတ်မှတ်ခြင်း – မျိုးရိုးဗီဇ အယ်လဂိုရီသမ်များကို အသုံးပြု၍ ပေါင်းစပ် Helical ဖွဲ့စည်းပုံများ၏ အကောင်းဆုံးဒီဇိုင်း။ compose. composition. 268, 113982 (2021).
Shahin, I., Dorterler, M., နှင့် Gokche, H.။ ဖိသိပ်စပရိန်ဒီဇိုင်း၏ အနည်းဆုံးထုထည်ကို အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်းအပေါ်အခြေခံ၍ 灰狼 အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်းနည်းလမ်းကို အသုံးပြုခြင်း၊ Ghazi J. အင်ဂျင်နီယာသိပ္ပံ၊ 3(2), 21–27 (2017)။
Aye, KM, Foldy, N., Yildiz, AR, Burirat, S. နှင့် Sait, SM မက်တာဟေယူရစ်တစ်စ်သည် ပျက်စီးမှုများကို အကောင်းဆုံးဖြစ်အောင် လုပ်ဆောင်ရန် အေးဂျင့်များစွာကို အသုံးပြုသည်။ အတွင်းပိုင်း J. Veh. dec. 80(2–4), 223–240 (2019).
Yildyz, AR နှင့် Erdash, MU စစ်မှန်သော အင်ဂျင်နီယာပြဿနာများကို ယုံကြည်စိတ်ချရသော ဒီဇိုင်းအတွက် အသစ်ပေါင်းစပ် Taguchi-salpa အုပ်စု အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်း အယ်လဂိုရီသမ်။ alma mater. test. 63(2), 157–162 (2021)။
Yildiz BS, Foldi N., Burerat S., Yildiz AR နှင့် Sait SM ပေါင်းစပ်ကျိုင်းကောင်အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်း အယ်လဂိုရီသမ်အသစ်ကို အသုံးပြု၍ ရိုဘော့ဂရစ်ပါ ယန္တရားများ၏ ယုံကြည်စိတ်ချရသော ဒီဇိုင်း။ ကျွမ်းကျင်သူစနစ်။ 38(3), e12666 (2021)။