31669

ارائه يك رابطه براي پيش بيني نيروي ميانگين لهيدگي در فرآيند جذب انرژي سازه هاي چند سلولي به كمك روش‌هاي يادگيري ماشين

كارشناسي ارشد

مهندسي خودرو - سازه وبدنه

1400

1403/6/28

دكتر مرتضي ملاجعفري - دكتر حامد سعيدي گوگرچين

ندارد

خودرو

سازه‌هاي جاذب انرژي چندسلولي براي كاهش آسيب در برخوردهاي شديد طراحي مي‌شوند. اين سازه‌ها بايد به گونه‌اي باشند كه با برخوردهاي فشاري بتوانند نيروي ميانگين لهيدگي را مديريت كنند. از زمان اختراع خودروهاي امروزي در اين صنعت مدل‌هاي متفاوتي از جاذب انرژي در سازه‌هاي جدار نازك با مقطع چندسلولي معرفي و تئوري‌هاي جديدي بحث و فرمول‌هاي متنوعي ارائه شده است. در اين پژوهش به بررسي رفتارهاي جاذب انرژي سازه‌هاي چندسلولي مي‌پردازيم. ابتدا مقاطع چندسلولي شناخته شده شناسايي و داده‌هاي هندسي و فيزيكي آن‌ها جمع‌آوري گرديده، سپس با استفاده از روش‌هاي يادگيري ماشين تحت نظارت مانند KNN، SVM، ANN و.... براي طبقه‌بندي و تحليل رگرسيون، رابطه‌اي رياضي براي پيش‌بيني نيروي ميانگين لهيدگي ارائه مي‌شود. انتخاب اين روش‌ها به دليل تفاوت‌هاي آن‌ها در پيچيدگي، حجم محاسباتي، و توانايي كار با مجموعه‌داده‌هاي مختلف است. براي مقايسه دقت و كاربرد رابطه ارائه شده، نتايج مورد پيش‌بيني با نتايج تئوري و عددي مقايسه مي‌شود. در نهايت هدف اصلي اين پژوهش پيش‌بيني ضريب α در فرمول محاسبه نيروي ميانگين لهيدگي (MCF) سازه‌هاي جاذب انرژي چندسلولي بود. اين سازه‌ها در بسياري از كاربردهاي صنعتي از جمله خودروسازي براي بهبود ايمني و جذب انرژي در هنگام برخورد استفاده مي‌شوند. در اين راستا، از مدل‌هاي مختلف يادگيري ماشين براي پيش‌بيني اين ضريب استفاده شده و R2 پيش‌بيني‌هاي مربوطه با دقت 96 درصد بدست امده و به نتايج شبيه‌سازي‌هاي عددي نزديك‌تر شده است. اين تحقيق به بهبود مدل‌هاي جذب انرژي در صنعت خودرو و ديگر صنايع كمك مي‌كند.

1403/09/17

A predictive analytical model for computing the average crushing force in the energy absorption process of multi-cellular structures by using machine learning methods

9/18/2025 12:00:00 AM

Multi-cell energy-absorbing structures are designed to mitigate damage during severe collisions. These structures must be capable of managing the Mean Crushing Force (MCF) under compressive impacts. Since the advent of modern vehicles, various energy-absorbing models in thin-walled structures with multi-cell cross-sections have been introduced, with new theories discussed and diverse formulas proposed. In this research, we examine the energy absorption behavior of structures with multi-cell cross-sections. Initially, well-known multi-cell cross-sections were identified, and their geometric and physical data were collected. Subsequently, using supervised machine learning methods such as KNN, SVM, ANN, and others for classification and regression analysis, a mathematical relationship is developed to predict the Mean Crushing Force. The selection of these methods is due to their differences in complexity, computational load, and ability to handle various datasets. To compare the accuracy and applicability of the proposed relationship, the predicted results are compared with theoretical and numerical results. The primary goal of this research is to predict the α coefficient in the formula for calculating the MCF of multi-cell energy-absorbing structures. These structures are widely used in various industrial applications, including the automotive industry, to enhance safety and energy absorption during collisions. In this context, various machine learning models were employed to predict this coefficient, aiming to increase the accuracy of the MCF calculations and bring them closer to numerical simulation results. This study contributes to improving energy-absorbing models in the automotive industry and other industries.

جاذب انرژي , سازه‌هاي چندسلولي , نيروي ميانگين لهيدگي , يادگيري ماشين , شبكه عصبي , جعبه تصادف

Energy absorption , Multi-cell structures , Mean Crushing Force , Machine learning , Neural network , Crash box

MILAD SHAHRAZADFARD

Dr . Morteza molla jafary - Dr. Hamed Saeidi Gogarchin