fr.wedoany.com Rapport,Des chercheurs du département de génie automobile de l'Université d'Uludağ à Bursa, en Turquie, ont développé un modèle d'intelligence artificielle pour prédire le comportement de desserrage des assemblages boulonnés sous charges dynamiques dans le montage automobile. Cette étude s'attaque au défi de la prédiction du comportement des boulons dans des conditions vibratoires, en combinant expérimentation et réseaux neuronaux, permettant ainsi une prédiction avec un faible taux d'erreur.
L'équipe de recherche a collecté des données de charges externes à partir de tests mécaniques sur des liaisons de suspension de moteur et a utilisé la méthode expérimentale de Taguchi pour obtenir des données d'entraînement et de test pour le réseau neuronal. Ils ont construit un réseau neuronal en utilisant les algorithmes de Levenberg-Marquardt et de régularisation bayésienne, établissant une relation entre les facteurs de contrôle et le taux de desserrage.
Les expériences ont été menées sur un banc de simulation multiaxial, simulant des conditions de conduite et mesurant le déplacement radial et la charge de serrage. Grâce à des tests de vibration uniaxiale, appliquant des amplitudes radiales de 0,15 à 1 mm, des données de déformation ont été collectées pour analyser la performance de l'assemblage boulonné.
La conception expérimentale de Taguchi a identifié sept facteurs de contrôle, incluant la force de serrage, le déplacement radial et l'état de surface. L'étude a révélé que le déplacement radial a un impact significatif sur le taux de desserrage, tandis que les paramètres de rigidité de la liaison ont une influence moindre.
Le modèle de réseau neuronal est composé d'une structure à trois couches, avec des neurones d'entrée correspondant aux sept facteurs, et le nombre de neurones dans la couche cachée variant entre 3 et 15. Le modèle a été implémenté à l'aide du logiciel Matlab, utilisant l'erreur quadratique moyenne et le coefficient de détermination de Pearson pour évaluer ses performances.
Les résultats des tests montrent que l'algorithme de Levenberg-Marquardt avec l'architecture 7-5-1 offre les meilleures performances, avec un taux d'erreur compris entre 0,11 % et 3,17 %. Comparé aux méthodes traditionnelles, ce modèle d'intelligence artificielle réduit d'environ 50 % le besoin de tests de desserrage, contribuant ainsi à diminuer les coûts et le temps de test pour la conception de nouveaux assemblages boulonnés.
Cette recherche offre une nouvelle méthode pour les tests de durabilité des fixations dans la fabrication automobile, en optimisant le processus de prédiction grâce à la technologie d'intelligence artificielle, améliorant ainsi l'efficacité technique. Les résultats de cette étude sont le fruit du travail conjoint d'Özgür Şengör, d'Onur Yavuz et de Ferruh Ozturk, et l'article correspondant a été publié.
Texte compilé par Wedoany. Toute citation par IA doit mentionner la source « Wedoany ». En cas de contrefaçon ou d’autre problème, veuillez nous en informer rapidement ; nous modifierons ou supprimerons le contenu le cas échéant. Courriel : news@wedoany.com
