Motor takozları bağlantı elemanlarının yapısal tasarımı ve yapay sinir ağları ile analiz tahmini

Abstract

Motor takozu braketleri araçlarda motor takozunun şasi ile bağlantısını sağlamak için kullanılan yapısal parçalardır. Mekanik yüklere maruz kalan braketin yükler altında çalışması sürüş güvenliği açısından önemlidir. Sert emisyon kuralları araç üreticilerini daha hafif araç üretimine zorlamaktadır. Bu durumda parça tasarımı yapılırken minimum ağırlıkta maksimum dayanımda ürünler tasarlanması gerekmektedir. Bu tez çalışmasında braket modeli üzerinde sonlu elemanlarla analiz yöntemi kullanılarak parçanın analizi yapılmış ve maksimum gerilme değeri bulunmuştur. Topoloji optimizasyonu yapılarak minimum ağırlık maksimum dayanıma sahip braket geometrisinin elde edilmesinde analiz hesapsal yükünden doğan maliyetlerin yapay sinir ağları kullanımı ile azaltılması amaçlanmıştır. En iyi geometrinin elde edilmesi amacıyla topoloji optimizasyonu şekil optimizasyonu uygulanmak üzere 3 adet tasarım değişkeni belirlenmiştir. Tasarım değişkenlerinin alt ve üst sınırı belirlenerek Latin Hiper Küp metodu yöntemiyle oluşturulan 25 farklı sonlu elemanlarla analiz senaryosu belirlenmiştir ve analizler yapılmıştır. Analiz sonuçları yapay sinir ağ yapısının oluşturulması için veri olarak kullanılmıştır. Girdi olarak tasarım değişkenleri çıktı olarak ise analiz sonuçları belirtilmiştir. 3 adet farklı eğitim algoritması sırasıyla Leverberg-Marquardt, Bayesian Regularization ve Scaled Conjugate Gradient kullanılmıştır. Bu eğitim algoritmanın sonuçları tahmin yetenekleri kıyaslanmıştır. Bu çalışma için Bayesian Regularization kullanılmasının daha uygun olduğu gözlemlenmiştir. Yapay sinir ağlar ile çözümleme zamanı ve hazırlama zamanı yüksek sonlu elemanlar analizlerinden tasarruf edilerek %1- 3 hata payı ile tahminler modeli oluşturulmuştur. Böylece çok veya tek amaçlı yapısal tasarım optimizasyon çalışmalarında gerekli analizlerin yapılması nedeniyle karşılaşılan hesapsal maliyet yükünün yapay sinir ağları tahmin yaklaşımı ile önlenebileceği gösterilmiştir. Özellikle karmaşık yapısal tasarım ve şekil optimizasyon süreçlerinde sebep olduğu maliyetler giderilmiş olmaktadır.

Engine mount brackets are structural parts used in vehicles in order to connect the engine mount with the car chasis. It is important for driving safety that the bracket, which is exposed to mechanical loads and it must work without breaking under loads. Strict emission rules force vehicle manufacturers to produce lighter vehicles. In this case, while designing the part, it is necessary to design products with minimum weight and maximum strength. In this study, the analysis of the part has been executed by finite element analysis method and the maximum stress value has been defined on bracket 3D model. It is aimed to reduce the costs arising from the analysis computational load by using artificial neural networks in obtaining the bracket geometry with minimum weight and maximum strength by making topology optimization.. In order to obtain the best geometry, 3 design variables were determined to apply shape optimization. The lower and upper boundries of the design variables have been defined and 25 different analyis scenario, which has been determined by Latin Hypercub method, have been run by finite element analysis. The analysis results have been used as data for the the artificial neural network structure. The design variables have been used as an input and the results of the finite element analysis have been used as an output. Three different training algorithms, Leverberg-Marquardt, Bayesian Regularization and Scaled Conjugate Gradient has been used, respectively. The predictive capabilities of these training algorithms have been compared. It has been observed that Bayesian Regularization is more suitable for this study. With artificial neural networks, the analysis time and preparation time are saved and the deviation is 1- 3% from finite element analysis. Thus, it has been shown that the computational cost burden encountered due to the necessary analysis in multi- or single-purpose structural design optimization studies can be avoided with the artificial neural network estimation approach. Especially the cost which the main cause is complex design and shape optimization process, has been decreased.