MétaCan
Menu
Retour à la cohorte
Enregistrement W2136149766 · doi:10.5897/jmer.9000028

Integration of thermo mechanical strains into optimal tolerance design of mechanical assembly using NSGA II and FE simulation

2011· article· en· W2136149766 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

venuePublié dans une revue dont le pays d'attache est le Canada.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueMechanical Engineering Research · 2011
Typearticle
Langueen
DomaineEngineering
ThématiqueManufacturing Process and Optimization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésFinite element methodDimension (graph theory)Mechanical engineeringDeformation (meteorology)InertiaSortingOptimal designComponent (thermodynamics)Computer scienceStructural engineeringEngineeringMaterials scienceMathematicsAlgorithm

Résumé

récupéré en direct d'OpenAlex

In the design of mechanical assembly, the dimension-chain tools take into account the manufacturing dispersion of the parts and assembly defects. This ensures the interchangeability of the different components and guarantees that an assembly can carry out different service functions, as it is modeled in infinitely rigid solids. However, this approach does not take thermo-mechanical effects and deformation due to inertia effects like gravity, angular velocity etc., into account. Most materials change length as they change temperature. As a result of this change, the dimensions and tolerances of a product become at variance with the design values. Hence, thermal effects must be taken into account when designing a product that will undergo temperature cycling and yet, the different operating regimes of an assembly make it indispensable that the effects caused by the thermodynamic cycle should be integrated. In this regard, a finite element model of a machine assembly is created in order to determine the deformation due to change in temperature and inertia effects. The aim of this article is to include the deformation determined by Finite element analysis in the dimension chain thereby controlling clearances in the mechanical assembly. The approach first generates a Cost-tolerance model using neural network where the inputs are parameters and tolerance levels. Then, Finite element analysis of the machine assembly is carried out. The deformation obtained by FEA is then included in the dimension chain. Finally, optimization is done using Non-dominated sorting genetic algorithm II (NSGA II). The results provide designers with optimal component parameters and tolerance values, and the critical components and the manufacturing cost. The approach can also guarantee that the parameter and tolerance values found remain within tolerance for the temperature variation. Then, the product can function as intended under a wide range of temperature conditions for the duration of its life.   Key words: Dimension chain, thermo mechanical tool, finite element analysis, neural network and NSGA II.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,556
Score d'incertitude au seuil0,889

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,101
Tête enseignante GPT0,317
Écart entre enseignants0,216 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle