MétaCan
Menu
Retour à la cohorte
Enregistrement W2903343864 · doi:10.1139/tcsme-2017-512

DESIGN OPTIMIZATION OF MOTORIZED SPINDLE BEARING LOCATIONS BASED ON DYNAMIC MODEL AND GENETIC ALGORITHM

2017· article· en· W2903343864 sur OpenAlexvenueno aff
Denghui Li, Hongrui Cao, Songtao Xi, Xiaoman Linand, Xuefeng Chen

Notice bibliographique

RevueTransactions of the Canadian Society for Mechanical Engineering · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Measurement and Metrology Techniques
Établissements canadiensnon disponible
Organismes subventionnairesNational Science and Technology Major Project
Mots-clésGenetic algorithmBearing (navigation)Natural frequencyHammerOptimal designTimoshenko beam theoryControl theory (sociology)EngineeringComputer scienceDynamic simulationAlgorithmBeam (structure)VibrationStructural engineeringSimulationArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

In this paper, an optimization method based on dynamic model and genetic algorithm is proposed for the design of motorized spindle bearing locations. Firstly, the dynamic model of motorized spindles is developed based on the Timoshenko beam model and Jones’ quasi-static bearing model. Then, the developed dynamic model is validated with the hammer response test on a motorized grinding spindle system. Finally, the design optimization method is proposed by combining the dynamic model with genetic algorithm. In order to obtain higher rigidity, the optimal locations of bearings on the spindle are calculated with the genetic algorithm. The results show that the first mode natural frequency (FMNF) of the system increases by 12.38% than the original value after optimization.

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.

Comment cette classification a été obtenuedéplier

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)0,000
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: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,511
Score d'incertitude au seuil0,390

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 Opus0,017
Tête enseignante GPT0,221
Écart entre enseignants0,204 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTransactions of the Canadian Society for Mechanical EngineeringMême sujetAdvanced Measurement and Metrology TechniquesTravaux en français237 207