Development of a Prandtl-Ishlinskii hysteresis model for a large capacity magnetorheological fluid damper
Notice bibliographique
Résumé
Magnetorheological (MR) fluid (MRF) dampers, serving as fail-safe semi-active devices, exhibit nonlinear hysteresis characteristics, emphasizing the necessity for accurate modeling to formulate effective control strategies in smart systems. This paper introduces a novel stop operator-based Prandtl-Ishlinskii (PI) model, featuring a reduced parameter set (seven), designed to estimate the nonlinear hysteresis properties of a large-scale bypass MRF damper with variable stiffness capabilities under varying applied current. With only seven parameters, the model realizes current, displacement, and rate dependencies. The force-displacement and force-velocity responses of the designed MRF damper were experimentally characterized under broad ranges of applied current (0-2 A), excitation frequency (0.5-4 Hz), and displacement amplitude (1-2.5 mm). A training dataset was subsequently used to develop a novel field-dependent modified PI model, incorporating multiple hysteresis operators with and without a friction element. The proposed model accurately predicted the MRF damper behavior within the training dataset, and its validity was assessed against data from diverse experimental conditions. The PI model with friction element generally outperformed the model without friction when frequency exceeds 0.5 Hz, demonstrating its ability to characterize nonlinear hysteresis force-displacement and force-velocity properties of the MRF damper under the ranges of applied current and excitations considered with reasonable accuracy. Experimental data were also estimated by the Bouc-Wen model, and compared with those obtained via the formulated PI model, affirming the overall superiority of the proposed PI models considering the computational cost, and total number of parameters. Leveraging the simplicity, minimal parameter requirements, and analytic invertibility of PI models, the proposed PI model is considered a superior choice for modeling and subsequently controlling smart structures employing MRF dampers.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».