Development of an efficient design optimization strategy for thick-walled cylinders treated with combinations of autofrettage, shrink-fit and wire-winding processes
Notice bibliographique
Résumé
Shrink-fit, wire-winding, and autofrettage processes are commonly utilized to enhance fatigue strength and durability of thick-walled cylinders across various mechanical applications. In this study, a novel practical design optimization methodology has been developed to determine the optimal configuration of a thick-walled cylinder, incorporating different combinations of shrink-fit, wire-winding, and autofrettage techniques. The objective is to identify the optimal layer thickness, shrink-fit interference, conventional autofrettage pressure, and reverse autofrettage pressure, if applicable, to maximize the compressive residual stress and minimize the tensile residual stress, thereby extending fatigue lifetime of the cylinder. First, different configurations of thick-walled cylinders, subjected to various combinations of reinforcement processes, are identified. A dataset of residual hoop stress profiles through the cylinder thickness is subsequently generated for these configurations based on the same manufacturing process. Neural network regression is effectively utilized to construct a single fitting function for the residual hoop stress profiles. A parametric study is performed to determine the optimal training functions, activation functions, and hyperparameters, achieving a remarkable agreement with the dataset, indicated by a coefficient of determination of over 0.97. A combination of Genetic Algorithm and Sequential Quadratic Programming algorithms is utilized to determine the accurate optimal values. Fatigue life analysis is subsequently conducted to estimate the fatigue lifetime of the optimal configuration. Results suggest that the optimal configuration, involving conventional autofrettage of the inner layer followed by shrink-fitting with a virgin layer and wire-winding the entire assembly, achieves a maximum fatigue life of 88 × 10⁶ cycles under cyclic pressure load of 300 MPa.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».