Enhanced Displacement Magnification in Symmetrical Differential Levers: A Compliant Mechanism Design Optimization Study
Notice bibliographique
Résumé
Compliant mechanism work based on the elasticity of material, dimension of the compliant mechanisms and the shape of flexure hinge.In order to larger workspace, most published works use theoretical models to determine the displacement amplification of the mechanical systems, which is very difficult to do.A simpler method that can still achieve efficiency while designing a mechanism with high displacement gain and low stress that ensures a stable working structure is to use combined grey relational analysis Taguchi method is based on the results of finite element analysis in ANSYS.To do this, first select the design variables for the symmetric differential lever displacement amplifier model.Next step, use Minitab software to design 27 cases.Then use SolidWorks to design 27 models of symmetrical differential displacement amplifier.Next to finite element analysis in ANSYS to obtain displacements and stresses of the symmetrical differential lever compliant mechanism with circular flexure hinge.The results obtained from the finite element model are used for optimization by grey relationship analysis combined with the Taguchi method.The FEM results indicated that the designed variables significantly affected on the displacement and stress of the symmetrical differential lever displacement magnification compliant mechanism.The problem was also confirmed by grey relational analysis with Taguchi method.The predicted and optimal values of the displacement were 0.11276 mm and 0.1179 mm, with error of 4.36%.The input displacement was 0.01 mm, while the displacement magnification ratio was 11.79 times.The results verified by decision-making criteria: TOPSIS method, MOORA method and EDAS method.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».