Dynamics analysis and multi-objective optimization for a dry friction damper
Notice bibliographique
Résumé
• Modeled a dry friction damper featured with a double layer stator and dual rub-impacts. • Developed semi-analytical solutions to correlate parameters with responses. • Proposed a metric to quantify damping ring wear based on solution stability. • Established multi-objective optimization to enhance damping and reduce component wear. • Implemented damper design adjustments guided by metaheuristic algorithm results. This paper presents the optimal design of a dry friction damper for a helicopter tail-rotor driveline, focusing on achieving superior vibration suppression around the first critical speed and enhanced component reliability. The optimization is driven by efficient fitness value calculations and response-based assessments of component wear. A detailed model is developed for the damper featuring a double-layer stator with dual rub-impacts, capturing complex interactions through derived semi-analytical solutions that enable precise and efficient dynamic response analysis. To assess durability, a novel wear metric is proposed, based on solution stability and differentiation of rub-impact patterns. Simulations are conducted to analyze multi-stage damping effects, dual rub-impact response characteristics, and parameter influences on these responses. Using a multi-objective optimization framework that incorporates both the semi-analytical solutions and wear metric, Pareto optimal solutions are generated through two metaheuristic algorithms, identifying distinct parameter regions to guide the development of two optimized damper configurations. These parameter recommendations are implemented through targeted adjustments and structural optimization, resulting in dampers that demonstrate significant improvements in both damping performance and wear reduction.
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 ».