Thermo-mechanical fatigue damage constrained topology optimization
Notice bibliographique
Résumé
• Consider thermo-mechanical fatigue damage constraints in topology optimization. • Evaluate thermal effects on fatigue via temperature-dependent Basquin equation. • Verify the method’s feasibility and effectiveness via four numerical examples. • Achieve lightweight designs to raise fatigue life under coupled thermo-elastic loads. • Confirm fatigue life improvements by the experimental results of optimized beams. Structures in extreme thermal environments are susceptible to thermo-mechanical fatigue damage under cyclic thermal and mechanical loading. To effectively address this issue via structural optimization design, this study proposes a thermo-mechanical fatigue damage-constrained topology optimization (TMFDCTO) method, aiming to achieve lightweight designs while rigorously accounting for fatigue damage induced by coupled thermal and mechanical loads. A nonlinear fatigue damage analysis framework is established, incorporating a temperature-dependent Basquin equation to quantify thermal effects on S-N curve degradation. Then Morrow criterion is employed to evaluate nonlinear fatigue damage accumulation under non-proportional thermo-mechanical loading conditions. The TMFDCTO formulation integrates a modified p -norm aggregation function to efficiently handle the inherent multi-constraint nature of fatigue damage optimization. Additionally, sensitivity equations are derived for both the volume objective function and the thermo-mechanical fatigue damage constraint function with respect to design variables. Meanwhile, several 2D and 3D numerical examples are tested to demonstrate the feasibility and effectiveness of the proposed TMFDCTO method. Finally, experimental validation under thermo-elastic loading is conducted using laser-cut MBB beam prototypes, with comparative analysis between simulation and experimental results confirming the effectiveness of the TMFDCTO method. The experimental results demonstrate that the TMFDCTO method enhances fatigue life by 12.02% to 613.25% compared to the method that does not account for thermal loading effects.
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) | 0,001 | 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».