An intelligent semi-active bridge pier protection system with MR-STF damping and TSO–DBO optimized fuzzy control
Notice bibliographique
Résumé
To address the limitations of traditional ship–pier anti-collision systems, which often fail to simultaneously protect both structures and vessels and lack adaptive control, this study proposes a novel semi-active intelligent anti-collision system. The system integrates a progressive magnetorheological shear-thickening fluid damper into a conventional fender structure, enabling adaptive response to varying impact conditions. A variable-universe fuzzy proportional–integral–derivative control scheme, enhanced by an inverse hyperbolic sine scaling mechanism, is developed to govern the damper's response. To further optimize control parameters and membership functions, a hybrid metaheuristic algorithm combining Tuna Swarm Optimization (TSO) and Dung Beetle Optimization (DBO) is proposed. Numerical simulations under different ship sizes (500 DWT and 3000 DWT) and collision speeds (2, 3, and 4 m/s) demonstrate that the proposed control strategy significantly reduces peak bow displacement by up to 19.94% and increases the output damping force, reaching over 70% of the impact load in some scenarios. Benchmark tests confirm the superior optimization performance of the TSO–DBO algorithm compared to several established algorithms. The proposed framework offers a practical, energy-efficient, and effective solution for mitigating ship–pier collision impacts, with strong potential for real-world engineering applications.
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 ».