MétaCan
Menu
Retour à la cohorte
Enregistrement W7132909975

Reliability-based structural optimization with fatigue crack initiation constraint

2007· dissertation· W7132909975 sur OpenAlexaff

Notice bibliographique

RevueTSpace · 2007
Typedissertation
Langue
DomaineDecision Sciences
ThématiqueProbabilistic and Robust Engineering Design
Établissements canadiensBank of CanadaLibrary and Archives Canada
Organismes subventionnairesnon disponible
Mots-clésProbabilistic logicCantileverConstraint (computer-aided design)Probabilistic designReliability (semiconductor)Monte Carlo methodOptimization problemSurrogate modelNonlinear system
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

To implement the proposed probabilistic optimization method, two numerical examples are considered: the Cantilever Beam and the Scratch Drive Actuator (SDA), which is widely used in micro electromechanical systems (MEMS). Simulation results show that using the proposed optimization methodology significantly improves the accuracy of calculation. These results show that the difference between FOSM and FORM is growing by increasing the prescribed reliability for design. Furthermore, it is confirmed that the strain based fatigue approach is a more accurate design optimization criterion, in which both high cycle and low cycle fatigue life requirements, along with the local elastic-plastic analysis, are considered. The simulation results are also verified by Monte Carlo method or by existing data from the literature. This thesis presents a probabilistic optimization methodology for reliable design of structures with fatigue crack initiation constraint. A commonly used design optimization methodology for engineering systems comprises deterministic modeling. However, the existence of uncertainties in physical quantities, such as manufacturing tolerances, material properties, applied loads and fatigue life cycles, requires the probabilistic optimization technique. Moreover, very little research has been conducted to incorporate the fatigue life constraint into design optimization. To overcome this limitation in optimization techniques, a new reliability-based design optimization is proposed considering fatigue strength or fatigue life as a requirement in performance function. In this method, a multivariable objective function is constructed along with nonlinear probabilistic constraints. The probabilistic constraints consist of probability failure as well as fatigue failure criteria. The corresponding fatigue criterion is defined as the crack initiation phase in both stress- and strain-based models, respectively. The elements required for the probabilistic fatigue life calculations are also addressed. The first-order second-moment method (FOSM), first-order reliability method (FORM), and Monte Carlo method are adopted to assess the probability failure based on the concept of reliability indices. This concept is used to approximate the proposed fatigue life performance function about the most probable point. The sequential quadratic optimization technique is employed and a code is developed to solve the nonlinear optimization problem. The illustrative examples explain that the developed probabilistic optimization is not only more accurate and efficient, but it is also more realistic than the deterministic approach. Since reliability and fatigue failure are two important integrated parts in MEMS design, this proposed method can be applied in design optimization of these devices. This kind of methodology in design optimization is very practical and beneficial to industries, particularly in MEMS.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,731
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,004
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,066
Tête enseignante GPT0,391
Écart entre enseignants0,325 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTSpaceMême sujetProbabilistic and Robust Engineering DesignTravaux en français237 207