.png){kind=icon}
返回
Multi-axial vibration fatigue optimization strategy based on the artificial intelligence algorithm
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2026.114084.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为降低基于多轴振动疲劳寿命的多目标优化过程中的计算成本并提高多目标决策的公平性，本文提出了一种基于人工智能的多轴振动疲劳优化策略。该策略结合了使用随机森林（RF）和径向基函数神经网络（RBFNN）的混合代理模型、非支配排序遗传算法II（NSGA-II）以及改进的偏好选择指数（MPSI）。推导了用于计算结构疲劳寿命的多轴振动疲劳公式。RF-RBFNN混合代理模型用于拟合变量与响应之间的关系。NSGA-II被用于从混合代理模型中挖掘近似解集，改进的偏好选择指数方法被用于确定最佳折中解。研究结果指出，在满足所有约束指标的前提下，车辆车架的减重率为4.9%，疲劳寿命代理模型的预测精度为97.015%。本文的主要贡献在于将人工智能算法扩展到多轴振动疲劳优化领域，并将其应用于拖拉机车架疲劳寿命的求解过程中。
Keyword:
Multi-axial vibration fatigue
Artificial intelligence
Surrogate model
NSGA-II
Fatigue life optimization
期刊
IF:
8
论文数:
5.4K
被引数:
3.5W
机构
引用论文
Reliability-based buckling optimization with an accelerated Kriging metamodel for filament-wound variable angle tow composite cylinders.png)
COMPOSITE STRUCTURES
OAAI
COMPOSITE STRUCTURESIF7.1
OAAI分享收藏分享收藏Low-cycle fatigue life prediction of I-shaped steel brace components and braced frames工字钢支撑构件和支撑框架的低周乏力寿命预测
PREAI
分享收藏分享收藏分享收藏A CRITICAL PLANE APPROACH TO MULTIAXIAL FATIGUE DAMAGE INCLUDING OUT‐OF‐PHASE LOADING多轴乏力损伤的临界平面方法，包括相位外加载
PREAI
分享收藏Crushing analysis and multiobjective crashworthiness optimization of honeycomb-filled single and bitubular polygonal tubesMATERIALS & DESIGN
MATERIALS & DESIGNIF7.9
PREAI
分享收藏
查看更多内容