.png){kind=icon}
返回
Predicting static friction coefficients under heavy loads using machine learning algorithms
.png){kind=icon}
PRE
AI
DOI：10.26599/FRICT.2025.9441114.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
车辆中承受重复剪切载荷的紧固结构必须保持足够的夹紧力以防止因连接件滑移导致的松动。控制滑移所需的最小夹紧力通过分析理论和计算方法得出，并与连接件材料间的静摩擦系数密切相关。本研究介绍了一种新型测试装置，用于测量两种材料在高载荷条件下的静摩擦系数，并通过可靠性验证确认了其试验适用性。实验分析了法向载荷、表面粗糙度及机械性能对常用车辆连接件材料（包括涂层钢、钢和铝合金）静摩擦系数的影响。评估了四种机器学习算法——高斯过程回归（GPR）、集成算法、人工神经网络（ANN）和支持向量回归（SVR）——以建立静摩擦系数预测模型。采用多种评估指标对各模型的预测性能进行评估，结果表明GPR模型在预测静摩擦系数方面比其他模型具有更高的准确性。
Keyword:
machine learning
static friction coefficient
heavy load
bolted joints
期刊
IF:
8.2
论文数:
944
被引数:
5.9K
机构
引用论文
分享收藏Novel Friction Law for the Static Friction Force based on Local Precursor Slipping.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容