Бул изилдөө поезддердин жана башка транспорт каражаттарынын пассивдүү коопсуздук системаларында кагылышуу энергиясын пластикалык деформация аркылуу сиңире ала турган өзгөрмө калыңдыктагы кеңейтүүчү түтүктөрдүн долбоорун оптималдаштыруу үчүн экспериментти, чектүү элементтер анализин, машиналык үйрөнүүнү, көп максаттуу генетикалык оптималдаштырууну жана көп критерийлүү чечим кабыл алуу ыкмаларын бириктирет.

Изилдөөнүн негизги көйгөйү бири-бирине карама-каршы келген үч инженердик максаттан турат: алгачкы чоку эзүү күчүн (IPCF) азайтуу, жалпы энергия сиңирүүнү (EA) көбөйтүү жана конструкциялык массаны азайтуу. Дубалынын калыңдыгы туруктуу түтүктөр бул максаттардын ортосунда чектелген долбоорлоо ийкемдүүлүгүн берет, ал эми өзгөрмө калыңдыктагы түтүктөр материалды керектүү аймактарда көбүрөөк топтоп, башка аймактарда азайтуу аркылуу кеңири иштөө мейкиндигин бере алат.

Физикалык созуу жана квазистатикалык кеңейтүү эксперименттери менен чектүү элементтер модели калибрленген. Бирок физикалык валидация калыңдыгы туруктуу UTET прототиптеринде жүргүзүлгөн; оптималдаштырылган VTETтин физикалык прототиби бул изилдөөнүн алкагында жасалган эмес. Ошондуктан акыркы VTET жыйынтыктары түз эксперимент аркылуу эмес, валидацияланган чектүү элементтер модели аркылуу бааланган.

Машиналык үйрөнүү баскычында белгилердин маанилүүлүк катмары бар толук байланышкан нейрондук тармак (FI-FCN) колдонулган. Модель беш бүктөмдүү кайчылаш валидацияда EA үчүн R²=0,985, IPCF үчүн R²=0,953 жана масса үчүн R²=0,995 көрсөткүчтөрүнө жеткен. Андан кийин NSGA-II менен Pareto чечимдер жыйындысы түзүлүп, EW-GRA-TOPSIS ыкмасы аркылуу tmin=2,08 mm, tmax=7,62 mm жана α=44,90° маанилерине ээ компромистик чечим тандалган.

Тандалган долбоордун машиналык үйрөнүү/оптималдаштыруу божомолдору менен чектүү элементтер аркылуу текшерүүнүн ортосундагы салыштырма айырмалар масса боюнча %0,23, энергия сиңирүү боюнча %3,65 жана алгачкы чоку эзүү күчү боюнча %4,37 деп билдирилген. Бул жыйынтыктар сунушталган эсептөө алкагы ошол эле моделдөө мейкиндигинде ишенимдүү экенин колдойт; бирок бул реалдуу жогорку ылдамдыктагы поезд кагылышуусунда ушундай эле көрсөткүч физикалык жактан тастыкталган дегенди билдирбейт.

Кеңейтүүчү Түтүк Кагылышуу Энергиясын Кантип Сиңирет?

Кеңейтүүчү түтүк — конус сымал же окшош пуансон түтүктүн ичине күч менен киргизилгенде металл дубалдын радиалдык жана пластикалык кеңейүүсү аркылуу механикалык энергияны деформация энергиясына айланткан пассивдүү энергия сиңирүүчү элемент.

Жүктөө башталганда пуансон менен түтүктүн ортосунда чектелүү тийишүү аянты болот. Пуансон алдыга жылган сайын тийишүү аянты чоңоюп, түтүктүн дубалы пластикалык деформацияга учурайт. Күч тез өсөт. Түтүк пуансондун геометриясына жетиштүү ылайыкташкандан кийин туруктуураак кеңейүү режими түзүлөт.

Бул жүрүм-турумдун эки маанилүү натыйжасы бар:

• Кагылышуу энергиясынын бир бөлүгү туруктуу металл деформациясына айландырылышы мүмкүн.
• Түтүктүн геометриясын өзгөртүү аркылуу күч деңгээлин жана энергия сиңирүү жүрүм-турумун долбоорлоого болот.

IPCF эмне үчүн төмөн болушу керек?

Initial Peak Crushing Force (IPCF) — деформация башталганда пайда болгон биринчи жогорку күч чокусу. Өтө жогорку IPCF энергия сиңирүүчү конструкциянын жүктү транспорт каражатынын кузовуна же башка системаларга капысынан өткөрүшүнө алып келиши мүмкүн.

Ошондуктан жакшы энергия сиңиргич жалпы энергияны көп сиңирүү менен гана чектелбестен, энергияны көзөмөлдөнгөн күч деңгээлинде сиңире алышы керек.

EA эмне үчүн жогору болушу керек?

Energy Absorption (EA) деформация процессиндеги күч–жылыш ийри сызыгынын астындагы аянтка байланыштуу жалпы механикалык энергия сиңирүүнү билдирет.

EA жогору болгондо, ошол эле деформация аралыкта конструкция көбүрөөк кинетикалык энергияны сиңире алат.

Эмне үчүн масса да оптималдаштырылат?

Энергия сиңирүүнү көбөйтүүнүн эң жөнөкөй жолдорунун бири — көбүрөөк материал колдонуу. Бирок темир жол жана автомобиль системаларында оор пассивдүү коопсуздук конструкциялары транспорт каражатынын энергия керектөөсү, октук жүк жана жалпы долбоордун натыйжалуулугу жагынан кааланбашы мүмкүн.

Ошондуктан изилдөө күч менен энергияны гана эмес, конструкциялык массаны да оптималдаштыруу максаты катары карайт.

Өзгөрмө Калыңдыктагы Түтүк Туруктуу Калыңдыктагы Түтүктөн Эмнеси Менен Айырмаланат?

Туруктуу калыңдыктагы түтүктө бүтүндөй огу боюнча дубалдын бирдей калыңдыгы колдонулат. Өзгөрмө калыңдыктагы VTETте болсо дубалдын калыңдыгы бир учунан экинчи учуна чейин өзгөртүлүшү мүмкүн.

Бул ыкма материалды деформация көбүрөөк каршылык талап кылган аймактарга топтоп, анча маанилүү эмес аймактарда дубалды жукартууга мүмкүндүк берет.

Чектүү Элементтер Модели Физикалык Жактан Кантип Текшерилди?

Изилдөө адегенде 20 steel материалынын созулуу жүрүм-турумун эксперименттик жол менен аныктаган. Алынган инженердик чыңалуу–деформация маалыматтары чыныгы чыңалуу–чыныгы деформация түрүнө айландырылып, LS-DYNA материалдык моделинде колдонулган.

Чектүү элементтер тору сегиз түйүндүү гексагоналдык катуу элементтерден түзүлүп, элемент өлчөмү 1 mm болуп тандалган.

Төрт башка конус бурчу бар физикалык пуансондор колдонулуп, туруктуу калыңдыктагы түтүктөр квазистатикалык шартта кеңейтилген:

• 15°
• 25°
• 35°
• 45°

Пуансон 5 mm/мүн ылдамдык менен жалпы 150 mm жылдырылган.

Эксперимент менен симуляциядагы күч–жылыш ийри сызыктары жана деформация формалары жалпысынан бири-бирине жакын болгон; авторлор муну чектүү элементтер моделинин кийинки параметрдик VTET анализдери үчүн жетиштүү валидациясы катары баалашкан.

Маанилүү валидация чеги

Бул жерде изилдөө физикалык жактан оптималдаштырылган VTET прототибин сыноодон өткөрбөйт.

Текшерилген чынжыр төмөнкүдөй:

UTET физикалык эксперименти → UTET чектүү элементтер валидациясы → ошол эле моделдөө ыкмасын VTET эсептөөлөрүнө колдонуу.

Демек, VTET көрсөткүчтөрү прототипти түз сыноо менен тастыкталган эмес.

Ортогоналдык Эксперимент Кайсы Параметрлер Маанилүү Экенин Көрсөттү?

Төрт долбоорлоо параметринин IPCF, EA жана массага тийгизген таасирин изилдөө үчүн 16 шарттуу ортогоналдык долбоор колдонулган.

ANOVA жыйынтыктарына ылайык:

D параметри EA үчүн статистикалык жактан маанилүү болгону менен, масса жана IPCF үчүн маанилүү чыккан эмес. Изилдөөчүлөр үч чыгыш үчүн жалпы жана түшүндүрүүгө ыңгайлуу кириш топтомун колдонуу максатында Dни кийинки FI-FCN моделинен алып салышкан.

Ошондуктан кийинки оптималдаштыруу:

tmin + tmax + α → IPCF + EA + m

байланышын колдонот.

FI-FCN Кадимки Нейрондук Тармактан Эмнеси Менен Айырмаланат?

FI-FCN классикалык fully connected neural network түзүмүнө Feature Importance — Белгилердин Маанилүүлүгү катмарын кошот.

Ортогоналдык эксперименттен жана ANOVA жыйынтыктарынан алынган маанилүүлүк маалыматы кириш өзгөрмөлөрүнүн нейрондук тармакта бирдей салмак менен башталышына жол бербейт. Маанилүүрөөк деп эсептелген өзгөрмөлөр башында күчтүүрөөк көрсөтүлөт.

Моделдин түзүмү:

1. Кириш катмары: tmin, tmax жана α.
2. Feature Importance катмары.
3. 32 нейрондуу жашыруун катмар.
4. 64 нейрондуу жашыруун катмар.
5. Чыгыш: IPCF, EA же масса.

Ар бир максат үчүн өзүнчө суррогаттык модель түзүлгөн.

Машиналык үйрөнүү маалыматтары кантип түзүлдү?

Maximin Latin Hypercube Sampling аркылуу долбоорлоо мейкиндигинен 100 параметр айкалышы тандалып, ар бир айкалыш чектүү элементтер модели менен чечилип, IPCF, EA жана масса маанилери алынган.

Демек, FI-FCNнин негизги окутуу маалыматтары физикалык кагылышуу эксперименттеринен эмес, валидацияланган чектүү элементтер моделинен алынат.

Беш бүктөмдүү кайчылаш валидациянын жыйынтыгы

Масса эң оңой божомолдонгон чыгыш болуп көрүнсө, IPCF кыйла татаал максат болгон.

NSGA-II Бир Убакта Үч Карама-Каршы Максатты Кантип Оптималдаштырат?

Оптималдаштыруу маселеси:

• IPCFни минималдаштыруу
• EAны максималдаштыруу
• Массаны минималдаштыруу

түрүндө коюлган.

Бул максаттардын сөзсүз бир гана математикалык оптимуму болбойт. Ошондуктан NSGA-II Pareto чечимдер жыйындысын түзөт.

Pareto-оптималдуу чечим — башка критерийлердин жок дегенде бирин начарлатпай туруп дагы бир критерий боюнча жакшыртууга мүмкүн болбогон долбоор.

EW-GRA-TOPSIS Pareto Фронтунан Бир Долбоорду Кантип Тандайт?

NSGA-II көптөгөн жарактуу чечимдерди түзгөндүктөн, инженердик колдонуу үчүн бир долбоорду тандоо максатында EW-GRA-TOPSIS колдонулган.

Биринчи баскычта Entropy Weight Method ар бир көрсөткүчтүн Pareto жыйындысындагы маалыматтык айырмалоо жөндөмүнө жараша объективдүү салмагын аныктайт.

Экинчи баскычта эки өз алдынча баалоо жүргүзүлөт:

• TOPSIS: чечимдин идеалдуу долбоорго геометриялык жакындыгы.
• GRA: көрсөткүчтөрдүн үлгүсүнүн идеалдуу эталон менен тренддик окшоштугу.

Акыркы баскычта эки балл тең салмакта бириктирилет.

Бул ыкмада IPCF 0,443 менен эң жогорку энтропиялык салмакты алган. EAнын салмагы 0,251 деп билдирилген.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Тандалган Акыркы Долбоордун Параметрлери Кандай?

EW-GRA-TOPSIS баалоосунда № 145 чечим эң жогорку жалпы баалоо баллына жеткен.

Оптималдаштыруу Жыйынтыгы Чектүү Элементтер Анализи Менен Канчалык Дал Келди?

Үч айырманын тең %5тен төмөн болушу FI-FCN + NSGA-II + EW-GRA-TOPSIS чынжыры колдонгон чектүү элементтер долбоорлоо мейкиндигинде ырааттуу божомол чыгара аларын колдойт.

Булакта EA боюнча ички дал келбестик бар

Жыйынтыктар түшүндүрүлгөн абзацта 67,68 kJ мааниси оптималдаштыруу божомолу, ал эми 65,21 kJ чектүү элементтер жыйынтыгы катары көрсөтүлгөн. Дароо кийинки Таблица 6 болсо бул маанилерди тескерисинче белгилейт.

Ошондуктан Verianla бул эки сандын кайсынысы кайсы категорияга тиешелүү экенине булактын атынан жаңы чечим чыгарбайт; жогорудагы таблица булактын өзүндөгү Таблица 6 түзүлүшүнө ылайык берилген.

Изилдөөнүн Күчтүү Жактары Кайсылар?

• Материалдын жүрүм-турумун эксперименттик созуу сыноосу менен аныктоо.
• Чектүү элементтер моделин реалдуу квазистатикалык кеңейтүү эксперименттери менен текшерүү.
• Өзгөрмө калыңдыкты интуитивдүү гана эмес, параметрдик долбоорлоо өзгөрмөсү катары моделдөө.
• Оптималдаштыруудан мурда ANOVA аркылуу өзгөрмөлөрдүн маанилүүлүгүн талдоо.
• Статистикалык белги маанилүүлүгү тууралуу маалыматты машиналык үйрөнүү моделине киргизүү.
• Беш бүктөмдүү кайчылаш валидация колдонуу.
• Үч карама-каршы максатты Pareto оптималдаштыруусунда бирге кароо.
• Pareto жыйындысынан акыркы долбоорду тандоодо бир гана критерийдин ордуна EWM, TOPSIS жана GRAны биргелешип колдонуу.

Изилдөөнүн Чектөөлөрү Кандай?

• Оптималдаштырылган VTET физикалык түрдө жасалып, сыналган эмес.
• Моделдин валидациясы туруктуу калыңдыктагы UTETте жүргүзүлгөн.
• Физикалык сыноолор квазистатикалык жүктөө шарттарында жүргүзүлгөн; бул реалдуу жогорку ылдамдыктагы кагылышуу эмес.
• FI-FCNнин окутуу маалыматтары негизинен чектүү элементтер симуляцияларынан алынган.
• D параметри EAга олуттуу таасир эткени менен, жалпы моделдин ырааттуулугун сактоо үчүн кийинки моделден чыгарылган.
• Жыйынтык абзацы менен Таблица 6нын ортосунда EA маанилеринин prediction/simulation энбелгилери тескери берилген.
• 20 steel созуу сыноосу үчүн берилген GB/T 16865-2013 шилтемесинин аталышы колдонулган материалга ачык дал келбейт.
• Реалдуу транспорт каражатынын кузову, жүргүнчү жүктөрү жана жогорку ылдамдыктагы кагылышуу сценарийлери бул макалада валидацияланган эмес.

Изилдөө колдогон жыйынтыктар

• Өзгөрмө калыңдык кеңейтүүчү түтүктөрдүн көп максаттуу долбоорунда кошумча эркиндик берет.
• Калыңдык параметрлери жана конус бурчу IPCF, EA жана массага олуттуу таасир бере алат.
• UTET эксперименттери менен калибрленген чектүү элементтер модели VTET долбоорлоо мейкиндигин сандык жактан изилдөө үчүн колдонулушу мүмкүн.
• FI-FCN колдонулган симуляция маалыматтарында IPCF, EA жана массаны жогорку R² менен божомолдой алат.
• NSGA-II үч карама-каршы иштөө максатынын ортосунда кеңири Pareto чечимдер жыйындысын түзөт.
• EW-GRA-TOPSIS Pareto чечимдеринин арасынан маалыматка негизделген компромистик долбоорду тандоо үчүн колдонулушу мүмкүн.
• Тандалган чечимдин суррогаттык модель жыйынтыктары менен чектүү элементтер жыйынтыктарынын ортосундагы айырмалар %5тен төмөн калган.

Изилдөө колдобогон жыйынтыктар

• Оптималдаштырылган VTET реалдуу жогорку ылдамдыктагы поезд кагылышуусунда физикалык жактан валидацияланган деп көрсөтүлгөн эмес.
• Изилдөө жүргүнчүлөрдүн жаракат алуусу белгилүү бир пайызга азаярын көрсөтпөйт.
• Машиналык үйрөнүү түздөн-түз эксперименттик маалыматтарга таянып реалдуу кагылышууну божомолдойт деп айтууга болбойт.
• FI-FCNнин жогорку R² көрсөткүчтөрү реалдуу дүйнөдөгү бардык VTET долбоорлорунда бирдей тактыкка кепилдик бербейт.
• Бир Pareto чечими бардык инженердик колдонмолордо универсалдуу “эң жакшы” экени көрсөтүлгөн эмес.
• Өзгөрмө калыңдыктагы түтүк бардык туруктуу калыңдыктагы долбоорлордон бардык иштөө критерийлери боюнча бир учурда артык экени көрсөтүлгөн эмес.

Изилдөөнүн инженердик жактан негизги салымы

Изилдөөнүн эң маанилүү салымы жаңы түтүк геометриясын сунуштоо менен гана чектелбейт. Негизги салым — физикалык эксперименттен башталып, чечим кабыл алуу баскычына чейин созулган бирдиктүү долбоорлоо иш агымы:

Материал сыноосу → физикалык кеңейтүү сыноосу → чектүү элементтер валидациясы → ортогоналдык параметр анализи → FI-FCN суррогаттык модели → NSGA-II Pareto оптималдаштыруусу → EW-GRA-TOPSIS → чектүү элементтер текшерүүсү.

Бул түзүм көп сандагы кымбат чектүү элементтер анализдерин оптималдаштыруу циклинде кайра-кайра түз жүргүзүүнүн ордуна, үйрөтүлгөн суррогаттык модель аркылуу кеңири долбоорлоо изилдөөсүн кыйла тез жүргүзүүгө мүмкүндүк берет.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска аталышы:Multi-Objective Crashworthiness Optimization of Variable-Thickness Expansion Tubes Using Machine Learning and Decision-Making.

Авторлор: Dezhuang Yu, Haitao Dong, Zhanyu Liu, Weiyuan Guan, Jijian Lu.

Мекемелер: CRRC Dalian Locomotive and Rolling Stock Co., Ltd.; School of Traffic and Transportation Engineering, Central South University.

Журнал:Machines.

Жыл / том / макала номери: 2026, 14, 692.

Жарыяланган күнү: 16 Июнь 2026.

DOI: 10.3390/machines14060692.

Лицензия: Creative Commons Attribution (CC BY).

Изилдөөнүн түрү: Эксперименттик валидацияны, чектүү элементтер анализин, машиналык үйрөнүүнү, көп максаттуу оптималдаштырууну жана көп критерийлүү чечим кабыл алууну бириктирген конструкциялык кагылышууга туруктуулук изилдөөсү.

Материал: 20 steel.

Эксперименттик валидация: Физикалык UTET квазистатикалык кеңейтүү эксперименттери; 15°, 25°, 35° жана 45° пуансон бурчтары.

Чектүү элементтер программасы: LS-DYNA.

Машиналык үйрөнүү: Feature Importance катмары бар Fully Connected Network (FI-FCN).

Моделдин кириштери: tmin, tmax жана α.

Моделдин чыгыштары: IPCF, EA жана конструкциялык масса.

Тандоо: Maximin Latin Hypercube Sampling, 100 долбоорлоо үлгүсү.

Моделди баалоо: Беш бүктөмдүү кайчылаш валидация; R², RMSE, MAE жана MAPE.

Көп максаттуу оптималдаштыруу: NSGA-II.

Чечим кабыл алуу: Entropy Weight Method + Grey Relational Analysis + TOPSIS.

Тандалган долбоор: tmin=2,08 mm; tmax=7,62 mm; α=44,90°.

Чектүү элементтер салыштыруусундагы салыштырма айырмалар: масса %0,23; EA %3,65; IPCF %4,37.

Маанилүү эксперименттик чектөө: Оптималдаштырылган VTET физикалык түрдө чыгарылган эмес; VTET жыйынтыктары UTETте валидацияланган чектүү элементтер методологиясына негизделет.

Булак ичиндеги ырааттуулук эскертүүсү: Таблица 6 менен жыйынтык абзацы 65,21 kJ жана 67,68 kJ EA маанилерин “optimal result” жана “simulation result” деп белгилөөдө бири-бирине каршы келет. Мындан тышкары, 20 steel үлгүсү үчүн көрсөтүлгөн GB/T 16865-2013 стандартынын шилтеме аталышы алюминий/магний эритмелерине байланыштуу. Бул учурлар булактын атынан үнсүз оңдолгон эмес.

Каржылоо: Natural Science Foundation of Hunan Province, Grant No. 2024JJ6519.

Маалыматтарга жетүү: Маалыматтар суроо-талап боюнча жооптуу автордон берилери билдирилген.

Кызыкчылыктардын кагылышы: Dezhuang Yu, Haitao Dong жана Zhanyu Liu CRRC Dalian Locomotive and Rolling Stock Co., Ltd. компаниясынын кызматкерлери экени булакта айтылган.

Verianla ыкма эскертүүсү: Бул мазмун булак макаланын абзац-абзац котормосу эмес. Эксперименттик валидация, чектүү элементтер модели, ортогоналдык долбоор, FI-FCN суррогаттык модели, көп максаттуу оптималдаштыруу, Pareto анализи жана EW-GRA-TOPSIS чечим процесси өз алдынча окутуучу түзүмдө кайра уюштурулган. Чектүү элементтер божомолдору реалдуу жогорку ылдамдыктагы кагылышуу жыйынтыктары катары берилген эмес жана булактын ичиндеги сандык/библиографиялык дал келбестиктер көрүнүктүү түрдө сакталган.