Bu çalışma, tren ve diğer taşıtların pasif güvenlik sistemlerinde çarpışma enerjisini plastik deformasyon yoluyla soğurabilecek değişken kalınlıklı genişleme tüplerinin tasarımını optimize etmek için deney, sonlu eleman analizi, makine öğrenmesi, çok amaçlı genetik optimizasyon ve çok kriterli karar verme yöntemlerini bir araya getirmektedir.

Araştırmanın temel problemi üç çelişen mühendislik hedefidir: ilk tepe ezilme kuvvetini (IPCF) düşürmek, toplam enerji soğurmayı (EA) yükseltmek ve yapısal kütleyi azaltmak. Sabit duvar kalınlıklı tüpler bu hedefler arasında sınırlı tasarım esnekliği sağlarken, değişken kalınlıklı tüpler malzemeyi ihtiyaç duyulan bölgelerde yoğunlaştırıp diğer bölgelerde azaltarak daha geniş bir performans alanı sunabilir.

Fiziksel çekme ve quasi-static genişleme deneyleri kullanılarak sonlu eleman modeli kalibre edilmiştir. Ancak fiziksel doğrulama sabit kalınlıklı UTET prototipleri üzerinde yapılmış; optimize edilen VTET'nin fiziksel prototipi bu çalışma kapsamında üretilmemiştir. Bu nedenle nihai VTET sonuçları deneysel olarak doğrudan değil, doğrulanmış sonlu eleman modeli üzerinden değerlendirilmiştir.

Makine öğrenmesi aşamasında özellik önem katmanı içeren tam bağlantılı sinir ağı (FI-FCN) kullanılmıştır. Model beş katlı çapraz doğrulamada EA için R²=0,985, IPCF için R²=0,953 ve kütle için R²=0,995 elde etmiştir. Ardından NSGA-II ile Pareto çözüm kümesi oluşturulmuş ve EW-GRA-TOPSIS yöntemiyle tmin=2,08 mm, tmax=7,62 mm ve α=44,90° değerlerine sahip uzlaşma çözümü seçilmiştir.

Seçilen tasarımın makine öğrenmesi/optimizasyon tahminleri ile sonlu eleman doğrulaması arasındaki göreli farklar kütlede %0,23, enerji soğurmada %3,65 ve ilk tepe ezilme kuvvetinde %4,37 olarak raporlanmıştır. Bu sonuçlar önerilen hesaplama çerçevesinin aynı modelleme alanı içinde güvenilir olduğunu desteklemektedir; gerçek yüksek hızlı tren çarpışmasında aynı performansın fiziksel olarak doğrulandığı anlamına gelmemektedir.

Genişleme Tüpü Çarpışma Enerjisini Nasıl Soğurur?

Genişleme tüpü, konik veya benzeri bir zımba tüp içine zorlandığında metal cidarın radyal ve plastik olarak genişlemesi üzerinden mekanik enerjiyi deformasyon enerjisine dönüştüren pasif enerji soğurma elemanıdır.

Yükleme başlangıcında zımba ile tüp arasında sınırlı bir temas alanı vardır. Zımba ilerledikçe temas alanı büyür ve tüp cidarı plastik deformasyona uğrar. Kuvvet hızlı biçimde yükselir. Tüp zımbanın geometrisine yeterince uyum sağladıktan sonra daha kararlı bir genişleme rejimi oluşur.

Bu davranışın iki önemli sonucu vardır:

• Çarpışma enerjisinin bir bölümü kalıcı metal deformasyonuna dönüştürülebilir.
• Tüp geometrisi değiştirilerek kuvvet seviyesi ve enerji soğurma davranışı tasarlanabilir.

IPCF neden düşük olmalıdır?

Initial Peak Crushing Force (IPCF), deformasyonun başlangıcında oluşan ilk yüksek kuvvet tepesidir. Çok yüksek IPCF, enerji emici yapının yükü araç gövdesine veya diğer sistemlere ani olarak aktarmasına neden olabilir.

Bu nedenle iyi bir enerji soğurucu yalnız toplamda çok enerji yutmakla kalmamalı; enerjiyi daha kontrollü bir kuvvet seviyesiyle soğurabilmelidir.

EA neden yüksek olmalıdır?

Energy Absorption (EA), deformasyon sürecindeki kuvvet–yer değiştirme eğrisinin altında kalan alanla ilişkili toplam mekanik enerji soğurmayı temsil eder.

Daha yüksek EA, aynı deformasyon mesafesinde daha fazla kinetik enerjinin yapı tarafından soğurulabilmesi anlamına gelir.

Neden kütle de optimize ediliyor?

Enerji soğurmayı artırmanın en basit yollarından biri daha fazla malzeme kullanmaktır. Ancak demiryolu ve otomotiv sistemlerinde daha ağır pasif güvenlik yapıları aracın enerji tüketimi, aks yükü ve toplam tasarım verimliliği açısından istenmeyebilir.

Bu nedenle araştırma yalnız kuvvet ve enerji değil, aynı zamanda yapısal kütleyi de optimizasyon hedefi yapmaktadır.

Değişken Kalınlıklı Tüp Neden Sabit Kalınlıklı Tüpten Farklıdır?

Sabit kalınlıklı tüpte bütün eksen boyunca aynı cidar kalınlığı kullanılır. Değişken kalınlıklı VTET'de ise bir uçtan diğer uca duvar kalınlığı değiştirilebilir.

Bu yaklaşım malzemeyi deformasyonun daha fazla direnç gerektirdiği bölgelere yoğunlaştırırken, daha az kritik bölgelerde cidarın inceltilmesine imkan verir.

Sonlu Eleman Modeli Fiziksel Olarak Nasıl Doğrulandı?

Çalışma önce 20 steel malzemesinin çekme davranışını deneysel olarak belirlemiştir. Elde edilen mühendislik gerilme–şekil değiştirme verileri gerçek gerilme–gerçek şekil değiştirme biçimine dönüştürülmüş ve LS-DYNA malzeme modelinde kullanılmıştır.

Sonlu eleman ağı sekiz düğümlü hegzagonal katı elemanlardan oluşturulmuş ve eleman boyutu 1 mm olarak seçilmiştir.

Dört farklı koni açısına sahip fiziksel zımba kullanılarak sabit kalınlıklı tüpler quasi-static olarak genişletilmiştir:

• 15°
• 25°
• 35°
• 45°

Zımba 5 mm/dk hızla toplam 150 mm hareket ettirilmiştir.

Deney ve simülasyon kuvvet–yer değiştirme eğrileri ve deformasyon şekilleri genel olarak birbirine yakın bulunmuş; yazarlar bunu sonlu eleman modelinin sonraki parametrik VTET analizleri için yeterli doğrulama olarak değerlendirmiştir.

Önemli doğrulama sınırı

Bu noktada çalışma fiziksel olarak optimize edilmiş VTET prototipini test etmemektedir.

Doğrulanan zincir şöyledir:

UTET fiziksel deney → UTET sonlu eleman doğrulaması → aynı modelleme yaklaşımının VTET hesaplamalarına aktarılması.

Dolayısıyla VTET performansı doğrudan prototip testiyle doğrulanmış değildir.

Ortogonal Deney Hangi Parametrelerin Önemli Olduğunu Gösterdi?

Dört tasarım parametresinin IPCF, EA ve kütle üzerindeki etkisini incelemek için 16 koşullu ortogonal tasarım kullanılmıştır.

ANOVA sonuçlarına göre:

D parametresi EA açısından istatistiksel olarak anlamlı olmasına rağmen kütle ve IPCF için anlamlı çıkmamıştır. Araştırmacılar üç çıktı için ortak ve daha yorumlanabilir bir girdi kümesi kullanmak amacıyla D'yi sonraki FI-FCN modelinden çıkarmıştır.

Bu nedenle sonraki optimizasyon:

tmin + tmax + α → IPCF + EA + m

ilişkisini kullanmaktadır.

FI-FCN Neden Sıradan Bir Sinir Ağından Farklı?

FI-FCN, klasik fully connected neural network yapısına bir Feature Importance — Özellik Önem katmanı ekler.

Ortogonal deney ve ANOVA sonuçlarından elde edilen önem bilgisi, giriş değişkenlerinin sinir ağına aynı ağırlıkla başlamasını engeller. Daha önemli olduğu düşünülen değişkenler başlangıçta daha güçlü temsil edilir.

Model yapısı:

1. Giriş katmanı: tmin, tmax ve α.
2. Feature Importance katmanı.
3. 32 nöronlu gizli katman.
4. 64 nöronlu gizli katman.
5. Çıkış: IPCF, EA veya kütle.

Her hedef için ayrı vekil model oluşturulmuştur.

Makine öğrenmesi verisi nasıl oluşturuldu?

Maximin Latin Hypercube Sampling ile tasarım uzayından 100 parametre kombinasyonu seçilmiş ve her kombinasyon sonlu eleman modeliyle çözülerek IPCF, EA ve kütle değerleri üretilmiştir.

Dolayısıyla FI-FCN'nin ana eğitim verisi fiziksel çarpışma deneylerinden değil, doğrulanmış sonlu eleman modelinden gelmektedir.

Beş katlı çapraz doğrulama sonucu

Kütle en kolay tahmin edilen çıktı görünürken IPCF daha zorlu bir hedef olmuştur.

NSGA-II Aynı Anda Üç Çelişen Hedefi Nasıl Optimize Ediyor?

Optimizasyon problemi:

• IPCF'yi minimize et
• EA'yı maksimize et
• Kütleyi minimize et

şeklinde kurulmuştur.

Bu hedeflerin tek bir matematiksel optimumu zorunlu değildir. NSGA-II bu nedenle bir Pareto çözüm kümesi oluşturur.

Pareto-optimal çözüm, diğer kriterlerden en az birini kötüleştirmeden başka bir kriterde iyileştirilemeyen tasarımdır.

EW-GRA-TOPSIS Pareto Cephesinden Tek Tasarımı Nasıl Seçiyor?

NSGA-II birçok geçerli çözüm oluşturduğu için mühendislik uygulaması açısından tek bir tasarım seçmek amacıyla EW-GRA-TOPSIS kullanılmıştır.

İlk aşamada Entropy Weight Method her performans ölçütünün Pareto kümesindeki bilgi ayırt ediciliğine göre nesnel ağırlığını belirler.

İkinci aşamada iki bağımsız değerlendirme yapılır:

• TOPSIS: çözümün ideal tasarıma geometrik yakınlığı.
• GRA: performans deseninin ideal referansla eğilim benzerliği.

Son aşamada iki skor eşit ağırlıkla birleştirilir.

Bu yöntemde IPCF 0,443 ile en yüksek entropi ağırlığını almıştır. EA'nın ağırlığı 0,251 olarak bildirilmiştir.

Çalışmanın Yöntemi ve Bulguları

Seçilen Nihai Tasarımın Parametreleri Nelerdir?

EW-GRA-TOPSIS değerlendirmesinde çözüm No. 145 en yüksek toplam değerlendirme skoruna ulaşmıştır.

Optimizasyon Sonucu Sonlu Eleman Analiziyle Ne Kadar Uyuştu?

Üç farkın da %5'in altında olması, FI-FCN + NSGA-II + EW-GRA-TOPSIS zincirinin kullandığı sonlu eleman tasarım uzayı içinde tutarlı tahmin üretebildiğini desteklemektedir.

Kaynakta EA için bir iç tutarsızlık bulunuyor

Sonuçların açıklandığı paragrafta 67,68 kJ değeri optimizasyon tahmini, 65,21 kJ ise sonlu eleman sonucu olarak ifade edilmiştir. Hemen ardından gelen Tablo 6 ise değerleri ters etiketlemektedir.

Bu nedenle Verianla bu iki sayının hangisinin hangi kategoriye ait olduğu konusunda kaynak adına yeni karar üretmemekte; yukarıdaki tabloyu kaynağın kendi Tablo 6 düzenine göre vermektedir.

Çalışmanın Güçlü Yönleri Nelerdir?

• Malzeme davranışının deneysel çekme testiyle belirlenmesi.
• Sonlu eleman modelinin gerçek quasi-static genişleme deneyleriyle kontrol edilmesi.
• Değişken kalınlığın yalnız sezgisel değil, parametrik tasarım değişkeni olarak modellenmesi.
• ANOVA ile değişken öneminin optimizasyondan önce incelenmesi.
• Makine öğrenmesi modeline istatistiksel özellik önem bilgisinin aktarılması.
• Beş katlı çapraz doğrulama kullanılması.
• Üç çatışan hedefin Pareto optimizasyonuyla birlikte ele alınması.
• Pareto kümesinden nihai tasarım seçiminde yalnız tek bir kriter yerine EWM, TOPSIS ve GRA'nın birlikte kullanılması.

Çalışmanın Sınırlılıkları Nelerdir?

• Optimize edilmiş VTET fiziksel olarak üretilip test edilmemiştir.
• Model doğrulaması sabit kalınlıklı UTET üzerinde yapılmıştır.
• Fiziksel testler quasi-static yükleme koşullarındadır; gerçek yüksek hızlı çarpışma değildir.
• FI-FCN'nin eğitim verileri esas olarak sonlu eleman simülasyonlarından gelmektedir.
• D parametresi EA üzerinde anlamlı olmasına rağmen ortak model tutarlılığı amacıyla sonraki modelden çıkarılmıştır.
• Sonuç paragrafı ile Tablo 6 arasında EA değerlerinin prediction/simulation etiketi açısından terslik vardır.
• 20 steel çekme testi için verilen GB/T 16865-2013 atfının referans başlığı kullanılan malzemeyle açık biçimde örtüşmemektedir.
• Gerçek araç gövdesi, yolcu yükleri ve yüksek hızlı çarpışma senaryoları bu makalede doğrulanmamıştır.

Çalışmanın desteklediği sonuçlar

• Değişken kalınlık, genişleme tüplerinde çok amaçlı tasarım için ek serbestlik sağlar.
• Kalınlık parametreleri ve koni açısı IPCF, EA ve kütleyi anlamlı biçimde etkileyebilir.
• UTET deneyleriyle kalibre edilmiş sonlu eleman modeli VTET tasarım uzayının sayısal incelenmesinde kullanılabilir.
• FI-FCN, kullanılan simülasyon veri setinde IPCF, EA ve kütleyi yüksek R² ile tahmin edebilir.
• NSGA-II üç çatışan performans hedefi arasında geniş bir Pareto çözüm kümesi üretir.
• EW-GRA-TOPSIS Pareto çözümleri arasından veri tabanlı bir uzlaşma tasarımı seçmek için kullanılabilir.
• Seçilen çözümün vekil model sonuçları ile sonlu eleman sonuçları arasındaki farklar %5'in altında kalmıştır.

Çalışmanın desteklemediği sonuçlar

• Optimize edilmiş VTET'nin gerçek yüksek hızlı tren çarpışmasında fiziksel olarak doğrulandığı gösterilmemiştir.
• Çalışma yolcu yaralanmasının belirli bir yüzdeyle azalacağını göstermemektedir.
• Makine öğrenmesinin doğrudan deney verisine dayanarak gerçek çarpışmayı tahmin ettiği söylenemez.
• FI-FCN yüksek R² değerleri gerçek dünyadaki bütün VTET tasarımlarında aynı doğruluğu garanti etmez.
• Tek bir Pareto çözümünün bütün mühendislik uygulamalarında evrensel olarak “en iyi” olduğu gösterilmemiştir.
• Değişken kalınlıklı tüpün bütün sabit kalınlıklı tasarımlardan her performans kriterinde aynı anda üstün olduğu gösterilmemiştir.

Çalışmanın mühendislik açısından ana katkısı

Çalışmanın en önemli katkısı yalnız yeni bir tüp geometrisi önermek değildir. Asıl katkı, fiziksel deneyden başlayan ve karar verme aşamasına kadar uzanan birleşik tasarım iş akışıdır:

Malzeme testi → fiziksel genişleme testi → sonlu eleman doğrulaması → ortogonal parametre analizi → FI-FCN vekil modeli → NSGA-II Pareto optimizasyonu → EW-GRA-TOPSIS → sonlu eleman kontrolü.

Bu yapı, çok sayıda pahalı sonlu eleman analizini doğrudan optimizasyon döngüsünde tekrar tekrar çalıştırmak yerine eğitilmiş bir vekil model üzerinden çok daha hızlı geniş tasarım araştırması yapılmasına imkan verir.

Kaynak ve Yöntem Notu

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

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

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

Dergi:Machines.

Yıl / cilt / makale numarası: 2026, 14, 692.

Yayımlanma tarihi: 16 Haziran 2026.

DOI: 10.3390/machines14060692.

Lisans: Creative Commons Attribution (CC BY).

Çalışma türü: Deneysel doğrulama, sonlu eleman analizi, makine öğrenmesi, çok amaçlı optimizasyon ve çok kriterli karar vermeyi birleştiren yapısal çarpışma dayanımı araştırması.

Malzeme: 20 steel.

Deneysel doğrulama: Fiziksel UTET quasi-static genişleme deneyleri; 15°, 25°, 35° ve 45° zımba açıları.

Sonlu eleman yazılımı: LS-DYNA.

Makine öğrenmesi: Feature Importance katmanlı Fully Connected Network (FI-FCN).

Model girdileri: tmin, tmax ve α.

Model çıktıları: IPCF, EA ve yapısal kütle.

Örnekleme: Maximin Latin Hypercube Sampling, 100 tasarım örneği.

Model değerlendirmesi: Beş katlı çapraz doğrulama; R², RMSE, MAE ve MAPE.

Çok amaçlı optimizasyon: NSGA-II.

Karar verme: Entropy Weight Method + Grey Relational Analysis + TOPSIS.

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

Sonlu eleman karşılaştırmasındaki göreli farklar: kütle %0,23; EA %3,65; IPCF %4,37.

Önemli deney sınırı: Optimize edilmiş VTET fiziksel olarak üretilmemiştir; VTET sonuçları UTET üzerinde doğrulanan sonlu eleman metodolojisine dayanmaktadır.

Kaynak içi tutarlılık notu: Tablo 6 ile sonuç paragrafı, 65,21 kJ ve 67,68 kJ EA değerlerinin “optimal result” ve “simulation result” etiketlerinde birbiriyle ters düşmektedir. Ayrıca 20 steel numunesi için atıf verilen GB/T 16865-2013 standardının referans başlığı alüminyum/magnezyum alaşımlarıyla ilişkilidir. Bu noktalar kaynak adına sessizce düzeltilmemiştir.

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

Veri erişimi: Verilerin talep üzerine sorumlu yazardan sağlanabileceği bildirilmiştir.

Çıkar çatışması: Dezhuang Yu, Haitao Dong ve Zhanyu Liu'nun CRRC Dalian Locomotive and Rolling Stock Co., Ltd. çalışanı olduğu kaynakta açıklanmıştır.

Verianla yöntem notu: Bu içerik kaynak makalenin paragraf-paragraf çevirisi değildir. Deneysel doğrulama, sonlu eleman modeli, ortogonal tasarım, FI-FCN vekil modeli, çok amaçlı optimizasyon, Pareto analizi ve EW-GRA-TOPSIS karar süreci bağımsız öğretici bir yapı içinde yeniden düzenlenmiştir. Sonlu eleman tahminleri gerçek yüksek hızlı çarpışma sonuçları gibi sunulmamış ve kaynak içindeki sayısal/bibliyografik tutarsızlıklar görünür biçimde korunmuştur.