Utafiti huu unachanganya majaribio, uchanganuzi wa vipengele vyenye ukomo, ujifunzaji wa mashine, uboreshaji wa kijeni wenye malengo mengi na mbinu za kufanya maamuzi kwa vigezo vingi ili kuboresha muundo wa mabomba ya upanuzi yenye unene unaobadilika ambayo yanaweza kufyonza nishati ya mgongano kupitia deformation ya plastiki katika mifumo ya usalama tulivu ya treni na magari mengine.

Tatizo kuu la utafiti ni malengo matatu ya uhandisi yanayokinzana: kupunguza nguvu ya kilele cha kwanza cha kupondwa (IPCF), kuongeza ufyonzaji wa jumla wa nishati (EA), na kupunguza uzito wa muundo. Mabomba yenye unene wa ukuta usiobadilika hutoa unyumbufu mdogo wa usanifu katika kusawazisha malengo haya, ilhali mabomba yenye unene unaobadilika yanaweza kutoa nafasi pana zaidi ya utendaji kwa kuongeza nyenzo katika maeneo yanapohitajika na kuzipunguza katika maeneo mengine.

Modeli ya vipengele vyenye ukomo ilikalibishwa kwa kutumia majaribio ya kimwili ya mvutano na upanuzi wa quasi-static. Hata hivyo, uthibitishaji wa kimwili ulifanywa kwa prototipu za UTET zenye unene usiobadilika; prototipu ya kimwili ya VTET iliyoboreshwa haikutengenezwa katika utafiti huu. Kwa hiyo, matokeo ya mwisho ya VTET yalitathminiwa si moja kwa moja kwa majaribio, bali kupitia modeli ya vipengele vyenye ukomo iliyothibitishwa.

Katika hatua ya ujifunzaji wa mashine, mtandao wa neva uliounganishwa kikamilifu wenye tabaka la umuhimu wa vipengele (FI-FCN) ulitumika. Katika uthibitishaji mtambuka wa sehemu tano, modeli ilipata R²=0,985 kwa EA, R²=0,953 kwa IPCF na R²=0,995 kwa uzito. Kisha mkusanyiko wa suluhisho za Pareto uliundwa kwa NSGA-II, na kwa mbinu ya EW-GRA-TOPSIS suluhisho la maelewano lenye tmin=2,08 mm, tmax=7,62 mm na α=44,90° likachaguliwa.

Tofauti za uwiano kati ya utabiri wa ujifunzaji wa mashine/uboreshaji na uthibitishaji wa vipengele vyenye ukomo kwa muundo uliochaguliwa ziliripotiwa kuwa %0,23 kwa uzito, %3,65 kwa ufyonzaji wa nishati na %4,37 kwa nguvu ya kilele cha kwanza cha kupondwa. Matokeo haya yanaunga mkono uaminifu wa mfumo wa kihesabu uliopendekezwa ndani ya eneo hilo hilo la uundaji modeli; hayamaanishi kuwa utendaji huohuo umethibitishwa kimwili katika mgongano halisi wa treni ya mwendo kasi.

Bomba la Upanuzi Hufyonzaje Nishati ya Mgongano?

Bomba la upanuzi ni kipengele tulivu cha kufyonza nishati ambacho hubadilisha nishati ya kimitambo kuwa nishati ya deformation wakati panchi yenye umbo la koni au linalofanana nayo inalazimishwa kuingia ndani ya bomba na kusababisha ukuta wa chuma kupanuka kwa mwelekeo wa radial na kwa plastiki.

Mwanzoni mwa upakiaji kuna eneo dogo la mgusano kati ya panchi na bomba. Kadiri panchi inavyosonga mbele, eneo la mgusano huongezeka na ukuta wa bomba hupata deformation ya plastiki. Nguvu huongezeka haraka. Baada ya bomba kuendana vya kutosha na jiometri ya panchi, hali thabiti zaidi ya upanuzi hujitokeza.

Tabia hii ina matokeo mawili muhimu:

• Sehemu ya nishati ya mgongano inaweza kubadilishwa kuwa deformation wa kudumu wa chuma.
• Kwa kubadilisha jiometri ya bomba, kiwango cha nguvu na tabia ya ufyonzaji wa nishati vinaweza kusanifiwa.

Kwa nini IPCF inapaswa kuwa ndogo?

Initial Peak Crushing Force (IPCF) ni kilele cha kwanza cha nguvu kubwa kinachotokea mwanzoni mwa deformation. IPCF iliyo juu sana inaweza kusababisha muundo wa kufyonza nishati kuhamisha mzigo kwa ghafla kwenda kwenye mwili wa gari au mifumo mingine.

Kwa hiyo, kifaa kizuri cha kufyonza nishati hakipaswi tu kufyonza nishati nyingi kwa jumla; kinapaswa pia kufyonza nishati katika kiwango cha nguvu kinachodhibitika zaidi.

Kwa nini EA inapaswa kuwa kubwa?

Energy Absorption (EA) huwakilisha ufyonzaji wa jumla wa nishati ya kimitambo unaohusiana na eneo lililo chini ya mkunjo wa nguvu–uhamisho wakati wa mchakato wa deformation.

EA kubwa zaidi humaanisha kuwa katika umbali uleule wa deformation, muundo unaweza kufyonza nishati zaidi ya kinetiki.

Kwa nini uzito pia unaboreshwa?

Njia mojawapo rahisi zaidi ya kuongeza ufyonzaji wa nishati ni kutumia nyenzo nyingi zaidi. Hata hivyo, katika mifumo ya reli na magari, miundo mizito zaidi ya usalama tulivu inaweza kutohitajika kwa sababu ya matumizi ya nishati ya gari, mzigo wa ekseli na ufanisi wa jumla wa muundo.

Kwa hiyo, utafiti hauweki nguvu na nishati pekee kama malengo, bali pia uzito wa muundo.

Kwa Nini Bomba lenye Unene Unaobadilika ni Tofauti na Bomba lenye Unene Usiobadilika?

Katika bomba lenye unene usiobadilika, unene mmoja wa ukuta hutumika katika mhimili wote. Katika VTET yenye unene unaobadilika, unene wa ukuta unaweza kubadilishwa kutoka upande mmoja hadi mwingine.

Mbinu hii huruhusu nyenzo kujilimbikiza katika maeneo yanayohitaji upinzani mkubwa zaidi dhidi ya deformation, huku ukuta ukipunguzwa unene katika maeneo yasiyo muhimu sana.

Modeli ya Vipengele Vyenye Ukomo Ilithibitishwaje Kimwili?

Utafiti kwanza uliamua kwa majaribio tabia ya mvutano ya nyenzo ya 20 steel. Data ya mkazo–strain ya kihandisi iliyopatikana ilibadilishwa kuwa mkazo halisi–strain halisi na kutumika katika modeli ya nyenzo ya LS-DYNA.

Wavu wa vipengele vyenye ukomo uliundwa kwa vipengele dhabiti vya heksagona vyenye nodi nane, na ukubwa wa kipengele ukachaguliwa kuwa 1 mm.

Mabomba yenye unene usiobadilika yalipanuliwa katika hali ya quasi-static kwa kutumia panchi za kimwili zenye pembe nne tofauti za koni:

• 15°
• 25°
• 35°
• 45°

Panchi ilisogezwa kwa kasi ya 5 mm/dk kwa jumla ya 150 mm.

Mikunjo ya nguvu–uhamisho na maumbo ya deformation kutoka kwenye jaribio na uigaji yalionekana kwa ujumla kuwa karibu; waandishi walitathmini hili kuwa uthibitishaji wa kutosha wa modeli ya vipengele vyenye ukomo kwa uchanganuzi wa baadaye wa VTET kwa vigezo tofauti.

Kikomo muhimu cha uthibitishaji

Katika hatua hii, utafiti haujaribu prototipu ya kimwili ya VTET iliyoboreshwa.

Mnyororo uliothibitishwa ni huu:

Jaribio la kimwili la UTET → uthibitishaji wa UTET kwa vipengele vyenye ukomo → kuhamisha mbinu hiyo hiyo ya uundaji modeli kwenye hesabu za VTET.

Kwa hiyo, utendaji wa VTET haujathibitishwa moja kwa moja kwa jaribio la prototipu.

Jaribio la Orthogonal Lilionyesha Vigezo Gani ni Muhimu?

Muundo wa orthogonal wenye hali 16 ulitumika kuchunguza athari za vigezo vinne vya usanifu kwa IPCF, EA na uzito.

Kulingana na matokeo ya ANOVA:

Ingawa kigezo D kilikuwa muhimu kitakwimu kwa EA, hakikuonekana kuwa muhimu kwa uzito na IPCF. Ili kutumia seti ya ingizo ya pamoja na rahisi zaidi kutafsiri kwa matokeo yote matatu, watafiti waliiondoa D katika modeli ya baadaye ya FI-FCN.

Kwa hiyo, uboreshaji wa baadaye hutumia uhusiano:

tmin + tmax + α → IPCF + EA + m

.

Kwa Nini FI-FCN ni Tofauti na Mtandao wa Kawaida wa Neva?

FI-FCN huongeza tabaka la Feature Importance — Umuhimu wa Vipengele kwenye muundo wa kawaida wa fully connected neural network.

Maelezo ya umuhimu yanayotokana na jaribio la orthogonal na matokeo ya ANOVA huzuia vigezo vya ingizo kuanza katika mtandao wa neva kwa uzito sawa. Vigezo vinavyochukuliwa kuwa muhimu zaidi huwakilishwa kwa nguvu zaidi mwanzoni.

Muundo wa modeli:

1. Tabaka la ingizo: tmin, tmax na α.
2. Tabaka la Feature Importance.
3. Tabaka fiche lenye neva 32.
4. Tabaka fiche lenye neva 64.
5. Tokeo: IPCF, EA au uzito.

Modeli mbadala tofauti iliundwa kwa kila lengo.

Data ya ujifunzaji wa mashine iliundwaje?

Kwa Maximin Latin Hypercube Sampling, michanganyiko 100 ya vigezo ilichaguliwa kutoka nafasi ya usanifu, na kila mchanganyiko ukatatuliwa kwa modeli ya vipengele vyenye ukomo ili kupata thamani za IPCF, EA na uzito.

Kwa hiyo, data kuu ya kufundishia FI-FCN haitoki katika majaribio ya kimwili ya mgongano, bali katika modeli ya vipengele vyenye ukomo iliyothibitishwa.

Matokeo ya uthibitishaji mtambuka wa sehemu tano

Uzito ulionekana kuwa tokeo rahisi zaidi kutabiri, huku IPCF ikiwa lengo gumu zaidi.

NSGA-II Huboreshaje Malengo Matatu Yanayokinzana kwa Wakati Mmoja?

Tatizo la uboreshaji liliwekwa kama:

• Punguza IPCF
• Ongeza EA
• Punguza uzito

.

Malengo haya si lazima yawe na optimum moja ya kihesabu. Kwa hiyo, NSGA-II huunda mkusanyiko wa suluhisho za Pareto.

Suluhisho la Pareto-optimal ni muundo ambao hauwezi kuboreshwa katika kigezo kimoja bila kuzorotesha angalau kigezo kingine kimoja.

EW-GRA-TOPSIS Huchaguaje Muundo Mmoja Kutoka Mbele ya Pareto?

Kwa kuwa NSGA-II huunda suluhisho nyingi halali, EW-GRA-TOPSIS ilitumika kuchagua muundo mmoja kwa matumizi ya kihandisi.

Katika hatua ya kwanza, Entropy Weight Method huamua uzito wa lengo wa kila kipimo cha utendaji kulingana na uwezo wake wa kutofautisha taarifa ndani ya mkusanyiko wa Pareto.

Katika hatua ya pili, tathmini mbili huru hufanywa:

• TOPSIS: ukaribu wa kijiometri wa suluhisho na muundo bora wa kinadharia.
• GRA: kufanana kwa mwelekeo wa muundo wa utendaji na rejea bora.

Katika hatua ya mwisho, alama hizo mbili huunganishwa kwa uzito sawa.

Katika mbinu hii IPCF ilipata uzito mkubwa zaidi wa entropy wa 0,443. Uzito wa EA uliripotiwa kuwa 0,251.

Mbinu na Matokeo ya Utafiti

Vigezo vya Muundo wa Mwisho Uliochaguliwa ni Vipi?

Katika tathmini ya EW-GRA-TOPSIS, suluhisho Na. 145 lilipata alama ya juu zaidi ya jumla ya tathmini.

Matokeo ya Uboreshaji Yalilingana kwa Kiasi Gani na Uchanganuzi wa Vipengele Vyenye Ukomo?

Kwa kuwa tofauti zote tatu ziko chini ya %5, hii inaunga mkono kwamba mnyororo wa FI-FCN + NSGA-II + EW-GRA-TOPSIS unaweza kutoa utabiri unaolingana ndani ya nafasi ya usanifu ya vipengele vyenye ukomo iliyotumika.

Kuna kutokuwiana kwa ndani kuhusu EA katika chanzo

Katika aya inayoeleza matokeo, thamani ya 67,68 kJ imeelezwa kama utabiri wa uboreshaji na 65,21 kJ kama matokeo ya vipengele vyenye ukomo. Jedwali 6 linalofuata mara moja linaweka lebo hizo kwa mpangilio wa kinyume.

Kwa hiyo, Verianla haitoi uamuzi mpya kwa niaba ya chanzo kuhusu nambari ipi iko katika aina ipi; jedwali lililo hapo juu limewasilishwa kulingana na mpangilio wa Jedwali 6 la chanzo chenyewe.

Nguvu za Utafiti ni Zipi?

• Tabia ya nyenzo kubainishwa kwa jaribio la mvutano.
• Modeli ya vipengele vyenye ukomo kukaguliwa kwa majaribio halisi ya upanuzi wa quasi-static.
• Unene unaobadilika kuundwa si kwa dhana tu, bali kama kigezo cha usanifu wa kiparameta.
• Umuhimu wa vigezo kuchunguzwa kwa ANOVA kabla ya uboreshaji.
• Maelezo ya kitakwimu ya umuhimu wa vipengele kuhamishwa kwenye modeli ya ujifunzaji wa mashine.
• Kutumia uthibitishaji mtambuka wa sehemu tano.
• Malengo matatu yanayokinzana kushughulikiwa pamoja kupitia uboreshaji wa Pareto.
• Kutumia EWM, TOPSIS na GRA kwa pamoja badala ya kigezo kimoja pekee katika kuchagua muundo wa mwisho kutoka mkusanyiko wa Pareto.

Mapungufu ya Utafiti ni Yapi?

• VTET iliyoboreshwa haikutengenezwa wala kujaribiwa kimwili.
• Uthibitishaji wa modeli ulifanywa kwenye UTET yenye unene usiobadilika.
• Majaribio ya kimwili yalifanywa katika hali ya upakiaji wa quasi-static; si mgongano halisi wa mwendo kasi.
• Data za kufundishia FI-FCN zinatokana hasa na uigaji wa vipengele vyenye ukomo.
• Ingawa kigezo D kilikuwa muhimu kwa EA, kiliondolewa katika modeli ya baadaye ili kudumisha uthabiti wa modeli ya pamoja.
• Kuna kinyume kati ya aya ya matokeo na Jedwali 6 kuhusu lebo za prediction/simulation za thamani za EA.
• Kwa jaribio la mvutano la 20 steel, kichwa cha rejea ya GB/T 16865-2013 kilichotolewa hakilingani wazi na nyenzo iliyotumika.
• Mwili halisi wa gari, mizigo ya abiria na matukio ya mgongano wa mwendo kasi hayajathibitishwa katika makala hii.

Matokeo yanayoungwa mkono na utafiti

• Unene unaobadilika hutoa uhuru wa ziada katika usanifu wenye malengo mengi wa mabomba ya upanuzi.
• Vigezo vya unene na pembe ya koni vinaweza kuathiri IPCF, EA na uzito kwa kiasi muhimu.
• Modeli ya vipengele vyenye ukomo iliyokalibishwa kwa majaribio ya UTET inaweza kutumika katika uchunguzi wa kihesabu wa nafasi ya usanifu ya VTET.
• FI-FCN inaweza kutabiri IPCF, EA na uzito kwa R² kubwa katika seti ya data ya uigaji iliyotumika.
• NSGA-II huunda mkusanyiko mpana wa suluhisho za Pareto kati ya malengo matatu ya utendaji yanayokinzana.
• EW-GRA-TOPSIS inaweza kutumika kuchagua muundo wa maelewano unaotegemea data kutoka miongoni mwa suluhisho za Pareto.
• Tofauti kati ya matokeo ya modeli mbadala ya suluhisho lililochaguliwa na matokeo ya vipengele vyenye ukomo zilibaki chini ya %5.

Matokeo ambayo utafiti hauungi mkono

• Haijaonyeshwa kuwa VTET iliyoboreshwa imethibitishwa kimwili katika mgongano halisi wa treni ya mwendo kasi.
• Utafiti hauonyeshi kuwa majeraha ya abiria yatapungua kwa asilimia fulani.
• Haiwezi kusemwa kuwa ujifunzaji wa mashine unatabiri mgongano halisi kwa kutegemea moja kwa moja data ya majaribio.
• Thamani kubwa za R² za FI-FCN hazihakikishi usahihi uleule katika miundo yote ya VTET katika ulimwengu halisi.
• Haijaonyeshwa kuwa suluhisho moja la Pareto ndilo “bora zaidi” kwa matumizi yote ya uhandisi.
• Haijaonyeshwa kuwa bomba lenye unene unaobadilika ni bora kuliko miundo yote yenye unene usiobadilika katika kila kigezo cha utendaji kwa wakati mmoja.

Mchango mkuu wa utafiti kwa uhandisi

Mchango muhimu zaidi wa utafiti si kupendekeza jiometri mpya ya bomba pekee. Mchango mkuu ni mtiririko jumuishi wa usanifu unaoanzia kwenye jaribio la kimwili na kuendelea hadi hatua ya kufanya maamuzi:

Jaribio la nyenzo → jaribio la kimwili la upanuzi → uthibitishaji wa vipengele vyenye ukomo → uchanganuzi wa vigezo wa orthogonal → modeli mbadala ya FI-FCN → uboreshaji wa Pareto kwa NSGA-II → EW-GRA-TOPSIS → ukaguzi wa vipengele vyenye ukomo.

Muundo huu huruhusu utafutaji mpana wa usanifu kufanywa kwa haraka zaidi kupitia modeli mbadala iliyofundishwa, badala ya kuendesha mara kwa mara idadi kubwa ya uchanganuzi ghali wa vipengele vyenye ukomo moja kwa moja ndani ya mzunguko wa uboreshaji.

Maelezo ya Chanzo na Mbinu

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

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

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

Jarida:Machines.

Mwaka / juzuu / nambari ya makala: 2026, 14, 692.

Tarehe ya kuchapishwa: 16 Juni 2026.

DOI: 10.3390/machines14060692.

Leseni: Creative Commons Attribution (CC BY).

Aina ya utafiti: Utafiti wa ustahimilivu wa kimuundo dhidi ya mgongano unaounganisha uthibitishaji wa majaribio, uchanganuzi wa vipengele vyenye ukomo, ujifunzaji wa mashine, uboreshaji wenye malengo mengi na kufanya maamuzi kwa vigezo vingi.

Nyenzo: 20 steel.

Uthibitishaji wa majaribio: Majaribio ya kimwili ya upanuzi wa UTET katika hali ya quasi-static; pembe za panchi 15°, 25°, 35° na 45°.

Programu ya vipengele vyenye ukomo: LS-DYNA.

Ujifunzaji wa mashine: Fully Connected Network yenye tabaka la Feature Importance (FI-FCN).

Ingizo za modeli: tmin, tmax na α.

Matokeo ya modeli: IPCF, EA na uzito wa muundo.

Uchukuaji sampuli: Maximin Latin Hypercube Sampling, sampuli 100 za usanifu.

Tathmini ya modeli: Uthibitishaji mtambuka wa sehemu tano; R², RMSE, MAE na MAPE.

Uboreshaji wenye malengo mengi: NSGA-II.

Ufanyaji maamuzi: Entropy Weight Method + Grey Relational Analysis + TOPSIS.

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

Tofauti za uwiano katika ulinganisho wa vipengele vyenye ukomo: uzito %0,23; EA %3,65; IPCF %4,37.

Kikomo muhimu cha majaribio: VTET iliyoboreshwa haikutengenezwa kimwili; matokeo ya VTET yanategemea mbinu ya vipengele vyenye ukomo iliyothibitishwa kwenye UTET.

Maelezo ya uthabiti wa ndani wa chanzo: Jedwali 6 na aya ya matokeo zinapingana katika lebo za “optimal result” na “simulation result” kwa thamani za EA za 65,21 kJ na 67,68 kJ. Aidha, kwa sampuli ya 20 steel, kichwa cha rejea ya kiwango cha GB/T 16865-2013 kilichotolewa kinahusiana na aloi za alumini/magnesiamu. Hoja hizi hazijasahihishwa kimya kimya kwa niaba ya chanzo.

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

Upatikanaji wa data: Imeripotiwa kuwa data inaweza kupatikana kutoka kwa mwandishi anayewajibika kwa ombi.

Mgongano wa maslahi: Chanzo kinaeleza kuwa Dezhuang Yu, Haitao Dong na Zhanyu Liu ni wafanyakazi wa CRRC Dalian Locomotive and Rolling Stock Co., Ltd.

Maelezo ya mbinu ya Verianla: Maudhui haya si tafsiri ya aya kwa aya ya makala chanzo. Uthibitishaji wa majaribio, modeli ya vipengele vyenye ukomo, muundo wa orthogonal, modeli mbadala ya FI-FCN, uboreshaji wenye malengo mengi, uchanganuzi wa Pareto na mchakato wa maamuzi wa EW-GRA-TOPSIS vimepangwa upya katika muundo huru wa kufundishia. Utabiri wa vipengele vyenye ukomo haujawasilishwa kama matokeo ya mgongano halisi wa mwendo kasi, na kutokuwiana kwa nambari/bibliografia ndani ya chanzo kumehifadhiwa kwa uwazi.