AI Summary & Key Takeaways
AI InsightFive thicknesses, which are the design parameters in the enclosure, were optimized for minimum mass, and according to the results, the enclosure’s mass decreased by 18.29%.
📌 3 Key Takeaways
Abstract
In this study, structural optimization of an enclosure under bending and torsional constraints was carried out. Machine learning (ML) approach was used to calculate the objective and constraint functions in the optimization problem. The ML model was trained and validated with data obtained from finite element analyses. The optimization model was then solved by the differential evolution algorithm. Five thicknesses, which are the design parameters in the enclosure, were optimized for minimum mass, and according to the results, the enclosure’s mass decreased by 18.29%.
Özet
Bu çalışmada, eğilme ve burulma kısıtlamaları altında bir batarya muhafazasının yapısal optimizasyonu gerçekleştirilmiştir. Optimizasyon problemindeki amaç ve kısıt fonksiyonlarını hesaplamak için makine öğrenmesi yaklaşımı kullanılmıştır. Sonlu eleman analizlerinden elde edilen veriler ile makine öğrenmesi modeli eğitilmiş ve doğrulanmıştır. Optimizasyon modeli daha sonra diferansiyel evrim optimizasyon algoritması ile çözülmüştür. Batarya taşıyıcısındaki tasarım parametresi olan beş kalınlık minimum kütle için optimize edilmiş ve elde edilen sonuçlara göre taşıyıcı kütlesi %18,29 azalmıştır.