Alternatörlerde titreşim kaynaklı kırılmanın yapay zeka ile tasarım iyileştirilmesi

Abstract

Bu çalışmada, otomotiv alternatör soğutucu bloklarının titreşim yorulma testlerinde oluşan kırılmaların önlenmesi için yapay zeka teknikleri kullanılmıştır. Otomotiv bileşenleri olan alternatör soğutucu blokları, kullanım ömürleri boyunca yüksek devirli titreşim yorulma yüklerine maruz kalmakta, bu da yorulma sonucu çatlakların oluşmasına, ilerlemesine ve nihayetinde bileşen arızasına yol açabilmektedir. Bu çalışmada, dinamik yüke maruz kalan alternatör soğutucu bloğunda meydana gelen kırılmanın, soğutucu blok doğal frekansının test çalışma aralığının dışına ötelenerek nasıl engellenebileceği gösterilecektir. Soğutucu blokların rezonans frekansını etkileyen temel parametreler, geometri ve ağırlık koşulları olarak ele alınmıştır. Veri temelli karar verme, yapay zekâ yaklaşımları kullanarak verileri tahmin ve kararlar için analiz etmeye yardımcı olmaktadır. Titreşim yorulma testi ile komponentlerin doğal frekansını tahmin etmek için bir yapay sinir ağı modeli tanımlanmıştır. Yapay sinir ağı, parametreler ile rezonans frekansı arasındaki fonksiyonel ilişkiyi kurmak üzere soğutucu blokların rezonans frekansını tahmin etmek için kullanılmıştır. Önerilen yapay zeka destekli yaklaşım, otomotiv alternatör soğutucu bloklarının titreşim yorulma testlerinde kırılma problemlerinin önlenmesini ve bu kritik bileşenlerin gövde tasarımına ve güvenli kullanımına katkıda bulunmayı amaçlamaktadır. Yapay sinir ağı ile elde edilen tahmin sonuçlarının tahmin seviyelerinin belirlenmesi için makine öğrenmesi ve regresyon analizi teknikleri de kullanılarak, sonuçlar karşılaştırılmıştır. Yapay sinir ağı yaklaşımı, yeni doğal frekansını tahmin etmede yüksek sınıflandırma doğruluğu elde ederken, regresyon modeli ve rassal orman modelleri de 0,9’ un üstündeki yüksek Pearson determinasyon katsayısı değerleri ile doğruluğu yüksek tahminler yapabildiklerini göstermişlerdir. Kırılma bölgesinde oluşan maksimum Von-Mises gerilmesinin, doğal frekansla beraber tahmin edilebileceği bir tahmin modeli için de çalışma yapılmış, bu çalışmada farklı yapay zeka modelleri karşılaştırılmış ve değerlendirilmiştir. Bu çalışmanın sonuçları, alternatör bileşenlerinin titreşim testleri gibi dinamik testlerinden önce oluşabilecek kırılma sorunlarının önlenmesi için tasarım ve simülasyon süresinin azaltılabileceğini göstermiştir.

In this study, prevention of fracture in vibration fatigue testing of automotive alternator heatsink blocks was investigated using an artificial intelligence techniques. Automotive components such as alternator heatsink blocks are subjected to high cyclic vibration fatigue loads throughout their lifespan, which can lead to the formation and propagation of fatigue cracks and ultimately component failure. In this study, it was investigated how to prevent alternator fracture by shifting the natural frequency of the heat sink outside the test frequency limits when the alternator is subjected to dynamic load. The basic parameters affecting the resonant frequency of the heatsink blocks, including geometry and loading conditions, are discussed. Data-driven decision making helps analyze data for predictions and decisions using artificial intelligence approaches. An artificial neural network model is defined to estimate the natural frequency of the components by vibration fatigue testing. Artificial neural network was used to establish the functional relationship between the parameters and the resonance frequency and to estimate the resonance frequency of the heat sinks. The proposed AI-supported approach aims to prevent fracture problems in vibration fatigue tests of automotive alternator heat sinks and contribute to the body design and safe use of these critical components. In order to determine the prediction levels of the prediction results obtained with the artificial neural network, the results were compared using machine learning and regression analysis techniques. While the artificial neural network approach achieved high classification accuracy in estimating the new natural frequency, the regression model and random forest models also showed that they can make high accuracy predictions with high Pearson coefficient of determination values above 0.9. An additional study was carried out to develop a prediction model that can estimate the maximum Von-Mises stress occuring in the fracture zone together with the natural frequency, and different artificial intellegence models designed in this way were compared and evaluated. The results of this study showed that the time spent on design and simulation can be reduced in preventing fracture problems that may occur before dynamic tests such as vibration tests of alternator components.