کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10132808 1645583 2019 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Uncertainty quantification in the mathematical modelling of a suspension strut using Bayesian inference
ترجمه فارسی عنوان
تعیین عدم قطعیت در مدل‌سازی ریاضی یک ستون معلق با استفاده از فصل مشترک بیزی
کلمات کلیدی
تعیین عدم قطعیت، سیستم سازه ای، عدم قطعیت مدل، استنباط بیزی، احتمال پسین، راست نمایی
ترجمه چکیده
در حوزه مهندسی سازه، برای پیش‌بینی پاسخ دینامیکی سیستم هایی مانند ستون معلق در شرایط مرزی و بارگیری مختلف از مدل‌های ریاضی استفاده می شود. بااین‌همه، برمبنای روابط تابع حاکم بین پارامترهای ورودی مدل و پارامترهای خروجی حالت مدل های ریاضی مختلفی وجود دارند. برای مثال، مؤلفه فنر- میراگر ستون معلق در نظر گرفته شد. مدل ریاضی آن را می توان با روابط تجربی، خطی، غیرخطی یا بدیهی نشان داد که موجب ایجاد رفتار ارتعاشی متفاوتی می شوند. این عدم قطعیت که در پیش‌بینی پاسخ دینامیکی رویکردهای مختلف به‌دست‌آمده در مدل‌سازی ریاضی به وجود می آید، از رویکردهای مختلف برآیند در مدل‌سازی ریاضی برای پیش‌بینی پاسخ دینامیکی به وجود می آید را می توان با رویکرد فصل مشترک بیزی تعیین کرد، خصوصاً وقتی سیستم در حال ارزیابی شکست یا ریسک سازه باشد. با توجه به خروجی دینامیکی ستون معلق، فشردگی فنر- میراگر و نیروهای فنر- میراگر و همچنین نیروی اثر زمین در این بخش، به دلیل روابط تابع مختلف مدل ها، به‌عنوان معیار ارزیابی عدم قطعیت در نظر گرفته می شوند. سیستم با سرعت های اولیه برانگیخته می شود. این سرعت به ارتفاع سقوط ستون معلق در طی آزمایش های سقوط بستگی دارد. ستون معلق در این تحقیق یک سیستم چندمتغیری با بار قابل‌حمل و ارتفاع سقوط، و با متغیرهای ورودی قابل‌تغییر است. محققان برمبنای فرضیات تجربی یا بدیهی روابط تابع، رویکرد جدیدی برای مقایسه مدل های مختلف ارائه کردند و برای انجام این کار از احتمالات مقایسه پسین مدل های ریاضی استفاده کردند. احتمالات پسین مدل های ریاضی مختلف به‌عنوان سنجه برای ارزیابی عدم قطعیت مدل سیستم ستون معلق به کار برده شدند. این کار در تصمیم‌گیری در مراحل اولیه طراحی با مشخصات مشابه ستون های معلق واقعی موجود در خودروها یا در هوافضا انجام شد. احتمالات پسین از تابع درستنمایی ارزیابی شدند. این احتمالات از فواصل بردار کارتزین بین خروجی پیش‌بینی‌شده و خروجی تجربی برآورد شدند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر پردازش سیگنال
پیش نمایش مقاله
تعیین عدم قطعیت در مدل‌سازی ریاضی یک ستون معلق با استفاده از فصل مشترک بیزی
چکیده انگلیسی
In the field of structural engineering, mathematical models are utilized to predict the dynamic response of systems such as a suspension strut under different boundary and loading conditions. However, different mathematical models exist based on their governing functional relations between the model input and state output parameters. For example, the spring-damper component of a suspension strut is considered. Its mathematical model can be represented by linear, nonlinear, axiomatic or empiric relations resulting in different vibrational behaviour. The uncertainty that arises in the prediction of the dynamic response from the resulting different approaches in mathematical modelling may be quantified with Bayesian inference approach especially when the system is under structural risk and failure assessment. As the dynamic output of the suspension strut, the spring-damper compression and the spring-damper forces as well as the ground impact force are considered in this contribution that are taken as the criteria for uncertainty evaluation due to different functional relations of models. The system is excited by initial velocities that depend on a drop height of the suspension strut during drop tests. The suspension strut is a multi-variable system with the payload and the drop height as its varied input variables in this investigation. As a new approach, the authors present a way to adequately compare different models based on axiomatic or empiric assumptions of functional relations using the posterior probabilities of competing mathematical models. The posterior probabilities of different mathematical models are used as a metric to evaluate the model uncertainty of a suspension strut system with similar specifications as actual suspension struts in automotive or aerospace applications for decision making in early design stage. The posterior probabilities are estimated from the likelihood function, which is estimated from the cartesian vector distances between the predicted output and the experimental output.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Mechanical Systems and Signal Processing - Volume 118, 1 March 2019, Pages 158-170
نویسندگان
, ,