Πρόβλεψη δυναμικών χαρακτηριστικών κυλινδρικών εδράνων ολίσθησης με αξονικές αυλακώσεις, με τη χρήση νευρωνικών δικτύων
| datacite.contributor.RelatedPerson | Σταυρόπουλος, Παναγιώτης | |
| datacite.contributor.RelatedPerson | Σακελλαρίου, Ιωάννης | |
| datacite.contributor.Supervisor | Νικολακόπουλος, Παντελής | |
| dc.contributor.author | Κοντούλη, Χριστίνα | |
| dc.contributor.other | Kontouli, Christina | |
| dc.date.accessioned | 2024-07-10T05:44:40Z | |
| dc.date.available | 2024-07-10T05:44:40Z | |
| dc.date.issued | 2024-07-09 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Τα έδρανα ολίσθησης αποτελούν ένα από τα πιο σημαντικά και ευρέως χρησιμοποιούμενα στοιχεία μηχανής, συνεπώς η μελέτη τους καθίσταται αναγκαία. Προκειμένου να γίνει πρόβλεψη της συμπεριφοράς του εδράνου κατά τη λειτουργία του αλλά και σε περιπτώσεις που παρουσιάζονται εξωτερικές διεγέρσεις (αζυγοσταθμία) ή μεταβολές (αύξηση ιξώδους, ταχύτητας περιστροφής) είναι απαραίτητος ο προσδιορισμός τόσο των στατικών όσο και των δυναμικών χαρακτηριστικών του εδράνου. Πιο συγκεκριμένα, θα γίνει ο προσδιορισμός των δυναμικών συντελεστών απόσβεσης και δυσκαμψίας, οι οποίοι αποτελούν καθοριστικά χαρακτηριστικά που περιγράφουν τη λειτουργία του εδράνου. Ο υπολογισμός των συντελεστών μπορεί να υλοποιηθεί με τη χρήση της τεχνητής νοημοσύνης και συγκεκριμένα με την εφαρμογή Τεχνητών Νευρωνικών Δικτύων (ΤΝΔ), δηλαδή υπολογιστικών μοντέλων που οι αρχές λειτουργίας τους βασίζονται στους βιολογικούς νευρώνες. Όπως ο ανθρώπινος εγκέφαλος, έτσι και το ΤΝΔ εκπαιδεύεται από γνωστά δείγματα εισόδου-εξόδου, εξελίσσεται και εν συνεχεία γενικεύει τα δεδομένα δίνοντας κάθε φορά μια έξοδο σε αντίστοιχα νέα δεδομένα εισόδου, σε στιγμιαίο χρόνο. Στην παρούσα εργασία, στόχος είναι ο προσδιορισμός των δυναμικών συντελεστών απόσβεσης και δυσκαμψίας και μετέπειτα η χρήση αυτών για τη μελέτη της ταλάντωσης περιστρεφόμενου άξονα. Αρχικά θα δημιουργηθούν δείγματα εισόδου-εξόδου τα οποία λαμβάνονται από τη βιβλιογραφία και έχουν προσδιοριστεί με υπολογιστικές μεθόδους για ένα συγκεκριμένο εύρος του αριθμού Sommerfeld και για έδρανα με δύο και τέσσερις αξονικές αυλακώσεις. Στη συνέχεια, θα μελετηθούν διαφορετικές αρχιτεκτονικές δικτύων για κάθε περίπτωση, καθώς στην πρώτη περίπτωση ως έξοδοι ορίζονται οι συντελεστές απόσβεσης και στην δεύτερη οι συντελεστές δυσκαμψίας ενώ είσοδοι αποτελούν ο λόγος μήκους-διαμέτρου του εδράνου και ο αδιάστατος αριθμός Sommerfeld. Επιπλέον, αφού ολοκληρωθεί η εκπαίδευση των ΤΝΔ γίνεται σύγκριση μεταξύ των τιμών των δυναμικών συντελεστών που προέκυψαν κατά την έξοδο των νευρωνικών δικτύων και αυτών που δίνονται από τη βιβλιογραφία προκειμένου να ελεγχθούν τα δίκτυα ως προς την αξιοπιστία. Τέλος, ακολουθεί μια εφαρμογή στην οποία εξετάζεται η συμπεριφορά ενός ρότορα Jeffcott που εδράζεται σε έδρανα ολίσθησης και δέχεται εξωτερική διέγερση λόγω αζυγοσταθμίας. Παρουσιάζονται οι αποκρίσεις της ταλάντωσης του συστήματος κατά την οριζόντια και κατακόρυφη διεύθυνση καθώς μεταβάλλεται η ταχύτητα περιστροφής και η δύναμη αζυγοσταθμίας, ενώ συγκρίνονται και τα δύο είδη εδράνων που μελετήθηκαν. | |
| dc.description.translatedabstract | Journal bearings are one of the most important and widely used machine elements, therefore their analysis becomes necessary. In order to predict the behavior of journal bearing during operation and in cases of external excitations (unbalance) or changes such as increase of viscosity or rotational speed, it is necessary to determine both the static and dynamic characteristics of the bearing. In detail, the dynamic coefficients of damping and stiffness, which are key characteristics of bearing operation, will be determined. The calculation of the coefficients can be implemented by using artificial intelligence and specifically by applying Artificial (ANNs) or Deep Neural Networks (DNNs), which are computational models whose working principles are based on biological neurons. Just like the human brain, the NN is trained from known input-output samples, evolves and then generalizes the data by giving each time an output to corresponding new input data, in instantaneous time. In this thesis, the purpose is to determine the dynamic damping and stiffness coefficients and then use them to analyze a rotating shaft vibration. Firstly, samples of input-output data will be generated which are obtained from literature and have been determined by numerical methods for a range of Sommerfeld number and for journal bearings with two and four axial grooves. Afterwards, different network’s architectures will be tested for each case, since in the first case the outputs are the damping coefficients and in the second one are the stiffness coefficients, while the inputs are the length-diameter ratio of the bearing and the dimensionless number Sommerfeld. Moreover, after completing the training of neural networks, a comparison is made between the values of the dynamic coefficients which are generated from neural network's output and those which are given by the literature, in order to check the network's reliability. Lastly, is presenting an analysis of Jeffcott rotor behavior, which is supported on journal bearing and subjected to an external excitation due to unbalance. The vibration responses of the rotor in horizontal and vertical directions are presented, as the rotational speed and the unbalance force are increased, while both types of bearings are compared. | |
| dc.identifier.uri | https://hdl.handle.net/10889/27491 | |
| dc.language.iso | el | |
| dc.subject | Έδρανα ολίσθησης | |
| dc.subject | Δυναμικοί συντελεστές | |
| dc.subject | Τεχνητά νευρωνικά δίκτυα | |
| dc.subject | Ταλάντωση | |
| dc.subject | Αζυγοσταθμία | |
| dc.subject.alternative | Journal bearings | |
| dc.subject.alternative | Dynamic coefficients | |
| dc.subject.alternative | Neural networks | |
| dc.subject.alternative | Vibration | |
| dc.subject.alternative | Unbalance | |
| dc.title | Πρόβλεψη δυναμικών χαρακτηριστικών κυλινδρικών εδράνων ολίσθησης με αξονικές αυλακώσεις, με τη χρήση νευρωνικών δικτύων | |
| dc.title.alternative | Prediction of dynamic characteristics of cylindrical journal bearings with axial grooves, using neural networks |