Maschinelle Lernverfahren-basierte Mehrparameter-Analyse und Auslegung nichtlinearer Schraubenfeder‑Strukturen unter Berücksichtigung interner Strukturkollisionen

Warum Autosfedern wichtiger sind, als man denkt

Tief im Inneren leistungsstarker Verbrennungsmotoren sitzen eng gewundene Metallfedern, die die Ventile tausende Male pro Sekunde öffnen und schließen. Diese schraubenförmigen Federn tun mehr, als nur zu federn: Sie speichern Energie und zähmen heftige Vibrationen. Unter extremen Drehzahlen können dieselben Federn jedoch plötzlich scharfe Kraftspitzen erzeugen, die Bauteile schädigen und die Lebensdauer des Motors verkürzen. Diese Studie erklärt, woher solche Spitzen kommen, und zeigt, wie moderne Computersimulationen und maschinelles Lernen Ingenieuren helfen können, Federn so neu zu gestalten, dass sie gleichzeitig langlebig und wirksam als Vibrationsdämpfer sind.

Federn bei extremen Motordrehzahlen

Die Forschenden konzentrierten sich auf eine sogenannte „Bienenkörbchen“-Ventilfeder, wie sie in einem hochdrehzahlfähigen Sportwagenmotor vorkommt. Im Gegensatz zu einer einfachen Zylinderfeder ändert diese ihren Durchmesser entlang der Höhe und weist Bereiche mit engeren Windungen auf. Das Team befestigte die Feder in einem realen V8‑Motor, der von einem Elektromotor angetrieben wurde, und maßte die von ihr erzeugten Kräfte bei Drehzahlen zwischen 6500 und 16.000 Umdrehungen pro Minute. Bei niedrigen Drehzahlen blieben die Spitzenkräfte nahe bei 900 Newton und schwankten erwartungsgemäß glatt. Doch bei etwa 7800 U/min und erneut bei höheren Drehzahlen sprangen die gemessenen Kräfte plötzlich auf mehr als 1500–1800 Newton. Diese unerwarteten Spitzen deuteten auf einen anderen, gewalttätigeren Prozess innerhalb der Feder hin.

Mit virtuellen Tests in die Feder hineinsehen

Um zu verstehen, was zwischen den Windungen geschah, erstellte das Team ein hochdetailliertes Computermodell der Feder mithilfe einer gängigen Ingenieurmethode, der Finite‑Elemente‑Analyse. Sie rekonstruierten die exakte Geometrie und das Material der Feder, berücksichtigten reibungsbehafteten Kontakt zwischen benachbarten Windungen und trieben das Modell mit derselben Nockenwellenbewegung wie im Motor an. Bei einer Simulation mit 7800 U/min stimmten die vorhergesagten Kräfte sehr genau mit den Messungen aus dem Motor überein, einschließlich der scharfen Spitze an einer bestimmten Stelle im Nockenzyklus. Durch die Verfolgung der Bewegung einzelner Windungen stellten sie fest, dass sich zwei benachbarte Windungen in einer engstehenden Zone kurzzeitig aufschlugen und sich innerhalb weniger Tausendstel Sekunden wieder trennten. Dieser schnelle Zusammenstoß löste eine starke elastische Welle in der Feder aus, die sich als die beobachtete Kraftspitze zeigte.

Wie Spulenstöße helfen und schaden können

Diese Zusammenstöße erwiesen sich als zweischneidiges Schwert. Einerseits dissipieren auftreffende Windungen einen Teil der Schwingungsenergie und können fortlaufende Oszillationen reduzieren — nützlich, um die Ventilbewegung zu stabilisieren. Andererseits erzeugen dieselben Impacts kurzzeitig sehr große Kräfte, die die Ermüdung beschleunigen und zu vorzeitigem Versagen führen können. Die zentrale konstruktive Herausforderung besteht daher nicht darin, Kontakt vollständig zu vermeiden, sondern die Geometrie der Feder so abzustimmen, dass Kollisionen mild genug bleiben, um schädliche Spitzen zu vermeiden, und dennoch zur Dämpfung beitragen. Da die Form der Feder durch viele verknüpfte Abmessungen definiert ist — etwa Windungsdurchmesser und vertikale ‚Höhen‘ an mehreren Positionen — wäre das direkte Testen jeder möglichen Kombination im Motor oder mit vollständigen Simulationen viel zu zeitaufwendig.

Algorithmen die besten Formen lernen lassen

Um dieses Mehrparameter‑Problem anzugehen, nutzten die Forschenden maschinelles Lernen. Sie variierten vier wichtige geometrische Merkmale der beiden eng stehenden Windungen, erzeugten 60 verschiedene virtuelle Federdesigns und simulierten jedes bei der kritischen Motordrehzahl. Für jedes Design erfassten sie die maximale dynamische Kraft. Diese Daten wurden dann in zwei Typen von Lernalgorithmen eingespeist: ein tiefes neuronales Netz, das als leistungsfähige Mustererkennungs‑Blackbox fungiert, und ein genetisches Programmiermodell, das explizite mathematische Formeln erzeugt. Das neuronale Netz erzielte die höhere Vorhersagegenauigkeit und reproduzierte die simulierten Spitzenkräfte selbst für bislang unbekannte Designs sehr genau. Mit diesem trainierten Modell konnte das Team nahezu sofort tausende virtuelle Designs durchsuchen und kartieren, wie Änderungen von Windungsdurchmesser und Höhe die resultierenden Kraftspitzen veränderten.

Sicherere und sanftere Federdesigns finden

Durch das Abtasten dieses gelernten Designraums hoben die Autorinnen und Autoren Bereiche hervor, in denen die Spitzenkräfte unter den schädigungsrelevanten Werten blieben, während Kollisionen — und damit nützliche Dämpfung — weiterhin auftraten. Einfach gesagt zeigten sie, wie das sorgfältige Anpassen der Größe und Position nur weniger Windungen eine raue, spurtenempfindliche Feder in eine verwandeln kann, die Motorschwingungen sanfter handhabt. Ihr Ansatz kombiniert realistische Hochgeschwindigkeits‑Simulationen mit datengetriebenen Modellen, um Konstruktionsentscheidungen ohne endlose physische Tests zu leiten. Obwohl diese Arbeit eine spezifische Ventilfeder behandelt, lässt sich dieselbe Strategie auf viele schraubenförmige Bauteile anwenden, von Zugfederungen bis zu tragbaren Exoskeletten, und hilft so, Komponenten zu schaffen, die unter extremen Bedingungen sowohl robust als auch leise sind.

Zitation: Gu, Z., Liu, Y., Kong, X. et al. Machine learning techniques based multi-parameter analysis and design of nonlinear helical structures considering internal structure collisions. Sci Rep 16, 8595 (2026). https://doi.org/10.1038/s41598-026-39953-y

Schlüsselwörter: Ventilfedern, Vibrationsdämpfung, Spulenstöße, Design mit maschinellem Lernen, Hochdrehzahlmotoren