Machine learning-technieken voor multi-parameteranalyse en ontwerp van niet-lineaire helixstructuren met inachtneming van interne botsingen

Waarom autoveer belangrijker is dan je denkt

Diep verborgen in hoogpresterende automotoren zitten strak gewonden metalen veren die de kleppen duizenden keren per seconde openen en sluiten. Deze helixveren doen meer dan alleen terugveren; ze slaan energie op en temmen hevige trillingen. Maar bij extreme toerentallen kunnen dezelfde veren plotseling scherpe krachtpieken genereren die onderdelen beschadigen en de levensduur van de motor verkorten. Deze studie legt uit waar die pieken vandaan komen en toont hoe moderne computersimulaties en machine learning ingenieurs kunnen helpen veren zo te herontwerpen dat ze zowel duurzaam als effectieve trillingsdempers zijn.

Veren bij extreme motortoerentallen

De onderzoekers concentreerden zich op een zogenaamde "beehive"-klepveer die wordt gebruikt in een hogesnelheids-sportwagenmotor. In tegenstelling tot een eenvoudige rechte veer verandert deze in diameter langs zijn hoogte en heeft hij windingen die in sommige gebieden dichter op elkaar liggen dan elders. Het team monteerde de veer in een echte V8-motor die door een elektromotor werd aangedreven en mat de krachten die de veer produceerde terwijl de motor tussen 6500 en 16.000 omwentelingen per minuut draaide. Bij lagere snelheden bleven de piek-krachten rond de 900 newton en varieerden ze soepel, zoals verwacht bij gewone trillingen. Maar rond 7800 omwentelingen per minuut en opnieuw bij hogere snelheden schoten de gemeten krachten plotseling omhoog naar meer dan 1500–1800 newton. Deze onverwachte pieken wezen op een ander, heftiger proces binnenin de veer.

In de veer kijken met virtuele tests

Om te zien wat er tussen de windingen gebeurde, bouwde het team een zeer gedetailleerd computermodel van de veer met behulp van een standaardtechniek uit de werktuigbouwkunde: eindige-elementenanalyse. Ze recreëerden de exacte geometrie en het materiaal van de veer, namen wrijving en contact tussen aangrenzende windingen op en dreven het model aan met dezelfde nokkenasbeweging als in de motor. Toen ze de simulatie bij 7800 omwentelingen per minuut draaiden, kwamen de voorspelde krachten zeer nauw overeen met de motormetingen, inclusief de scherpe piek op een specifiek punt in de nokkenascyclus. Door de beweging van individuele windingen te volgen, ontdekten ze dat twee aangrenzende windingen in een smalle-kier-regio kortstondig op elkaar sloegen en binnen enkele duizendsten van een seconde weer uit elkaar gingen. Deze snelle botsing lanceerde een sterke elastische golf door de veer, wat zich vertaalde in de waargenomen krachtpiek.

Hoe spoelbotsingen kunnen helpen en schaden

Die botsingen bleken een dubbelzijdig zwaard te zijn. Enerzijds dissiperen windingen bij impact een deel van de trillingsenergie en kunnen ze doorlopende oscillaties verminderen—bruikbaar om de klepbeweging stabiel te houden. Anderzijds creëren diezelfde inslagen korte maar zeer grote krachten die vermoeiing kunnen versnellen en tot voortijdig falen leiden. De belangrijkste ontwerpopgave is daarom niet om contact volledig te elimineren, maar om de geometrie van de veer zo af te stemmen dat botsingen mild genoeg zijn om schadelijke pieken te vermijden terwijl ze toch helpen trillingen te dempen. Omdat de vorm van de veer wordt bepaald door veel gekoppelde afmetingen—zoals windingdiameter en verticale "hoogte" op meerdere posities—zou het te tijdrovend zijn om elke mogelijke combinatie direct in de motor of met volledige simulaties te testen.

Algoritmen de beste vormen laten leren

Om deze multi-parameterpuzzel aan te pakken gebruikten de onderzoekers machine learning. Ze varieerden vier belangrijke geometrische eigenschappen van de twee dicht op elkaar geplaatste windingen, creëerden 60 verschillende virtuele veerontwerpen en simuleerden elk ontwerp bij de kritieke motortoerental. Voor elk ontwerp registreerden ze de maximale dynamische kracht. Deze gegevens werden vervolgens gevoed aan twee soorten leeralgoritmen: een diep neuraal netwerk dat fungeert als een krachtig patroonherkenningsblackbox, en een genetisch-programmeringsmodel dat expliciete wiskundige formules oplevert. Het neurale netwerk behaalde de hogere voorspellingsnauwkeurigheid en reproduceerde de gesimuleerde piek-krachten nauwkeurig, zelfs voor ontwerpen die het nog niet eerder had gezien. Met dit getrainde model kon het team in één klap duizenden virtuele ontwerpen doorlopen en in kaart brengen hoe veranderingen in windingdiameter en hoogte de resulterende krachtpieken beïnvloedden.

Veiligere en soepelere veerontwerpen vinden

Door deze aangeleerde ontwerpruimte te scannen, markeerden de auteurs regio’s waar de piek-krachten onder niveaus bleven die aan schade gekoppeld zijn, terwijl er toch nog botsingen—en dus nuttige demping—optraden. In eenvoudige termen lieten ze zien hoe het zorgvuldig aanpassen van de grootte en positie van slechts een paar windingen een harde, piekgevoelige veer kan veranderen in een die motortrillingen milder beheert. Hun aanpak combineert realistische hogesnelheidssimulaties met datagedreven modellen om ontwerpskeuzes te sturen zonder eindeloze fysieke tests. Hoewel dit werk zich richt op een specifiek klepveerontwerp, kan dezelfde strategie worden toegepast op vele helixachtige apparaten, van treinsuspensies tot draagbare exoskeletten, en zo helpen ingenieurs componenten te maken die zowel robuust als stil zijn onder extreme omstandigheden.

Bronvermelding: 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

Trefwoorden: klepveren, trillingsdemping, spoelbotsingen, machine learning-ontwerp, hogesnelheidsmotoren