Techniki uczenia maszynowego oparte na analizie wieloparametrowej i projektowaniu nieliniowych struktur śrubowych z uwzględnieniem kolizji wewnętrznych

Dlaczego sprężyny samochodowe mają większe znaczenie, niż myślisz

Głęboko wewnątrz wysokowydajnych silników samochodowych znajdują się ciasno nawinięte metalowe sprężyny, które otwierają i zamykają zawory tysiące razy na sekundę. Te sprężyny śrubowe robią więcej niż tylko odbijają się; magazynują energię i tłumią gwałtowne drgania. Jednak przy ekstremalnych prędkościach te same sprężyny mogą nagle generować ostre skoki siły, które uszkadzają elementy i skracają żywotność silnika. Badanie wyjaśnia, skąd pochodzą te skoki i pokazuje, jak nowoczesne symulacje komputerowe i uczenie maszynowe mogą pomóc inżynierom w przeprojektowaniu sprężyn tak, by były jednocześnie trwałe i skuteczne w tłumieniu drgań.

Sprężyny przy ekstremalnych prędkościach silnika

Naukowcy skupili się na sprężynie zaworowej typu „beehive” stosowanej w silniku sportowym o wysokich obrotach. W przeciwieństwie do prostej, jednorodnej sprężyny, ta zmienia średnicę wzdłuż wysokości i ma zwoje bliżej siebie w niektórych obszarach niż w innych. Zespół zamontował sprężynę w rzeczywistym silniku V8 napędzanym silnikiem elektrycznym i mierzył siły, jakie generowała, gdy silnik obracał się w zakresie 6500–16 000 obrotów na minutę. Przy niższych prędkościach siły szczytowe utrzymywały się w pobliżu 900 niutonów i zmieniały się płynnie, zgodnie z oczekiwaniami przy zwykłych drganiach. Jednak około 7800 obrotów na minutę i ponownie przy wyższych prędkościach mierzone siły nagle wzrastały do ponad 1500–1800 niutonów. Te nieoczekiwane skoki wskazywały na inny, bardziej gwałtowny proces zachodzący wewnątrz sprężyny.

Zajrzeć do wnętrza sprężyny za pomocą testów wirtualnych

Aby zobaczyć, co działo się między zwojami, zespół zbudował szczegółowy model komputerowy sprężyny, używając standardowej techniki inżynierskiej zwanej analizą elementów skończonych. Odtworzyli dokładną geometrię i materiał sprężyny, uwzględnili tarciowy kontakt między sąsiednimi zwojami i napędzili model tym samym ruchem wałka rozrządu, co w silniku. Gdy uruchomili symulację przy 7800 obrotów na minutę, przewidywane siły bardzo dokładnie zgadzały się z pomiarami z silnika, łącznie z ostrym skokiem w określonym punkcie cyklu wałka. Śledząc ruch poszczególnych zwojów, odkryli, że dwa sąsiednie zwoje w obszarze o wąskiej szczelinie krótko zderzały się ze sobą, a następnie rozdzielały w ciągu kilku tysięcznych sekundy. To szybkie zderzenie wywołało silną falę sprężystą przez sprężynę, która objawiła się obserwowanym skokiem siły.

Jak zderzenia zwojów mogą pomagać i szkodzić

Okazało się, że te zderzenia mają dwojakie skutki. Z jednej strony, kiedy zwoje uderzają o siebie, rozpraszają część energii drgań i mogą zmniejszać utrzymujące się oscylacje — co jest przydatne do stabilizacji ruchu zaworu. Z drugiej strony, te same uderzenia generują krótkotrwałe, lecz bardzo duże siły, które mogą przyspieszać zmęczenie materiału i prowadzić do przedwczesnej awarii. Kluczowym wyzwaniem projektowym nie jest więc całkowite wyeliminowanie kontaktu, lecz dostrojenie geometrii sprężyny tak, by zderzenia były na tyle łagodne, by unikać uszkadzających skoków, a jednocześnie wciąż pomagały tłumić drgania. Ponieważ kształt sprężyny definiuje wiele powiązanych wymiarów — takich jak średnica zwoju i pionowa „wysokość” w kilku punktach — testowanie każdej możliwej kombinacji bezpośrednio w silniku lub za pomocą pełnych symulacji byłoby zbyt czasochłonne.

Pozwolić algorytmom nauczyć się najlepszych kształtów

Aby rozwiązać ten wieloparametrowy problem, badacze użyli uczenia maszynowego. Zmienili cztery kluczowe cechy geometryczne dwóch ciasno rozmieszczonych zwojów, stworzyli 60 różnych wirtualnych projektów sprężyn i przeprowadzili symulacje każdego z nich przy krytycznej prędkości silnika. Dla każdego projektu zarejestrowali maksymalną siłę dynamiczną. Dane te podano następnie dwóm typom algorytmów uczących się: głębokiej sieci neuronowej pełniącej rolę potężnej skrzynki rozpoznającej wzorce oraz modelowi programowania genetycznego, który generuje jawne wzory matematyczne. Sieć neuronowa osiągnęła wyższą dokładność predykcji, wiernie odtwarzając symulowane siły szczytowe nawet dla projektów, których wcześniej nie widziała. Korzystając z wytrenowanego modelu, zespół mógł natychmiast przeszukać tysiące wirtualnych projektów i odwzorować, jak zmiany średnicy i wysokości zwojów wpływają na powstające skoki siły.

Znalezienie bezpieczniejszych i łagodniejszych projektów sprężyn

Przeskanowawszy tę wyuczoną przestrzeń projektową, autorzy wskazali obszary, w których siły szczytowe pozostawały poniżej poziomów związanych z uszkodzeniem, a jednocześnie nadal występowały zderzenia — a zatem użyteczne tłumienie. W prostych słowach pokazali, jak ostrożne dopasowanie rozmiaru i położenia zaledwie kilku zwojów może przekształcić ostrą, podatną na skoki sprężynę w taką, która łagodniej kontroluje drgania silnika. Ich podejście łączy realistyczne symulacje przy wysokich prędkościach z modelami opartymi na danych, aby kierować wyborami projektowymi bez konieczności niekończących się testów fizycznych. Chociaż praca koncentruje się na konkretnej sprężynie zaworowej, ta sama strategia mogłaby zostać zastosowana do wielu urządzeń śrubowych, od zawieszeń pociągów po noszone egzoszkielety, pomagając inżynierom tworzyć elementy zarówno wytrzymałe, jak i ciche w ekstremalnych warunkach.

Cytowanie: 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

Słowa kluczowe: sprężyny zaworowe, tłumienie drgań, zderzenia zwojów, projektowanie z użyciem uczenia maszynowego, silniki wysokoprężne