Maskininlärningstekniker för multiparameteranalys och design av icke‑linjära heliska strukturer med beaktande av inre strukturkollisioner

Varför bilfjädrar är viktigare än du tror

Dolda långt inne i högpresterande bilmotorer finns tätt lindade metallfjädrar som öppnar och stänger ventilerna tusentals gånger per sekund. Dessa heliska fjädrar gör mer än att bara fjädra; de lagrar energi och dämpar våldsamma vibrationer. Men vid extrema varvtal kan samma fjädrar plötsligt skapa skarpa krafttoppar som skadar delar och förkortar motorns livslängd. Denna studie förklarar var dessa toppar kommer ifrån och visar hur moderna datasimuleringar och maskininlärning kan hjälpa ingenjörer att omdesigna fjädrar så att de både är hållbara och effektiva som vibrationsdämpare.

Fjädrar vid extrema motortal

Forskarna fokuserade på en så kallad "beehive"‑ventilfjäder som används i en högvarvig sportbilsmotor. Till skillnad från en enkel rak fjäder ändrar denna diameter längs höjden och har varv som ligger närmare varandra i vissa områden än i andra. Teamet monterade fjädern i en verklig V8‑motor driven av en elektrisk motor och mätte de krafter den gav upphov till medan motorn gick mellan 6 500 och 16 000 varv per minut. Vid lägre varvtal höll sig toppkrafterna nära 900 newton och varierade mjukt, som förväntat vid vanlig vibration. Men runt 7 800 varv per minut och igen vid högre varvtal sköt de uppmätta krafterna plötsligt upp till mer än 1 500–1 800 newton. Dessa oväntade toppar antydde en annan, mer våldsam process inne i fjädern.

Att titta in i fjädern med virtuella tester

För att se vad som hände mellan varven byggde teamet en mycket detaljerad datormodell av fjädern med en standardingenjörsteknik kallad finit elementanalys. De återskapade exakt fjäderns geometri och material, inkluderade friktionskontakt mellan intilliggande varv och drev modellen med samma kamaxelrörelse som i motorn. När de körde simuleringen vid 7 800 varv per minut matchade de förutsagda krafterna motormätningarna mycket väl, inklusive den skarpa toppen vid en specifik punkt i kamcykeln. Genom att följa rörelsen hos enskilda varv fann de att två intilliggande varv i ett smalt avståndssegment kort slog ihop och sedan separerade inom några tusendelar av en sekund. Denna snabba kollision skickade ut en stark elastisk våg genom fjädern, vilket visade sig som den observerade krafttoppen.

Hur spolkollisioner kan hjälpa och skada

Dessa kollisioner visade sig vara ett tveeggat svärd. Å ena sidan, när varv träffar varandra dämpar de en del av vibrationsenergin och kan minska pågående svängningar—nyttigt för att hålla ventilrörelsen stabil. Å andra sidan skapar samma stötar kortlivade men mycket stora krafter som kan påskynda utmattning och leda till för tidigt fel. Den centrala designutmaningen är därför inte att helt eliminera kontakt, utan att ställa in fjäderns geometri så att kollisionerna är tillräckligt milda för att undvika skadliga toppar samtidigt som de fortfarande hjälper till att dämpa vibrationer. Eftersom fjäderns form definieras av många sammankopplade dimensioner—såsom spoldiameter och vertikal "höjd" vid flera positioner—skulle det ta alltför lång tid att testa varje möjlig kombination direkt i motorn eller med fullständiga simuleringar.

Låta algoritmer lära sig de bästa formerna

För att ta itu med detta multiparameterpussel använde forskarna maskininlärning. De varierade fyra nyckelgeometriska egenskaper hos de två tätt placerade varven, skapade 60 olika virtuella fjäderdesigner och simulerade var och en vid det kritiska motortalet. För varje design registrerade de maximal dynamisk kraft. Dessa data matades sedan in i två typer av inlärningsalgoritmer: ett djupt neuralt nätverk som fungerar som en kraftfull mönsterigenkännande svart låda, och en genetisk programmeringsmodell som producerar explicita matematiska formler. Det neurala nätverket uppnådde högre prediktionsnoggrannhet och återgav väl de simulerade toppkrafterna även för designer det inte sett tidigare. Med denna tränade modell kunde teamet snabbt svepa över tusentals virtuella designer och kartlägga hur ändringar i spoldiameter och höjd påverkade de resulterande krafttopparna.

Hitta säkrare och mjukare fjäderdesigner

Genom att skanna detta inlärda designutrymme lyfte författarna fram områden där toppkrafterna höll sig under nivåer kopplade till skador, men där kollisioner—och därmed användbar dämpning—fortfarande förekom. Enkelt uttryckt visade de hur en noggrann justering av storleken och positionen hos bara ett par varv kan förvandla en hård, toppbenägen fjäder till en som hanterar motorvibrationer mer mjukt. Deras metod kombinerar realistiska högvarvssimuleringar med datadrivna modeller för att vägleda designval utan ändlösa fysiska tester. Även om detta arbete fokuserar på en specifik ventilfjäder kan samma strategi tillämpas på många heliska komponenter, från tågvåningsupphängningar till bärbara exoskelett, och hjälpa ingenjörer att skapa delar som är både tåliga och tysta under extrema förhållanden.

Citering: 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

Nyckelord: ventilfjädrar, vibrationsdämpning, spolarkollisioner, maskininlärningsdesign, högvarviga motorer