شناسایی رفتار عملکرد انواع فنرهای نواری و مارپیچ و بشقابی در شرایط فضایی

موضوع فنرهای مارپیچ، که قطعاتی حیاتی و پرکاربرد در صنایع مختلف هستند، به‌خصوص در صنایع فضایی به مراتب اهمیت بیشتری پیدا می‌کند. از فنرهای مارپیچ به‌منظور ذخیره‌سازی انرژی در کاربردهای گوناگون، به‌ویژه در مکانیزم‌های جداکننده‌ی فضاپیما، استفاده می‌شود. اما یکی از چالش‌های مهم در طراحی این قطعات، کاهش جرم آن‌هاست، به‌ویژه در کاربردهای فضایی که هر گرم بار زیادی دارد. در این مقاله، به بررسی بهینه‌سازی جرم فنرهای مارپیچ مورد استفاده در مکانیزم‌های جداکننده‌ی فضاپیما پرداخته می‌شود. ابتدا، مسئله بهینه‌سازی جرم فنرهای مارپیچ با استفاده از روابط ریاضی معمول و الگوریتم ژنتیک حل می‌شوند. سپس، با استفاده از شبکه‌های عصبی مصنوعی، یک مدل جدید برای فنرها طراحی شده و بهینه‌سازی با این مدل جدید انجام خواهد شد. نتایج به‌دست‌آمده نشان می‌دهد که استفاده از مدل پیشنهادی شبکه‌های عصبی مصنوعی، مزایای قابل توجهی نسبت به روش ابتدایی دارد. این بهینه‌سازی با استفاده از مدل پیشنهادی، باعث افزایش دقت طراحی فنرهای مارپیچ می‌شود و نتایج به‌صورت عددی و رقمی نشان می‌دهد خروجی در شبکه‌ی عصبی مربوط به تنش برشی 545.88 است که 0.83%  با روش المان محدود اختلاف دارد و همچنین خروجی در شبکه‌ی عصبی مربوط به تغییر شکل 76.41 است که 0.58% با روش المان محدود اختلاف دارد که نشان می‌دهد مدل پیشنهادی به‌صورت قابل ملاحظه‌ای عملکرد بهتری نسبت به روش‌های قبلی دارد.

analysis of behavior of helical, disk and tape spring types in space conditions

the subject of helical springs, which are vital and widely used components in various industries, particularly gains significantlymore importance in the aerospace industry. helical springs are utilized for energy storage purposes in various applications, notably in spacecraft separator mechanisms. however, one of the major challenges in designing these components is reducing their mass, especially in space applications where every gram carries substantial significance. this paper delves into optimizing the mass of helical springs used in spacecraft separator mechanisms. initially, we solve the mass optimization problem of helical springs using conventional mathematical equations and the genetic algorithm. subsequently, we design a new model for the springs using artificial neural networks and conduct optimization using this new model. the obtained results demonstrate that using the proposed artificial neural network model offers considerable advantages over the initial method. this optimization using the proposed model enhancesthe accuracy of helical spring designs. numerical results indicate that the output in the neural network related to shear stress is88.545, differing by 0.83% from the finite element method, and the output related to deformation in the neural network is 41.76,differing by 0.58% from the finite element method. these findings underscore the significantly improved performance of theproposed model compared to previous methods.