تاثیر عملکرد الگوریتم ملخ اصلاح شده (igoa) در شناسایی پارامترهای مدل bouc-wen میراگر mr

میراگر (mr) مگنتورئولوژیکال یکی از ابزارهای کنترل نیمه‌فعال است که نیروی کنترلی آن در هر لحظه،‌ با تغییر در بزرگی میدان مغناطیسی تنظیم می‌شود. یکی از روش‌ها برای توصیف رفتار میراگر مگنتورئولوژیکال، مدل‌های دینامیکی پارامتریک می‌باشد که از یک مدل مکانیکی استفاده می‌شود. در این مدل، رفتار میراگر توسط روابطی که حاوی پارامترهای مشخص هستند، توصیف می‌شود. این پارامترها با توجه به نتایج آزمایشگاهی برای یک میراگر، به گونه‌ای تعیین می‌شوند که مدل پیشنهادی بر داده‌های آزمایشگاهی منطبق گردد. مقادیر مناسب پارامترها جهت انطباق پاسخ عددی این مدل بر پاسخ آزمایشگاهی میراگر مگنتورئولوژیکال با استفاده از روش‌های شناسایی سیستم تعیین می‌شود. یکی از روش‌های شناسایی سیستم برای تعیین پارامترهای مدل رفتاری، استفاده از روش‌های بهینه‌سازی می‌باشد. یکی از این روش‌ها، الگوریتم‌های فراکاوشی می‌باشد. الگوریتم بهینه‌سازی ملخ یکی از روش‌های جدید در حل مسائل به روش فراکاوشی می‌باشد. در این پژوهش، در ابتدا یک روش مبتنی بر آموزش یادگیری متضاد برای بهبود الگوریتم بهینه‌سازی ملخ استفاده شد. سپس از الگوریتم بهینه‌سازی ملخ اصلاح شده برای حل مسئله شناسایی پارامتر در مدل بوک ون میراگر مگنتورئولوژیکال استفاده گردید. نتایج بدست آمده در این پژوهش نشان داد که استفاده از روش مبتنی بر آموزش متضاد موجب افزایش قابلیت اکتشاف در الگوریتم فراکاوشی ملخ می‌شود و الگوریتم از توانایی بالاتری در حل مسائل بهینه‌سازی ریاضیاتی برخوردار می‌باشد. همچنین الگوریتم بهینه‌سازی ملخ اصلاح شده توانایی بسیار بالایی در کاهش خطای سیستم برای تطابق نتایج آزمایشگاهی و مدل عددی در شناسایی پارامترهای مدل بوک ون میراگر مگنتورئولوژیکال برخوردار می‌باشد.

Influence of the performance of the modified locust algorithm (IGOA) on the identification of the parameters of the Bouc-Wen MR damper model

Magnetoreological MR is one of the semi-active control devices whose control force is adjusted at any moment by changing the magnitude of the magnetic field. One method to describe the behavior of magnetorereological dampers is parametric dynamic models t