بررسي عملكرد استاتيكي و ديناميكي ياتاقان هاي گازي با استفاده از روش شبكه هاي عصبي مصنوعي

بررسي عملكرد استاتيكي و ديناميكي ياتاقان هاي گازي با استفاده از روش شبكه هاي عصبي مصنوعي

از ياتاقان هاي گازي در صنايع مختلف، بويژه پزشكي و هوا فضا، به طور گسترده اي استفاده مي شود. به علت تراكم پذير بودن روان‌كار(گاز) تحليل اين نوع ياتاقان ها كار آساني نمي باشد؛ از اين رو در كار حاضر، از روش شبكه هاي عصبي مصنوعي جهت بررسي عملكرد ياتاقان هاي گازي مدور و غير مدور دو لب (Lobe)، سه لب و چهار لب استفاده شده است. به اين منظور، ميزان پايداري، اتلاف انرژي، ظرفيت تحمل بار و مقدار زاويه‌ي مشخصه‌ي ياتاقان هاي مذكور، تحت تاثير پارامترهاي ابعاد، نسبت خارج از مركزي و عدد تراكم پذيري ياتاقان، مورد مطالعه قرار گرفته است. نتايج به دست آمده در اين مطالعه، با نتايج گزارش شده‌ي قبلي كه از روش اجزا محدود به دست آمده اند، مطابقت خوبي داشته و در عين حال، حجم محاسبات نيزكاهش يافته است. نتايج، حاكي از كارايي بالاي شبكه هاي عصبي مصنوعي در طراحي و تحليل مسايل مربوط به ياتاقان ها كه روابط حاكم بر آن ها پيچيده و غيرخطي است، مي باشد. ضمناً نتايج حاصل از بررسي عملكرد انواع ياتاقان هاي غير مدور، مي تواند راهنماي خوبي براي انتخاب ياتاقان بهينه براي كاربردهاي خاص باشد.

Gas lubricated bearings are of tremendous use especially in the biomedical and aerospace industries. Analytical treatment of gas lubrication is tedious due to high nonlinearity of the pressure equation as the consequence of lubricant compressibility. Howevere, in this paper a feed-forward neural network approach is employed to investigate the performance of circular as well as two, three and four-lobe noncircular gas lubricated bearings. The performance parameters considered are stability margins, power loss, bearing load capacity and attitude angle for various values of bearing aspect ratio, eccentricity and compressibility numbers. The results of the neural network analyses are compared with those obtained from the finite element model. It is observed that results are in good agreement. It is believed that the neural network model can easily compete with the available theoretical model in predicting the solution of lubrication problems in respect to its simplicity, as well as its capability of producting accurate results with lesser computer time.