Otimização paramétrica robusta multiobjetivo aplicada em suspensão veicular
A presente dissertação aplica uma metodologia de otimização robusta multiobjetivo ao problema da otimização de parâmetros da suspensão de um modelo numérico de meio carro com 5 graus de liberdade. A fim de aumentar o conforto do motorista do veículo sem prejudicar a dirigibilidade, a função objetivo...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2021 |
| País: | Brasil |
| Institución: | Universidade Federal do Rio Grande do Sul (UFRGS) |
| Repositorio: | Biblioteca Digital de Teses e Dissertações da UFRGS |
| Idioma: | portugués |
| OAI Identifier: | oai:www.lume.ufrgs.br:10183/224331 |
| Acceso en línea: | http://hdl.handle.net/10183/224331 |
| Access Level: | acceso abierto |
| Palabra clave: | Otimização multiobjetivo Suspensão mecânica Veículos Robust optimization Quantum particle swarm optimization Vehicle suspension Uncertainty |
| Sumario: | A presente dissertação aplica uma metodologia de otimização robusta multiobjetivo ao problema da otimização de parâmetros da suspensão de um modelo numérico de meio carro com 5 graus de liberdade. A fim de aumentar o conforto do motorista do veículo sem prejudicar a dirigibilidade, a função objetivo escolhida foi a aceleração rms ponderada conforme a norma ISO 2631 (1997) com restrição no espaço de trabalho da suspensão. A otimização robusta é baseada em uma abordagem probabilística, mais completa do que aquela baseada em intervalos. A solução é comparada com uma otimização determinística, que não leva em consideração as incertezas. O estudo leva em conta diferentes aproximações presentes na literatura para a média e desvio padrão da função e da restrição, comparando os benefícios e prejuízos dos métodos. A solução gerada pela otimização robusta multiobjetivo escolhida resulta em uma média de aceleração rms ponderada de 0,205 /ଶ, contra 0,183 /ଶ da otimização determinística. Estas soluções, robusta e determinística, representam uma redução de 85,25% e 86,82% da aceleração da configuração de referência, respectivamente. No entanto, a probabilidade de falha calculada a partir do método de Monte Carlo com 25000 amostras mostrou que a otimização robusta permaneceu dentro do intervalo de segurança aceitável do espaço de trabalho da suspensão que foi estipulado em 10%, com apenas 8,69% de chance de falha da restrição, contra 66,23% de chance de falha para a solução determinística. |
|---|