Evaluation of Forces in Dynamically Loaded Journal Bearings Using Feedforward Neural Networks

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F24%3A43963800" target="_blank" >RIV/49777513:23520/24:43963800 - isvavai.cz</a>

Výsledek na webu

<a href="https://link.springer.com/chapter/10.1007/978-3-031-56496-3_40" target="_blank" >https://link.springer.com/chapter/10.1007/978-3-031-56496-3_40</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-031-56496-3_40" target="_blank" >10.1007/978-3-031-56496-3_40</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Evaluation of Forces in Dynamically Loaded Journal Bearings Using Feedforward Neural Networks

Popis výsledku v původním jazyce

This paper explores the usage of artificial neural networks to evaluate forces acting in dynamically loaded finite-length journal bearings. Unlike standard numerical approaches, which require solving a hydrodynamic pressure field, the network predicts the forces directly from relative displacements and velocities of a rotating journal to a stationary bearing shell. This practice can significantly accelerate transient simulations of systems supported on such bearings without compromising their nonlinear properties. The proposed method utilises feedforward neural networks, which use a precomputed database of nondimensional forces for training. This database is generated using a finite difference method and supplemented with the corresponding relative displacements and velocities. The performance of the trained networks is also analysed.

Název v anglickém jazyce

Evaluation of Forces in Dynamically Loaded Journal Bearings Using Feedforward Neural Networks

Popis výsledku anglicky

This paper explores the usage of artificial neural networks to evaluate forces acting in dynamically loaded finite-length journal bearings. Unlike standard numerical approaches, which require solving a hydrodynamic pressure field, the network predicts the forces directly from relative displacements and velocities of a rotating journal to a stationary bearing shell. This practice can significantly accelerate transient simulations of systems supported on such bearings without compromising their nonlinear properties. The proposed method utilises feedforward neural networks, which use a precomputed database of nondimensional forces for training. This database is generated using a finite difference method and supplemented with the corresponding relative displacements and velocities. The performance of the trained networks is also analysed.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/EF17_048%2F0007267" target="_blank" >EF17_048/0007267: VaV inteligentních komponent pokročilých technologií pro plzeňskou metropolitní oblast</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach<br>I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2024

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Perspectives in Dynamical Systems II — Numerical and Analytical Approaches

ISBN

978-3-031-56495-6

ISSN

2194-1009

e-ISSN

2194-1017

Počet stran výsledku

16

Strana od-do

617-632

Název nakladatele

Springer

Místo vydání

Cham

Místo konání akce

Łódź

Datum konání akce

6. 12. 2021

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

001289530700040