Stokastik Arama Yöntemleri ile Nöro-regresyon Yaklaşımı Kullanılarak Binek Araç Rotlarının Tasarımı, Analizi ve Optimizasyonu

Abstract

Bu tez, binek araçların manevra hassasiyeti ve araç dinamiği açılarından kritik öneme sahip direksiyon rot kolları adına tahmin fonksiyonu oluşturulması ve optimizasyonu için, kapsamlı bir çerçeve önermektedir. Çalışma, beş temel mekanik çıktıya odaklanmaktadır: kritik burkulma yükü, eşdeğer plastik şekil değiştirme, yapısal rijitlik, hasar konumu ve toplam ağırlık. Girdi örneklerinin oluşturulmasında D-optimal deneysel tasarımı yöntemi kullanıldı. Elde edilen sonlu elemanlar analizi (FEA) sonuçlarıyla yapay sinir ağlarına dayalı regresyon modelleri (nöro-regresyon) eğitildi. Yaklaşık 100 aday model arasından, stokastik arama yöntemleriyle iyileştirilen ikinci dereceden doğrusal olmayan trigonometrik modeller, istenilen yeterliliğe ulaştı. Optimizasyon aşamasında, üç aşamalı ve giderek artan kısıtlamalara sahip tek hedefli senaryolar altında dört adet stokastik algoritma karşılaştırıldı: Diferansiyel Evrim (DE), Nelder–Mead (NM), Benzetilmiş Tavlama (SA) ve Rastgele Arama (RS). Senaryo 1 ve 2, tek çıktıya bağlı kısıtlamalar içerirken, Senaryo 3 gerçek tasarım zorluklarını yansıtmak üzere çok çıktının kısıtına bağlı koşullara sahiptir. DE, tüm senaryolar boyunca kararlı ve yüksek optimum tasarımlar oluşturdu. NM, ilk iki optimizasyon senaryosunda verimli çalışırken, senaryo 3 te yetersiz kaldı. SA, senaryo 3 te en yüksek hesaplama verimliliğini sağlayarak güvenilir çözümler sundu. RS ise çoklu çıktı kısıtını içeren bu problemlerde geçerli sonuçlar üretemediği gibi ilk iki senaryoda verimli sonuç üretmedi. Bu çalışmanın temel katkılarından biri, 13 adet rot kolu tasarım değişkeni ve rota bağlı 5 adet performans çıktısını eşzamanlı olarak regresyon tabanlı bir optimizasyon sürecine entegre etmesidir. Binek araç rot tasarımında geliştirilen bu yöntem; DOE, FEA, makine öğrenmesi ve stokastik optimizasyonu bir araya getirerek, 3 boyutlu katı model oluşturma ve sonlu elemanlar analizine olan bağımlılığı azaltabileceği gibi tasarım süreçlerini ciddi ölçüde azaltabilir. Çalışma, veri odaklı makine öğrenmesi ile mühendislik tasarımını entegre ederek, binek araç rot kolu geliştirme süreçleri için ölçeklenebilir ve etkin bir çözüm yolu önermektedir.

This thesis proposes a comprehensive framework for the predictive modelling and optimization of passenger vehicle tie rods; components fundamental to steering precision and vehicle dynamics. The study targets five key mechanical outputs: critical buckling load, equivalent plastic strain, structural stiffness, failure location, and total weight. A D-optimal design of experiments (DOE) was used to generate input samples, and artificial neural network-based regression models (neuro-regression) were trained on corresponding finite element analysis (FEA) results. Among nearly 100 candidate models, second-order nonlinear trigonometric models refined through stochastic search exhibited the required accuracy and generalization. The optimization phase benchmarked four global stochastic algorithms: Differential Evolution (DE), Nelder–Mead (NM), Simulated Annealing (SA), Random Search (RS), under three progressively constrained single-objective scenarios. While scenarios 1 and 2 applied single-output constraints, Scenario 3 imposed tightly bounded multi-output constraints to replicate real-world design challenges. DE consistently demonstrated high robustness and accuracy. NM performed efficiently under scenarios 1 and 2 but struggled in multi-output constrained cases. SA achieved highest runtime efficiency and success in complex scenarios, delivering reliable solutions. RS failed to produce feasible outcomes in multi-constrained cases, confirming its limitations in high-dimensional search spaces. A key contribution of this study is the simultaneous integration of 13 design input variables with 5 performance outputs into a unified regression-based optimization framework. By linking advanced sampling, FEA, machine learning, and stochastic optimization, the proposed methodology might reduce dependency on manual CAD/FEA iterations and save significant time during design of tie rods. This research bridges simulation and data-driven design, offering a scalable and intelligent toolset for efficient passenger vehicle tie rod development.