Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Trabajo de Tesis
presentado al
Departamento de Ingenierı́a Industrial
por
Ingenierı́a Industrial
Universidad de Los Andes
December 2004
Aproximación al Diseño Óptimo del Chasis de una
Motocicleta utilizando Análisis de Elementos Finitos y
Algoritmos Evolutivos
Aprobado por:
Fecha de Aprobación
II.04(02).107
III
II.04(02).107
Tabla de Contenido
Dedicatoria III
Lista de Tablas VI
I. Introducción 1
V. Investigación Futura 20
5.1. Evaluación aproximada de la función objetivo . . . . . . . . . . . . . . 20
5.2. Otros algoritmos de optimización multi-objetivo . . . . . . . . . . . . . 20
VI. Conclusiones 21
IV
II.04(02).107
Referencias 24
V
II.04(02).107
Lista de Tablas
VI
II.04(02).107
Lista de Figuras
VII
II.04(02).107
Capı́tulo I
Introducción
Este proyecto busca aplicar el concepto de diseño óptimo [17] a la construcción del cha-
sis de una motocicleta, entendido éste como la pieza que usualmente rodea y guarnece
el motor y tanque de combustible, y sobre la cual encajan otros componentes del vehı́cu-
lo como el tenedor y la suspensión trasera. Lo anterior como parte del propósito más
extenso de construir una motocicleta de bajo costo liderado por J.P. Casas en el Depar-
tamento de Ingenierı́a Mecánica de la Universidad de los Andes. Inicialmente se cuenta
con un concepto previo realizado por Calderón [5], quien por medio de una metodologı́a
de diseño convencional, obtiene un primer prototipo. Es con base en este desarrollo que
se trabaja para lograr, por medio de la modificación de diversos parámetros geométricos,
caracterı́sticas que mejoren el desempeño del chasis.
El estudio utiliza como principal herramienta la teorı́a de FEA (en inglés, Finite Element
Analisis) [19], que para este caso permite hacer un análisis estructural bastante detallado
de la compleja geometrı́a involucrada en el problema. Algunos de los mejores paquetes
de FEA incluyen módulos de optimización que tratan de ayudar al usuario a encontrar las
geometrı́as de los elementos analizados que mejor responden a las condiciones de traba-
jo a las que son sometidas. Sin embargo, para ciertas aplicaciones como este caso, estos
módulos no son lo suficientemente flexibles respecto a los algoritmos que utilizan y a los
tipos de variables de decisión que pueden ser consideradas para mejorar el diseño. Un
ejemplo concreto de esta limitación es el módulo de optimización del paquete de FEA
ANSYS [1], el cual no provee métodos multi-objetivo y solo acepta variables continuas
con valores en un dominio real [2]. Por esta razón, es interesante complementar las her-
ramientas disponibles actualmente, tal que permitan generar mejores soluciones y en este
1
II.04(02).107
Solución de Diseño
(Parámetros)
Algoritmo
FEA Evolutivo Aproximación al
Interfase Diseño Óptimo
Función(es) Población de (Algoritmo
Soluciones Converge)
Objetivo
2
II.04(02).107
Capı́tulo II
El concepto presentado por Calderón [5] propone una estructura tubular para una moto
tipo “Chopper” que cumple con los requerimientos de costos del proyecto. Si bien se da
una propuesta inicial que podrı́a ser funcional, solo se estudia una sola configuración de
los multiples parámetros geométricos. La idea de simular el desempeño de la estructura
utilizando un paquete de FEA como una “caja negra” acoplada a un algoritmo de opti-
mización busca hacer un análisis programático de dichas configuraciones para mejorar
algunos criterios de diseño como masa y nivel de esfuerzos del material.
Parámetros de Entrada
Creación Geometrı́a
Enmallado
ANSYS
Aplicación Fuerzas
Solución
El análisis que realiza la simulación consiste en someter el modelo a una hipótesis de carga
extrema (Apéndice A) para evaluar su respuesta según los criterios antes mencionados.
La totalidad de la simulación se realiza en ANSYS, utilizando su lenguaje de diseño
paramétrico APDL [2], y sigue la metodologı́a de un análisis estructural estático. Como
lo ilustra la Figura 2, se empieza creando una geometrı́a con base en unos parámetros de
entrada, se procede a enmallar dicha geometrı́a, luego se aplican las condiciones de carga
3
II.04(02).107
y por último se soluciona el modelo obteniendo como resultado el desempeño del diseño.
Para mayor información sobre un análisis de FEA se refiere al lector a [2].
Los parámetros discretos se especifican como tal debido a que estos están estandariza-
dos, por lo que solo algunas dimensiones se encuentran comercialmente. Como posibles
alternativas en diferentes partes del chasis, para las platinas se seleccionan 8 referencias
(6mm, 8mm, 10mm, 12mm, 16mm, 20mm, 25mm y 30mm) [3], y para los tubos otras
8 referencias [3], ilustradas en la Figura 3 de acuerdo a su diámetro externo (OD) y a
su schedule (sch, medida estándar del espesor de la pared del tubo). Existe una relación
de vecindad en estos parámetros de acuerdo a su masa, longitud, momento de inercia y
momento polar de inercia, entre otros, que permite ordenamientos en diferentes escalas
numéricas de medición. Sin embargo, por lo general dos valores vecinos distintos no son
4
II.04(02).107
3/4” OD
1” OD
1 1/4” OD
Figura 3: Tubos comerciales seleccionados para las diferentes partes del chasis.
Teniendo claro todos los parámetros que se van a considerar, se crea la geometrı́a del
chasis utilizando el software CAD de ANSYS [1]. Se toma ventaja de la simetrı́a del
chasis para reducir a la mitad el tamaño del modelo, produciendo ası́ un considerable
ahorro de tiempo de cómputo en la solución sin detrimento en el análisis (ver Figura 4).
2.2. Enmallado
Generar la malla de elementos finitos involucra principalmente la selección un tipo de
elemento y el grado de refinamiento de la malla. Debido a la complejidad de la geometrı́a
del modelo, el dominio se enmalla con tetraedros, utilizando una macro en APDL (divide
las lı́neas en tamaños adecuados) junto con la herramienta de enmallado automático de
ANSYS.
Se hacen pruebas utilizando el elemento SOLID45 (4 nodos) y su versión de mayor orden,
el elemento SOLID92 (10 nodos), con diferentes grados de refinamiento para encontrar
combinaciones que brinden respuestas convergentes, es decir, con niveles de exactitud
5
II.04(02).107
aceptables. La Tabla 2 resume los resultados de las pruebas realizadas, donde SPEC es el
error porcentual estructural [2] y DOFs el número de grados de libertad (proxy del tamaño
del problema de FEA) de cada alternativa. Se encuentra que la mejor aproximación para
lograr la convergencia del modelo es incrementar el orden del elemento en lugar de refinar
el enmallado, esto último requiriendo un mayor tiempo de cómputo. Adicionalmente, con
el SOLID92 se logran errores estimados menores que con el SOLID45 por lo que se
selecciona el primero para hacer la simulación.
Una vez enmallada la geometrı́a se procede a aplicar las cargas y restricciones de movimien-
to, simulando una desaceleración brusca como la que se puede producir en una frenada
(Apéndice A). Para evitar grandes deformaciones localizadas inherentes a la aplicación
de cargas puntuales (principio de Saint-Venant [13]), que pueden conducir a resultados
equivocados , se utilizan siempre cargas distribuidas (presiones). Es importante aclarar
que esta hipótesis de carga somete al chasis a esfuerzos de flexión principalmente mas no
a esfuerzos de torsión por lo que el criterio de rigidez torsional queda fuera del alcance
de la simulación.
2.3. Solución
En general, la metodologı́a de FEA produce un sistema de ecuaciones lineales que se
resuelve para obtener una aproximación a la solución de las ecuaciones diferenciales par-
ciales que se presentan en el problema [19], siendo las más importantes de un análisis
estructural lineal las ecuaciones de esfuerzo-deformación (ver Ecuación 2.1) y las ecua-
ciones del principio de trabajo virtual (ver Ecuación 2.2).
6
II.04(02).107
~σ = D · ~ε (2.1)
Donde:
Donde:
7
II.04(02).107
Para cada solución de FEA se obtienen los siguientes criterios de diseño que se utilizan
como medida de desempeño (función objetivo): la masa total del chasis (m) y como in-
dicador del nivel de esfuerzos del material, el elemento con el máximo esfuerzo de Von
Mises (s) [3].
8
II.04(02).107
Capı́tulo III
El Algoritmo Evolutivo
Los algoritmos evolutivos (EAs) son una familia de métodos computacionales de búsque-
da aleatoria basados en los principios de la evolución natural, que son utilizados para
resolver una amplia gama de problemas de optimización. Progresivamente, durante el
paso de numerosas generaciones, estos algoritmos van mejorando el desempeño de una
población de soluciones con la esperanza de que finalmente se encuentre la solución ópti-
ma global. Esto se logra a través de la codificación de las soluciones en estructuras de
datos que simulan un cromosoma, a las que se le aplican diversos operadores evolutivos
(clásicamente los de recombinación, mutación y selección). Los diferentes tipos de algo-
ritmos evolutivos utilizados actualmente tienen como base principal los trabajos hechos
por Holland [14], por Rechenberg y Schwefel [18, 20], y por Fogel, Owens y Walsh [12].
Cada uno de éstos con diferentes acercamientos al proceso de evolución natural, pero
siempre utilizando un método aleatorio de búsqueda poblacional. Una buena introduc-
ción al tema puede ser encontrada en [23] y un enfoque a optimización multi-objetivo en
[7].
El procedimiento que se describe a continuación y se ilustra en la siguiente página, expone
la implementación desarrollada por Medaglia y Gutiérrez [15] que se propone para este
trabajo. Se empieza por inicializar y evaluar la primera generación de soluciones P (1)
aleatoriamente (pasos 2 y 3). Posteriormente, el siguiente ciclo se realiza hasta alcanzar el
máximo número de generaciones: se aplica el operador de mutación a la población padre
P (t) para crear la población de hijos Cm (t) (paso 5) y el operador de cruce a la población
padre P (t) para crear la población de hijos Cc (t) (Paso 6), para proceder a evaluar la
población total de hijos C(t) (Paso 8). Después se aplica el operador de selección a la
9
II.04(02).107
población producto de la unión de padres e hijos E(t) para formar la población de padres
de la siguiente generación P (t + 1) (pasos 9 y 10).
Algoritmo Evolutivo 1
1: t ← 1
2: Inicializar P (t)
3: Evaluar P (t)
4: while t < T do
5: M utar P (t) y Generar Cm (t)
6: Cruzar P (t) yS Generar Cc (t)
7: C(t) ← Cm (t) Cc (t)
8: Evaluar C(t)S
9: E(t) ← P (t) C(t)
10: Seleccionar P (t + 1) de E(t)
11: T ←t+1
12: end while
~xp = [xp1 , xp2 , ..., xpi , ..., xpL ]T i ∈ {IR U IZ }, p = 1, 2, ..., N (3.1)
Donde:
10
II.04(02).107
cromosoma los genes que presentan más interacción para minimizar problemas de “epis-
tasis” [23] que puedan causar un rompimiento excesivo de bloques de genes con buen
desempeño.
Padres x11 x12 x13 x14 x15 x16 x21 x22 x23 x24 x25 x26
↓ & ↓ .
Hijos x11 x12 x13 x24 x25 x26 x21 x22 x23 x14 x15 x16
11
II.04(02).107
Donde:
β ∼ N(0, σ)
σ = r · ( max{xi } − min{xi } ) xi ∈ Xi
Xi : dominio de xi
r : rango de mutación (i.e., ∼ 10 %)
Para los parámetros (genes) enteros se propone básicamente el mismo operador pero adap-
tado para trabajar sobre un dominio de Z. Para ésto se toma el valor absoluto y se le aplica
12
II.04(02).107
la función techo al cambio β, y se utiliza una variable auxiliar α para obtener valores tanto
positivos como negativos (ver Ecuación 3.3).
xp + α · d|β|e si min{xi } ≤ xpi + α · d|β|e ≤ max{xi }
i
yip = min{xi } si xpi + α · d|β|e < min{xi } xi ∈ Xi (3.3)
xpi + α · d|β|e > max{xi }
max{xi } si
Donde:
+1 con prob = 0,5
α=
−1 con prob = 0,5
β ∼ N(0, σ)
σ = r · ( max{xi } − min{xi } ) xi ∈ Xi
Xi : dominio de xi
r : rango de mutación (i.e., ∼ 10 %)
13
II.04(02).107
Donde:
λ1 + λ2 = 1, λ1,2 ≥ 0
f1 (~xp ) = mp / ( max{m} − min{m} ) m ∈ M
f2 (~xp ) = sp / ( max{s} − min{s} ) s∈S
M : dominio de m
S : dominio de s
Es importante mencionar que esta metodologı́a solo produce soluciones óptimas de Pareto
cuando se trabaja con espacios de solución convexos. Sin embargo, son precisamente los
problemas de diseño que tienen una expresión analı́tica muy compleja o los que no la
tienen, los que se tratan de resolver con la ayuda de FEA. Este detalle dificulta bastante
la demostración formal de convexidad del espacio de solución, razón por la cual se deja a
nivel de hipótesis y se da evidencia experimental sobre esta suposición.
Los valores extremos de los dominios de los criterios de diseño se obtienen utilizando,
independientemente, cada uno de estos criterios como función objetivo del algoritmo evo-
lutivo. Por ejemplo, para el caso del nivel de esfuerzos del material (s), se hace λ2 = 1,
se maximiza f (~xp ) para hallar max{s} y se minimiza f (~xp ) para hallar min{s}.
3.5. Implementación
Tanto la implementación del algoritmo evolutivo como la interfase que lo comunica con
ANSYS se desarrollaron en Java [22], utilizando la librerı́a JGA, que básicamente es
una herramienta genérica para resolver problemas de optimización utilizando algoritmos
evolutivos [15].
3.5.1. JGA
La librerı́a JGA está concebida de manera que el usuario pueda implementar un algoritmo
evolutivo concreto con base en una arquitectura base, como se ilustra en la Figura 7.
De esta manera se reduce el esfuerzo de programación, debido a que gran parte de la
estructura del algoritmo está disponible y sólo se implementan los componentes propios
de la aplicación, que para este caso son:
14
II.04(02).107
Clase RZMain: Clase principal que carga los parámetros de configuración y ejecuta
el algoritmo.
15
II.04(02).107
3.5.2. Interfase
16
II.04(02).107
Capı́tulo IV
Resultados Experimentales
Resultados de otros trabajos con algoritmos evolutivos similares al propuesto, que tam-
bién utilizan selección elitista y competencia inter-generacional (i.e., después de aplicar
los operadores evolutivos, los N mejores individuos son seleccionados de la población de
padres P (t) y la población de hijos C(t) para crear la siguiente generación), son tı́pica-
mente corridos utilizando poblaciones pequeñas (i.e., N ∼50) [23]. Basándose en estos
resultados y teniendo en cuenta la dificultad de una búsqueda metodológica de un tamaño
de población óptimo (similar a la descrita en la Sección 3.3), se utiliza una población de
40 individuos. Se encuentra que para T =50 (máximo número de generaciones) la may-
orı́a de los genes han convergido (aproximadamente el 90 % de la población comparte el
mismo valor de los genes) y ya no se presentan mejoras significativas en la solución.
Los resultados experimentales, junto con el diseño de Calderón [5], se resumen en la Tabla
3. En la Figura 9 se hace una aproximación a lo que se espera sea la frontera de Pareto
(linea ABC) y se observa como la solución de Calderón es dominada por las soluciones
A y B, presentando una disminución de la masa en 15 % y del esfuerzo máximo en 26 %
en el primer caso y una disminución de la masa en 33 % y del esfuerzo máximo en 5 %
en el segundo. Igualmente, todos los puntos en el area sombreada producen una mejorı́a
y está en manos del diseñador decidir cual es la mejor solución (i.e., si se busca un chasis
más liviano y un ahorro de materia prima se darı́a prioridad a la reducción de M y si se
busca un aumento del factor de seguridad del diseño se darı́a prioridad a la reducción de
S). También se observa que no hay evidencia experimental que demuestre la no convex-
idad del espacio de solución, que en caso de confirmarse implicarı́a un problema teórico
(ver Sección 3.4).
17
II.04(02).107
18
II.04(02).107
19
II.04(02).107
Capı́tulo V
Investigación Futura
20
II.04(02).107
Capı́tulo VI
Conclusiones
21
II.04(02).107
Apéndice A
Hipótesis de Carga
La hipótesis de carga utilizada para simular los esfuerzos a los que se somete el chasis en
el caso de una frenada fuerte se ilustra en la Figura 11. Se espera que esta sea la condición
de carga más extrema a la que se pueda enfrentar la estructura (exceptuando un impacto),
aunque esta no es excluyente ya que no se somete al chasis a cargas torsionales como las
que se pueden presentar al tomar una curva.
22
II.04(02).107
Donde:
~g : aceleración gravitacional = 9.8m/s2
m : masadelamotocicleta
c.m. : centro de masa de la motocicleta
~a : desaceleración del c.m. causado por la f renada
de : distancia entre ejes
dl : altura del c.m. con respecto al piso
dcm : distancia horizontal del c.m. al punto de apoyo de la ruedatrasera
F~f d ,f t : f uerza de f ricción delantera, trasera
~ d ,t : f uerzanormal delantera, trasera
N
F~p1 ,p1 : f uerza 1, 2 del piloto sobre el chasis = F~p /2
F~eng1 : f uerza inercial del motor sobre el chasis
F~eng2 : peso del motor sobre el chasis
En el peor de los casos una motocicleta de este tipo puede presentar una desaceleración
~a ' ~g , ver Calderón [5]. Bajo esta suposición, para lograr el equilibrio dinámico, casi
todo el apoyo del vehı́culo sobre la superficie se desplaza a la rueda delantera, por lo que
la fuerza de fricción en esta rueda alcanza su valor máximo F~f d = µ · N ~ d , donde µ es
el coeficiente de fricción entre la llanta y el pavimento (µ ' 1). Igualmente, se tiene
en cuenta en el análisis el peso del piloto sobre el chasis F~p1 , F~p2 (se distribuye en dos
puntos distintos del chasis) y también el peso del motor F~eng2 y su fuerza inercial debido
a la desaceleración F~eng1 .
23
II.04(02).107
Referencias
24
II.04(02).107
[12] Fogel, D., Owens, A.J., and Walsh, M.J. Artificial Intelligence Through Simulated
Evolution. John Wiley, 1 edition, 1966.
[15] Medaglia, A. and Gutierrez, E. Java Genetic Algorithms (JGA). [Libreria de Java],
Bogotá, Colombia, 2004 edition.
[16] Ochoa, G., Harvey, I., and Buxton, H. On recombination and optimal mutation rates.
In Genetic and Evolutionary Computation Conference, pages 488–495, 1999.
[17] Papalambros, P.Y. and Wilde, D.J. Principles of Optimal Design: Modeling and
Computation. Cambridge University Press, 2 edition, 2000.
[19] Reddy, J.N. Introduction to the Finite Element Method. McGraw-Hill Science, 2
edition, 1993.
[21] Shigley, J.E. and Mischke, C.R. Mechanical Engineering Design. McGraw-Hill, 6
edition, 2001.
[22] Sun Microsystems Inc. Java 2 Software Development Kit (J2SDK). [Programa de
Computador], Santa Clara, PA, U.S.A., 1.4.2 03 edition.
[23] Whitey, D. A genetic algorithm tutorial. Statistics and Computing, 4:65–85, 1994.
25