دانشگاه تربیت مدرس مهندسی مکانیک مدرس 2476-6909 26 5 2026 04 21 Numerical study of the effect of specularity coefficient in Eulerian–Eulerian simulation of spouted fluidized beds مطالعه عددی اثر ضریب انعکاسی در شبیه‌سازی اویلری-اویلری هیدرودینامیک بستر سیال فورانی 293 305 28235 10.48311/mme.2026.118839.82944 FA حامد خسروی بیژائم گروه مهندسی مکانیک، دانشکده مهندسی مکانیک و مواد، دانشگاه صنعتی بیرجند، بیرجند، ایران 0000-0001-6879-5741 Journal Article 2026 01 11 The hydrodynamics of gas–solid two-phase flow in a spouted fluidized bed was numerically investigated using the Eulerian–Eulerian model. In this study, the effect of the specularity coefficient, which represents the degree of tangential momentum transfer during particle–wall collisions, was examined. Two-dimensional simulations were carried out using the kinetic theory of granular flow for the solid phase, and the obtained results were compared with available experimental data as well as numerical results based on the Eulerian–Lagrangian approach. Different values of the specularity coefficient (0.005, 0.01, 0.05, and 0.5) were considered, and their effects on the hydrodynamics of gas–solid flow at different bed heights were analyzed. By comparing the present results with previous Eulerian–Lagrangian simulations, the maximum deviation in the time-averaged vertical particle mass flux was found to be 6.5% at the bed center and 18.1% near the wall. In addition, the differences in the time-averaged vertical air velocity at the bed center ranged from 5.7% to 20.4% at different heights. These discrepancies can be attributed to factors such as the drag correlation, solid restitution coefficients, and solid pressure and viscosity models, which were not examined in the present study. The results indicate that increasing the specularity coefficient enhances particle–wall friction, leading to a reduction in the solid volume fraction and solid velocity near the wall. Based on the obtained data, specularity coefficients of 0.05 and 0.5 show the best agreement with experimental measurements and Eulerian–Lagrangian model predictions. هیدرودینامیک جریان دوفازی گاز-جامد در بستر سیال فورانی به صورت عددی با مدل اویلری-اویلری بررسی شده است. در این پژوهش اثر ضریب انعکاسی مورد مطالعه قرار گرفته که بیانگر میزان انتقال تکانه مماسی برخورد ذره -دیوار است. شبیه‌سازی به صورت دوبعدی با استفاده از تئوری جنبشی جریان دانه‌ای برای فاز جامد انجام و نتایج حاصل با داده‌های تجربی و عددی دیدگاه اویلری-لاگرانژی مقایسه شده است. مقادیر مختلف ضریب انعکاسی (005/0، 01/0، 05/0 و 5/0) در نظر گرفته شده و اثر آن روی هیدرودینامیک جریان دوفازی گاز-جامد در ارتفاع‌های مختلف بستر بررسی شده است. با مقایسه نتایج روش حاضر با شبیه‌سازی اویلری-لاگرانژی مطالعات پیشین، بیشترین اختلاف برای متوسط زمانی شار جرمی عمودی ذرات در مرکز بستر 6.5% و در نزدیکی دیوار 18.1% مشاهده شد. اختلاف بین نتایج متوسط زمانی سرعت عمودی هوا در مرکز بستر از 5.7% تا 20.4% برای ارتفاع‌های مختلف بدست آمد. از مهمترین دلایل تفاوت بین نتایج می‌توان به تأثیر کمیت‌هایی مانند تابع پسا، ضرایب بازگشت جامد، مدلهای فشار و لزجت جامد اشاره کرد که در این پژوهش بررسی نشده است. یافته‌ها نشان می‌دهد افزایش ضریب انعکاسی سبب افزایش اصطکاک بین ذره و دیوار و در نتیجه کاهش کسر حجمی فاز جامد و کاهش سرعت جامد در نزدیکی دیوار می‌شود. با توجه به داده‌های بدست آمده، مقدار ضریب انعکاسی 05/0 و 5/0 بهترین انطباق را با نتایج آزمایشگاهی و مدل اویلری-لاگرانژی نشان می‌دهد. https://mme.modares.ac.ir/article_28235_408e9a2230d37f5dc50fe7c5a03322c1.pdf

دانشگاه تربیت مدرس مهندسی مکانیک مدرس 2476-6909 26 5 2026 04 21 Evaluation and Prediction of Surface Roughness and Microhardness in the Deep Ball Burnishing Process Using Machine Learning Approach ارزیابی و پیش‌بینی زبری و میکروسختی سطح در فرآیند بال‌برنیشینگ عمیق با رویکرد یادگیری ماشین 307 323 28202 10.48311/mme.2026.118727.82926 FA جواد کاظمی دانشگاه تربیت مدرس- دانشکده فنی و مهندسی- دانشکده مهندسی مکانیک امیر راستی دانشگاه تربیت مدرس- دانشکده فنی و مهندسی- دانشکده مهندسی مکانیک علیرضا زرهون دانشگاه تربیت مدرس- دانشکده فنی و مهندسی- دانشکده مهندسی مکانیک Journal Article 2026 01 06 Surface quality of engineering components directly affects their performance and service life. Conventional machining processes, particularly under conditions that induce high surface roughness and tensile residual stresses, are often unable to ensure the desired final surface quality. Consequently, the application of surface enhancement techniques such as deep ball burnishing (DBB) is essential for improving surface integrity. In this study, the combined effects of key DBB process parameters, including ball diameter, penetration depth, and feed rate, on surface quality indices—Ra, Rz, and surface microhardness—were analyzed. Advanced machine learning models were employed for predictive modeling, with the SVR model demonstrating the best performance, achieving R² values of 0.925, 0.942, and 0.910 for Ra, Rz, and microhardness, respectively. Although the XGBoost model also produced acceptable predictions, its accuracy was lower than that of SVR. The use of partial dependence plots (PDPs) enabled a quantitative assessment of the relative influence of the input parameters, revealing that burnishing penetration depth was the dominant factor for all outputs, accounting for approximately 41–47% of the predicted variations in surface quality. Nevertheless, ball diameter and feed rate also exhibited substantial contributions, each ranging from approximately 23–30%, highlighting their non-negligible roles in DBB process control and optimization. Overall, this study presents a novel machine-learning-based framework for analyzing and optimizing the DBB process to enhance surface quality. کیفیت سطح قطعات به‌طور مستقیم بر عملکرد و طول عمر آن‌ها تأثیر می‌گذارد. فرایندهای ماشین‌کاری متداول، به‌ویژه در شرایطی که زبری سطح بالا و تنش‌های کششی ایجاد می‌شود، قادر به تضمین کیفیت نهایی سطح نیستند. در نتیجه، استفاده از روش‌های اصلاح سطح مانند بال‌برنیشینگ عمیق (DBB) برای بهبود کیفیت سطح ضروری است. در این مطالعه، اثر هم‌زمان پارامترهای مؤثر در DBB شامل قطر گوی، عمق نفوذ و نرخ پیشروی بر شاخص‌های کیفیت سطح؛ Ra، Rz و میکروسختی سطح، مورد تحلیل قرار گرفت. با استفاده از مدل‌های پیشرفته یادگیری ماشین، به‌ویژه مدل SVR، پیش‌بینی دقیقی از این شاخص‌ها انجام شد. مدل SVR با R² برابر با 0.925، 0.942 و 0.91 به‌ترتیب برای Ra، Rz و میکروسختی، بهترین عملکرد را از خود نشان داد. همچنین مدل XGBoost نیز نتایج قابل قبولی داشت، اما دقت آن در مقایسه با مدل SVR پایین‌تر بود. به‌کارگیری نمودارهای وابستگی جزئی، امکان ارزیابی کمّی اثرات نسبی پارامترهای ورودی را فراهم کرد، به‌گونه‌ای که عمق نفوذ برنیشینگ به‌عنوان پارامتر غالب در تمامی خروجی‌ها شناسایی شد و در حدود 41 تا 47 درصد از تغییرات پیش‌بینی‌شده کیفیت سطح را به خود اختصاص داد. با این حال، قطر گوی و نرخ پیشروی نیز با سهم‌های قابل‌توجه، هر یک در بازه‌ای حدود 23 تا 30 درصد، تأثیر معناداری بر پارامترهای کیفیت سطح نشان دادند که بیانگر نقش غیرقابل‌چشم‌پوشی آن‌ها در تنظیم و بهینه‌سازی فرایند DBB است. در مجموع، این مطالعه یک رویکرد نوین با استفاده از مدل‌های یادگیری ماشین برای تحلیل و بهینه‌سازی فرایند DBB و بهبود کیفیت سطح ارائه می‌دهد. https://mme.modares.ac.ir/article_28202_37da327024595cdb77d6fd933f43d6b9.pdf

دانشگاه تربیت مدرس مهندسی مکانیک مدرس 2476-6909 26 5 2026 04 21 Vibrational Analysis of Rotating Sandwich Beams with Variable Thickness and An Auxetic Core with Metallic Facesheets تحلیل ارتعاشاتی تیرهای ساندویچی دوار با ضخامت متغیر و هسته‌ی آگزتیک دارای رویه‌های فلزی 325 344 28136 10.48311/mme.2026.118587.82921 FA زهرا خدامی مرقی گروه مهندسی مکانیک، دانشکده مهندسی، مرکز آموزش عالی محلات، محلات، ایران احسان آرشید گروه مهندسی مکانیک، دانشکده مهندسی، مرکز آموزش عالی محلات، محلات، ایران 0000-0002-7731-7386 Journal Article 2025 12 29 The present study investigates the dynamic behavior of rotating sandwich beams with variable thickness, consisting of an auxetic core (either extensional or high-damping elastomeric) and metallic face sheets. Such structures are increasingly employed in aerospace, automotive, and advanced rotating tool applications. The modeling is carried out using higher-order shear deformation theory, and the governing equations are derived via Hamilton’s principle and solved using the generalized differential quadrature method. Numerical results indicate that increasing the angular velocity leads to a pronounced rise in natural frequencies due to the centrifugal stiffening effect, whereas increasing the tapering parameter results in a reduction of the frequencies owing to the decrease in bending stiffness. In addition, increasing the aspect ratio of the auxetic cell dimensions and decreasing the cell re-entrant angle significantly enhance the natural frequencies. The choice of different metals for the face sheets also has a notable influence on the vibrational response, with steel providing the greatest increase in natural frequency. These findings not only contribute to a deeper understanding of the vibrational behavior of auxetic structures under rotational conditions, but also facilitate the design of advanced systems in the aforementioned industries. پژوهش حاضر به تحلیل دینامیکی تیرهای ساندویچی دوار با ضخامت متغیر می‌پردازد که از یک هسته‌ی آگزتیک (اکستنشنال یا الاستومر با میرایی بالا) و رویه‌های فلزی تشکیل شده‌اند. این ساختارها به‌طور فزاینده‌ای در صنایع هوافضا، خودروسازی و ابزارهای دوار پیشرفته مورد استفاده قرار می‌گیرند.مدل‌سازی با بهره‌گیری از تئوری تغییر شکل برشی مرتبه بالا انجام شده و معادلات حاکم با استفاده از اصل همیلتون استخراج و به روش مربعات تفاضلی تعمیم‌یافته حل شده‌اند. نتایج عددی نشان دادند که افزایش سرعت زاویه‌ای منجر به افزایش چشمگیر فرکانس طبیعی به‌واسطه پدیده سفت‌شوندگی گریز از مرکز می‌شود، در حالی‌که افزایش پارامتر باریک‌شدگی موجب کاهش فرکانس به‌دلیل کاهش سختی خمشی سازه است. همچنین، افزایش نسبت ابعاد سلول‌های آگزتیک و کاهش زاویه انحنای سلول‌ها منجر به افزایش محسوس فرکانس طبیعی شده است. انتخاب فلزات مختلف برای پوسته‌ها نیز تأثیر قابل‌توجهی در پاسخ ارتعاشی داشته، به‌طوری‌که استفاده از فولاد موجب بیشترین افزایش در فرکانس طبیعی گردید. این یافته‌ها نه‌تنها به درک عمیق‌تری از رفتار ارتعاشی سازه‌های آگزتیک در شرایط دوار کمک می‌کنند، بلکه مسیر طراحی سامانه‌های پیشرفته در صنایع مورد اشاره را هموار می‌سازند. https://mme.modares.ac.ir/article_28136_62e0f0199800c074f93589f48fa8d509.pdf

دانشگاه تربیت مدرس مهندسی مکانیک مدرس 2476-6909 26 5 2026 04 21 A Comprehensive Review of Catalytic Supports in Methane Combustion مروری جامع بر پایه‌های کاتالیستی در احتراق متان 345 381 28218 10.48311/mme.2026.118432.82916 FA رضا کشاورزی دانشکده مهندسی مکانیک، دانشگاه علم و صنعت ایران، تهران، ایران محمدمهدی نمازی پژوهشکده مهندسی مکانیک، سازمان پژوهش‌هاى علمى و صنعتى ایران، تهران، ایران 0000-0002-6753-8804 سیدمصطفی حسینعلی‌پور دانشکده مهندسی مکانیک، دانشگاه علم و صنعت ایران، تهران، ایران 0000-0002-6128-8920 Journal Article 2025 12 21 With the growing demand for low-carbon alternative fuels, natural gas (primarily methane) has emerged as a clean and reliable option. Catalytic combustion of methane, due to its occurrence at lower temperatures and significant reduction in pollutants such as NOx and CO, serves as an efficient alternative to conventional thermal combustion. This article provides a targeted review of heterogeneous catalytic supports used in this process. Initially, common supports, including carbon-based and ceramic-based materials, were systematically examined. The primary focus was on gamma-alumina as the most widely used industrial support, which, despite its high specific surface area and suitable stability, undergoes sintering, loss of surface area, and phase transition from γ to α at elevated temperatures, severely impairing catalyst performance. Deactivation factors and their mechanisms were analyzed, with impurity doping identified as the most effective strategy for enhancing thermal stability, preserving porosity, and delaying phase transition. Numerous studies demonstrate that targeted impurity doping not only increases the thermal stability of gamma-alumina beyond 1200 °C but also, by maintaining specific surface area and porous structure, enables the design of industrial catalysts with more stable performance and extended lifespan in the complete catalytic combustion of methane. با افزایش تقاضا برای سوخت‌های جایگزین کم‌کربن، گاز طبیعی (عمدتاً متان) به‌عنوان گزینه‌ای پاک و قابل اتکا مطرح شده است. احتراق کاتالیستی متان، به‌دلیل انجام واکنش در دماهای پایین‌تر و کاهش چشمگیر آلاینده‌هایی نظیر NOx و CO، جایگزین کارآمدی برای احتراق حرارتی معمولی به‌شمار می‌رود. این مقاله مروری هدفمند بر پایه‌های کاتالیستی ناهمگن مورد استفاده در این فرآیند ارائه می‌دهد. ابتدا پایه‌های رایج شامل مواد کربنی و سرامیکی به‌طور سیستماتیک بررسی شدند. تمرکز اصلی بر گاما آلومینا به‌عنوان پرکاربردترین پایه صنعتی قرار گرفت که علی‌رغم سطح ویژه بالا و پایداری مناسب، در دماهای بالا دچار تف‌جوشی، کاهش سطح ویژه و انتقال فاز γ به α می‌شود و عملکرد کاتالیست را به‌شدت کاهش می‌دهد. عوامل غیرفعال‌سازی کاتالیست‌ها و مکانیزم‌های آن‌ها تحلیل شد و دوپینگ ناخالصی به‌عنوان مؤثرترین راهکار برای افزایش پایداری حرارتی، حفظ تخلخل و به تأخیر انداختن انتقال فاز معرفی گردید. مطالعات متعدد نشان می‌دهند که دوپینگ هدفمند ناخالصی‌ها نه‌تنها پایداری حرارتی گاما آلومینا را تا بیش از ۱۲۰۰ درجه سلسیوس افزایش می‌دهد، بلکه با حفظ سطح ویژه و ساختار متخلخل، امکان طراحی کاتالیست‌های صنعتی با عملکرد پایدارتر و طول عمر طولانی‌تر در فرآیند احتراق کامل متان را فراهم می‌سازد. https://mme.modares.ac.ir/article_28218_39be6dbacdeec1f3b356adfa6c5075b5.pdf

دانشگاه تربیت مدرس مهندسی مکانیک مدرس 2476-6909 26 5 2026 04 21 Design and Simulation of an Autonomous System Using Reinforcement Learning for Articulated Vehicle Pose Adjustment طراحی و شبیه‌سازی سیستم خودکار مبتنی بر یادگیری تقویتی برای تنظیم موقعیت خودروهای مفصلی 383 399 27870 10.48311/mme.2025.117147.82868 FA معین قنبری سنجگانی گروه مهندسی مکانیک، دانشگاه تربیت مدرس، تهران، ایران مجید ساده دل گروه مهندسی مکانیک، دانشگاه تربیت مدرس، تهران، ایران 0000-0002-0285-8460 Journal Article 2025 10 19 Automatic posture adjustment is a key application in the domain of intelligent vehicles, playing a fundamental role in enhancing safety and optimizing vehicle maneuvering operations. Articulated Vehicles (AVs), due to their high degrees of freedom and the complex, nonlinear dynamics resulting from the joint between the tractor and trailer, present a more challenging control problem compared to rigid vehicles. The objective of this research is to design and simulate an automatic control system for articulated vehicle posture adjustment utilizing a Deep Reinforcement Learning (DRL) framework. This system can also serve as a foundation for more advanced applications, such as autonomous parking.<br><br>In this study, the precise modeling of articulated vehicle dynamics and the jackknifing phenomenon was initially carried out. The developed model was validated using the specialized software, TruckSim. Subsequently, to reduce computational complexity, the learning process was segmented into two distinct phases: maneuver preparation and final posture adjustment. For training the intelligent agent, Deep Deterministic Policy Gradient (DDPG) and Twin Delayed DDPG (TD3) algorithms were employed, which were optimized with neural networks comprising three to five hidden layers. Evaluation results indicated that the TD3 algorithm, owing to its superior ability to maintain the stability of the learning process, outperformed DDPG. Ultimately, the proposed control system, with the optimal structure for each phase, achieved success rates of 96.6% in the preparation phase and 94.6% in the final adjustment phase, thereby confirming the high efficiency and reliability of the DRL-based system in addressing the control challenges of articulated vehicles. تنظیم موقعیت خودکار یکی از کاربردهای کلیدی در حوزه خودروهای هوشمند است که در افزایش ایمنی و بهینه‌سازی عملیات مانور وسایل نقلیه نقش اساسی دارد. خودروهای مفصلی به دلیل برخورداری از درجه آزادی بالا و دینامیک پیچیده و غیرخطی ناشی از مفصل بین کشنده و تریلر، کنترل دشوارتری نسبت به خودروهای صلب دارند. هدف از این پژوهش، طراحی و شبیه‌سازی یک سیستم کنترل خودکار برای تنظیم موقعیت خودروهای مفصلی با بهره‌گیری از چارچوب یادگیری تقویتی عمیق است. این سیستم می‌تواند به عنوان زیربنایی برای کاربردهای پیشرفته‌تر نظیر پارک خودکار مورد استفاده قرار گیرد.در این مطالعه، ابتدا مدل‌سازی دقیق دینامیک حرکت خودروی مفصلی و پدیده قیچی‌شدن انجام گرفت و مدل توسعه‌یافته با استفاده از نرم‌افزار تخصصی صحت‌سنجی شد. سپس، فرآیند یادگیری به منظور کاهش پیچیدگی محاسباتی، به دو فاز مجزا (آماده‌سازی مانور و تنظیم نهایی موقعیت) تقسیم شد. برای آموزش عامل هوشمند در این دو فاز، از الگوریتم‌های گرادیان سیاست قطعی عمیق (DDPG) و گرادیان سیاست قطعی عمیق دوگانه تأخیری (TD3)، که با شبکه‌های عصبی شامل ۳ تا ۵ لایه نهان بهینه‌سازی شدند، استفاده گردید. نتایج ارزیابی‌ها نشان داد که الگوریتم TD3، به دلیل توانایی بالاتر در حفظ پایداری فرآیند یادگیری، عملکرد بهتری نسبت به DDPG ارائه می‌دهد. در نهایت، سیستم کنترل پیشنهادی با ساختار بهینه برای هر فاز، موفقیت‌هایی به ترتیب ۹۶.۶٪ در فاز آماده‌سازی و ۹۴.۶٪ در فاز تنظیم نهایی را کسب کرد که کارایی بالا و قابلیت اطمینان سیستم مبتنی بر DRL در مواجهه با چالش‌های کنترلی خودروهای مفصلی را تأیید می‌کند. https://mme.modares.ac.ir/article_27870_a28477d0c57129b93d95baf171634582.pdf

دانشگاه تربیت مدرس مهندسی مکانیک مدرس 2476-6909 26 5 2026 04 21 Investigating Thermal Conductivity in Doped Carbon Nanotubes: An Interpretable Hybrid Approach Combining Machine Learning and Molecular Dynamics بررسی رسانش حرارتی در نانولوله‌های کربنی آلاییده: رویکرد ترکیبی تفسیرپذیر از یادگیری ماشین و شبیه‌سازی دینامیک مولکولی 401 411 28209 10.48311/mme.2026.96924.0 FA هدی قوامی نیا مرکز تحقیقات مواد و انرژی، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران Journal Article 2025 08 30 Accurate prediction of thermal conductivity (κ) in doped carbon nanotubes (CNTs) is crucial for advanced thermal management in nanoelectronics. While molecular dynamics (MD) simulations provide physical insights, they are computationally expensive for high-throughput screening. In this study, we propose a Graph Neural Network (GNN) framework to predict the thermal conductivity of nitrogen-doped CNTs under varying strain and doping conditions. A dataset of 5,000 configurations is generated using MD simulations with the AIREBO potential, covering a wide range of chiralities, nitrogen doping concentrations (0–5.%), and tensile strains (0–8%). The GNN model, based on a Message Passing Neural Network (MPNN) architecture, achieves a root mean square error (RMSE) of 0.14 W/mK and a coefficient of determination (R²) of 0.99 on the test set, demonstrating exceptional predictive accuracy. Interpretability analysis via Gradient-weighted Class Activation Mapping (Grad-CAM) reveals that nitrogen atoms and their adjacent strained carbon bonds are the primary phonon scattering centers, significantly reducing κ. Sensitivity analysis confirms that doping concentration and tube diameter are the most influential parameters. The proposed hybrid MD-GNN framework enables rapid and physically interpretable prediction of thermal properties, offering a powerful tool for the design of intelligent thermal materials and strain-based nanosensors. پیش‌بینی دقیق هدایت حرارتی (κ) در نانولوله‌های کربنی آلاییده (CNTs) برای مدیریت حرارتی پیشرفته در نانوالکترونیک حیاتی است. اگرچه شبیه‌سازی‌های دینامیک مولکولی (MD) بینش فیزیکی ارائه می‌دهند، اما برای غربالگری سریع از نظر محاسباتی پرهزینه هستند. در این مطالعه، یک چارچوب شبکه عصبی گرافی  (GNN) برای پیش‌بینی هدایت حرارتی نانولوله‌های کربنی آلاییده با نیتروژن تحت شرایط مختلف کرنش و آلایش ارائه می‌دهیم. مجموعه‌ داده‌ای متشکل از 5000 پیکربندی با استفاده از شبیه‌سازی‌های MD و پتانسیل آریبو (AIREBO) تولید شده است که طیف وسیعی از کایرالیته‌ها، غلظت‌های آلایش نیتروژن (0 تا 5 درصد اتمی) و کرنش‌های کششی (0 تا 8 درصد) را پوشش می‌دهد. مدل GNN، مبتنی بر معماری MPNN، خطای جذر میانگین مربعات( RMSE)  برابر با 0.14 W/mK و ضریب تعیین R² برابر با 0.99 روی مجموعه آزمون به‌دست آورده است که نشان‌دهنده دقت بسیار بالای پیش‌بینی است. تحلیل تفسیرپذیری با استفاده از Grad-CAM نشان می‌دهد که اتم‌های نیتروژن و پیوندهای کربنی کشیده مجاور آن‌ها، مراکز اصلی پراکندگی فونون بوده و به‌طور قابل توجهی κ را کاهش می‌دهند. تحلیل حساسیت تأیید می‌کند که غلظت آلایش و قطر لوله تأثیرگذارترین پارامترها هستند. چارچوب ترکیبی MD-GNN پیشنهادی، امکان پیش‌بینی سریع و تفسیرپذیر خواص حرارتی را فراهم می‌کند و ابزاری قدرتمند برای طراحی مواد حرارتی هوشمند و نانوحسگرهای مبتنی بر کرنش ارائه می‌دهد. https://mme.modares.ac.ir/article_28209_7c88b74f49d5cfac39702e8e947cb0c0.pdf