انجمن آکوستیک و ارتعاشات ایران مجله علمی صوت و ارتعاش 2383-1839 14 28 2026 02 20 Modeling vehicle driving parameters to optimize vibrations of cargo types in different frequency ranges using machine learning مدل‌سازی پارامترهای رانندگی خودرو به‌منظور بهینه‌سازی ارتعاشات انواع محموله در بازه‌های فرکانسی مختلف با استفاده از یادگیری ماشین 178 199 733274 FA سلمان ایمان پور دانشجوی دکتری، گروه مهندسی مکانیک، دانشکده فنی و مهندسی، دانشگاه جامع امام حسین (ع)، تهران، ایران 0009-0004-1451-7518 سعید محجوب مقدس دانشیار، گروه مهندسی مکانیک، دانشکده فنی و مهندسی، دانشگاه جامع امام حسین (ع)، تهران، ایران سید محمد مدرس پژوهشگر، گروه مهندسی مکانیک، دانشکده فنی و مهندسی، دانشگاه جامع امام حسین (ع)، تهران، ایران Journal Article 2025 09 30 Vehicle vibrations can significantly impact the health of the vehicle's cargo and its overall performance. This study investigates the effects of tire pressure, vehicle cargo weight, and driving speed on vehicle vibrations using both analytical and experimental methods, aiming to optimize vibration energy in different frequency ranges and determine optimal conditions for two specific types of cargo. By analyzing the interactions between these three factors, this research seeks to identify the main factors influencing vibrations and their potential combined effects, ultimately finding vibrationally optimal states for different cargo types. Vehicle speed, tire pressure, and cargo weight were systematically varied, vibrations were measured, and the impact of each variable and their interactions on vibration levels was assessed. Three factors (speed, tire pressure, and cargo weight) were tested at three levels with four repetitions, totaling 108 experiments. The results show that vehicle speed has the greatest effect. Tire pressure and cargo weight have much smaller effects compared to speed. Also, the vibration level is highest in the vertical direction and lowest in the longitudinal direction of the vehicle. Finally, optimal parameters were calculated for two types of cargo. This was done using both traditional methods and machine learning methods. Among the machine learning methods, the decision tree algorithm, as an interpretable method, has greater accuracy than the traditional method. The results of this research have many applications in UGV, especially tactical UGV that carry sensitive cargo. ارتعاشات خودرو می‌تواند تأثیر زیادی بر سلامت محموله خودرو و عملکرد کلی آن داشته باشند. این مطالعه به بررسی اثرات فشار تایر، وزن محموله خودرو، و سرعت رانندگی بر ارتعاشات خودرو به دو روش تحلیلی و تجربی باهدف بهینه-یابی انرژی ارتعاشات در بازه‌های مختلف فرکانسی پرداخته و شرایط بهینه را برای دو نوع محموله خاص تعیین نموده است. با تحلیل تعاملات بین این سه عامل، این تحقیق به دنبال شناسایی عوامل اصلی تأثیرگذار بر ارتعاشات و تأثیرات ترکیبی احتمالی آن‌ها و در نهایت یافتن حالت‌های بهینه از نظر ارتعاشی برای محموله‌های مختلف است. سرعت، فشار تایر و وزن محموله خودرو به طور مشخصی تغییر داده شده، ارتعاشات اندازه‌گیری و تأثیر هر متغیر و تعاملات آن‌ها بر سطح ارتعاشات ارزیابی شده است. سه عامل (سرعت، فشار تایر و وزن محموله خودرو) در سه سطح با چهار مرتبه تکرار، جمعاً 108 آزمایش انجام شد. نتایج نشان می‌دهد که سرعت خودرو بیشترین اثر را دارد. فشار تایر و وزن محموله خودرو اثر بسیار کمتری نسبت به‌سرعت دارند. همچنین سطح ارتعاشات در جهت عمودی بیشترین و در جهت طولی خودرو کمترین مقدار است. در‌آخر برای دو نوع محموله پارامترهای بهینه محاسبه گردید. این کار با روش سنتی و روش یادگیری ماشین انجام شد. از بین روش‌های یادگیری ماشین، الگوریتم درخت تصمیم به عنوان روشی قابل تفسیر، دقت بیشتری نسبت به روش سنتی دارد. نتایج این پژوهش در خودروهای خودران علی الخصوص خودروهای خودران تاکتیکی که محموله‌های حساسی دارند، کاربرد بسیاری دارد. https://jvs.isav.ir/article_733274_4e5b410faf8d9732f897ac5c1d540489.pdf