Development and Optimization for a New Planar Spring Using Finite Element Method, Deep Feedforward Neural Networks, and Water Cycle Algorithm

Table 4

Data normalization results.

No.	t (mm)	L (mm)	(mm)	r (mm)	ZY1	ZY2	ZY3
1	1	45	9	0.1	0.455413	0.6323	0.576281
2	1	45	9	0.2	0.450836	0.526193	0.607891
3	1	45	9	0.3	0.448018	0.311552	0.61614
4	1	45	11.5	0.1	0.320976	0.427805	0.364101
5	1	45	11.5	0.2	0.317413	0.347973	0.353273
6	1	45	11.5	0.3	0.315212	0.181424	0.358205
7	1	45	14	0.1	0.235231	0.296911	0.221928
8	1	45	14	0.2	0.232317	0.23419	0.236814
9	1	45	14	0.3	0.230512	0.098823	0.240229
10	1	50	9	0.1	0.697795	0.58378	0.793455
11	1	50	9	0.2	0.690305	0.87484	0.788362
12	1	50	9	0.3	0.686964	0.382103	0.796611
13	1	50	11.5	0.1	0.509045	0.395642	0.509961
14	1	50	11.5	0.2	0.503202	0.620722	0.507082
15	1	50	11.5	0.3	0.500605	0.236787	0.512397
16	1	50	14	0.1	0.388511	0.274366	0.319614
17	1	50	14	0.2	0.383729	0.456231	0.317926
18	1	50	14	0.3	0.381607	0.143857	0.321325
19	1	55	9	0.1	1	0.825217	0.990146
20	1	55	9	0.2	0.989264	1	0.990201
21	1	55	9	0.3	0.983722	0.452677	1
22	1	55	11.5	0.1	0.743731	0.578573	0.642269
23	1	55	11.5	0.2	0.735339	0.718926	0.642934
24	1	55	11.5	0.3	0.731016	0.291875	0.6493
25	1	55	14	0.1	0.579873	0.420637	0.408266
26	1	55	14	0.2	0.573017	0.536853	0.409069
27	1	55	14	0.3	0.569486	0.188959	0.413193
28	1.2	45	9	0.1	0.211115	0.344738	0.308061
29	1.2	45	9	0.2	0.20969	0.156502	0.297797
30	1.2	45	9	0.3	0.20657	0.151926	0.29111
31	1.2	45	11.5	0.1	0.131704	0.208931	0.16958
32	1.2	45	11.5	0.2	0.130595	0.064081	0.163358
33	1.2	45	11.5	0.3	0.128157	0.059143	0.159261
34	1.2	45	14	0.1	0.081064	0.121993	0.106221
35	1.2	45	14	0.2	0.080162	0.004828	0.101843
36	1.2	45	14	0.3	0.078166	0	0.098942
37	1.2	50	9	0.1	0.352962	0.414756	0.405415
38	1.2	50	9	0.2	0.350318	0.305285	0.393164
39	1.2	50	9	0.3	0.346723	0.204103	0.384805
40	1.2	50	11.5	0.1	0.241771	0.264141	0.252945
41	1.2	50	11.5	0.2	0.239696	0.17795	0.244896
42	1.2	50	11.5	0.3	0.236894	0.100104	0.239366
43	1.2	50	14	0.1	0.170752	0.166874	0.15021
44	1.2	50	14	0.2	0.169074	0.095987	0.144978
45	1.2	50	14	0.3	0.166762	0.033247	0.141319
46	1.2	55	9	0.1	0.527587	0.522333	0.512674
47	1.2	55	9	0.2	0.524879	0.257953	0.501159
48	1.2	55	9	0.3	0.520177	0.251858	0.489921
49	1.2	55	11.5	0.1	0.377332	0.350424	0.325289
50	1.2	55	11.5	0.2	0.375226	0.143974	0.317715
51	1.2	55	11.5	0.3	0.371568	0.13748	0.310275
52	1.2	55	14	0.1	0.281294	0.238092	0.198837
53	1.2	55	14	0.2	0.279568	0.070177	0.193916
54	1.2	55	14	0.3	0.276575	0.063897	0.189
55	1.4	45	9	0.1	0.085862	0.182845	0.106902
56	1.4	45	9	0.2	0.084279	0.189076	0.076471
57	1.4	45	9	0.3	0.082632	0.156857	0.06783
58	1.4	45	11.5	0.1	0.034684	0.083379	0.045432
59	1.4	45	11.5	0.2	0.033449	0.088384	0.026382
60	1.4	45	11.5	0.3	0.032167	0.063523	0.021134
61	1.4	45	14	0.1	0.002052	0.019598	0.017475
62	1.4	45	14	0.2	0.001045	0.023819	0.003807
63	1.4	45	14	0.3	0	0.003565	0
64	1.4	50	9	0.1	0.176041	0.236076	0.150963
65	1.4	50	9	0.2	0.174141	0.203515	0.105286
66	1.4	50	9	0.3	0.171955	0.209182	0.10099
67	1.4	50	11.5	0.1	0.104642	0.125344	0.082888
68	1.4	50	11.5	0.2	0.103169	0.100551	0.051898
69	1.4	50	11.5	0.3	0.101459	0.104753	0.049279
70	1.4	50	14	0.1	0.05907	0.053648	0.03731
71	1.4	50	14	0.2	0.057851	0.033762	0.01654
72	1.4	50	14	0.3	0.056457	0.036978	0.014873
73	1.4	55	9	0.1	0.287628	0.291869	0.158143
74	1.4	55	9	0.2	0.28511	0.214402	0.146567
75	1.4	55	9	0.3	0.282466	0.248249	0.136425
76	1.4	55	11.5	0.1	0.191274	0.168938	0.087305
77	1.4	55	11.5	0.2	0.18931	0.108901	0.079655
78	1.4	55	11.5	0.3	0.187252	0.135287	0.07284
79	1.4	55	14	0.1	0.129693	0.089309	0.040327
80	1.4	55	14	0.2	0.128077	0.040752	0.035245
81	1.4	55	14	0.3	0.126399	0.061961	0.030667