Front Underride Protection Devices (FUPDs): Multi-Objective Optimization
Notice bibliographique
Résumé
This work investigates a multi-objective optimization approach for minimizing design parameters for Front Underride Protection Devices (FUPDs). FUPDs are a structural element for heavy vehicles to improve crashworthiness and prevent underride in head-on collision with another vehicle. The developed dsFUPD F9 design for a Volvo VNL was subjected to modified ECE R93 testing with results utilized in the optimization process. The optimization function utilized varying member thickness to minimize deformation and system mass. Enhancements to the function were investigated by introducing variable materials and objectifying material cost. Alternative approaches for optimization was also needed to be explored. Metamodel-based and Direct simulation optimization strategies were compared to observe there performance and optimal designs. NSGA-II, SPEA-II Genetic Algorithms and Adaptive Simulated Annealing algorithms were under investigation in combination with three meta-modeling techniques. Leapfrog LFOPC algorithm hybridized forms of Genetic Algorithms and Adaptive Simulated annealing was also investigated. Crash worthiness of the optimal design was analyzed through varying collision scenarios using FEA models of a Toyota Yaris and Ford Taurus in LS-DYNA with the aid of occupant compartment intrusion evaluations and collision compatibility profiles. Direct simulation optimization with a NSGA-II approach improved the dsFUPD F9 design. This approach reduced the system mass and cost, while maintaining the modified ECE R93 requirements and crashworthiness. In final, the addition of various materials and a cost objective to the multi-objective optimization function improved the minimization of search space and progression for optimal design. Future works should investigate material selection for crashworthiness and cost effectiveness for FUPDs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».