Lightweight Optimal Design of a Rear Bumper System Based on Surrogate Models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">A bumper system plays a significant role in absorbing impact energy and buffering the impact force. Important performance measures of an automotive bumper system include the maximum intrusions, the maximum absorbed energy, and the peak impact force. Finite element analysis (FEA) of crashworthiness involve geometry-nonlinearity, material-nonlinearity, and contact-nonlinearity. The computational cost would be prohibitively expensive if structural optimization directly perform on these highly nonlinear FE models. Solving crashworthiness optimization problems based on a surrogate model would be a cost-effective way. This paper presents a design optimization of an automotive rear bumper system based on the test scenarios from the Research Council for Automobile Repairs (RCAR) of Europe. Three different mainstream surrogate models, Response Surface Method (RSM), Kriging method, and Artificial Neural Network (ANN) method were compared. First, design of experiment (DOE) was conducted to collect sample data which are used to build the three surrogate models. Accuracy of each surrogate model was then evaluated based on the root mean square error (RMSE), and the most effective surrogate model that approximates crashworthiness behavior of the rear bumper system was determined. Lastly, optimization was performed on the chosen surrogate model instead of the actual FE model to achieve an optimum lightweight design of the rear bumper system.</div></div>
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle