Using Artificial Intelligence to Aid Vehicle Lightweighting in Crashworthiness with Aluminum
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
Significant efforts have been made in the automotive industry to reduce vehicle weight in order to improve vehicle fuel economy and reduce greenhouse gas emissions. New innovations in structural lightweight alloys and manufacturing techniques have allowed automakers to replace conventional steel with lighter aluminum structures. However, automakers have an enormous number of material and gauge thickness combinations to consider in the development process of the next generation production vehicle. Furthermore, the design combination of these materials and structures must not compromise the integrity of the vehicle during a vehicle collision. With the proliferation of inexpensive computational resources, automakers can now explore the effect of material selection on the crashworthiness of next-generation vehicles using computer simulations. While information from these simulations can be manually extracted, the vast amount of data lends itself to artificial intelligence (AI) techniques that can extract knowledge faster and provide more useful interpretations that can be convenient for designers and engineers. This work presents a framework for using artificial intelligence to aid the vehicle design cycle in crashworthiness using aluminum. Virtual experiments of a frontal crash condition of a pick-up truck are performed using finite element analysis to generate the data for this method. Different commercially available aluminum alloys and gauge thicknesses are varied in the virtual experiments. An advanced type of recurrent neural network is used to predict the time-series response of the occupant crash-pulse response, which is a key crashworthiness metric that is used for evaluating safety. This work highlights how automotive designs and engineers can leverage this framework to accelerate the development cycle of the next-generation lightweight vehicle.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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