Automated Design Optimization of Side View Mirror Geometries for Improved Autonomous Sensor and Vehicle Soiling Performance
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">The use of sensors in advanced driver-assistance systems (ADAS) and autonomous vehicles has been accelerating over the past few years largely driven by regulatory and consumer interest in safety applications. These sensors help to prevent accidents and protect drivers by assisting with the monitoring, warning, braking, and steering tasks. As several unfortunate examples have highlighted these valuable systems can reduce safety if the sensors are not operating un-impaired. Planning for harsh weather environments is critical to the success of these systems. This study presents a fully automated workflow for an industrial side mirror geometry optimization for improved sensor performance under soiling conditions. The methodology includes CAD parametrization, multiphase simulation setup, intelligent design optimization and a detailed result analysis. All relevant aspects like external flow, geometrical fidelity and multiphase interaction are considered. A source term is applied to a fluid film model that approximates the effect of raindrops accumulating on the side view mirror. The average fluid film thickness on the camera lens is monitored and a numerical integration of the mean thickness vs time is used to compare designs. The parametric mirror geometry modifies the depth, location, and shape of trench surrounding the camera mound. This design concept is intended to capture and redirect the fluid film to avoid contact with the camera lens. The parametrized, lower part of the side mirror is modified by the optimization algorithm resulting in a 26% decrease in the time integral of the film thickness on the camera lens.</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.
Comment cette classification a été obtenuedéplier
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».