Multi-Material Topology Optimization Considering Crashworthiness
Notice bibliographique
Résumé
There is an increasing need for lightweight structures in the transportation industry, and within these lightweight structures occupant safety is continually important to all stakeholders. Standard single and multi-material topology optimization (MMTO) techniques are effective for designing lightweight structures subjected to linear objectives and constraints but cannot consider crashworthiness. Crashworthiness must be evaluated using explicit dynamic simulation techniques, as a crash event contains geometric and material nonlinearities which cannot be captured by linear static finite element simulations. Explicit dynamic simulations prevent the calculation of sensitivity derivatives required for conventional gradient-based structural optimization strategies. This paper describes a design tool for multi-material topology optimization considering crashworthiness using the equivalent static load (ESL) method. The ESL method is used to generate linear static sub-problems which replicate the dynamic structural response of explicit dynamic crash simulations in the linear regime. The ESL sub-problems are input to a standard MMTO, optimized results from which are used as input for subsequent crash analyses to update the ESLs for additional sub-problems. The ESLs evolve as the design changes – convergence occurs when the design does not change significantly between subsequent sub-problem optimizations. The objective of this paper is to demonstrate a methodology for an efficient design tool for MMTO considering crashworthiness. Firstly, the ESL and competing methods for crashworthiness optimization are introduced and compared. Next a discussion of the tool’s operation flow as well as the sensitivity equations are presented along with two academic examples demonstrating its implementation. The design tool generates optimized multi-material designs which outperform single-material optimized designs in terms of mass by 7.5% and 17.6% in 2D and 3D models respectively when subjected to crash load cases.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».