MétaCan
Menu
Retour à la cohorte
Enregistrement W4362660198 · doi:10.4271/2023-01-0030

Multi-Material Topology Optimization Considering Crashworthiness

2023· article· en· W4362660198 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueSAE technical papers on CD-ROM/SAE technical paper series · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueTopology Optimization in Engineering
Établissements canadiensGeneral Motors (Canada)Queen's University
Organismes subventionnairesnon disponible
Mots-clésCrashworthinessTopology optimizationSensitivity (control systems)Finite element methodComputer scienceBenchmark (surveying)CrashTopology (electrical circuits)Mathematical optimizationCrash testStructural engineeringEngineeringMathematics

Résumé

récupéré en direct d'OpenAlex

<div class="section abstract"><div class="htmlview paragraph">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.</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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,975
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,240
Écart entre enseignants0,228 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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