A rollover prediction method for multi-trailer articulated heavyvehicles
Notice bibliographique
Résumé
A new method is proposed for rollover prediction for multi-trailer articulated heavy vehicles (MTAHVs).Due to multi-unit configurations, large sizes, and high center of gravities, MTAHVs exhibit poor high-speed lateral stability.The high-speed instable motion modes, e.g., jackknifing, trailer sway and rollover, frequently lead to fatal traffic accident in highway operations.To increase the safety of MTAHV operations on highways, we explore the rollover prediction method for MTAHVs.To this end, numerical simulation is conducted to validate this method for a B-Train MTAHV roll-stability estimation.A linear 4 degrees-offreedom (DOF) yaw-plane B-Train model and a linear 2 DOF roll-plane single vehicle unit model is generated.The roll dynamics of the second trailer of the B-train is predicted by the integral model combining the yaw-plane and roll-plane models.Since the linear integral yaw-roll model may not accurately predict the performance of the B-train in nonlinear dynamic region, a neural network trained with TruckSim data is used to refine the estimated roll dynamics of the second trailer of the B-train.The Time-To-Rollover (TTR) of the trailer is calculated.The simulation results show that with the recurrent neural network (RNN), the roll performance measure of the trailer can be more accurately estimated than only with the linear integral yaw-roll model.Thus, more accurate TTR of the trailer can be achieved, and a reliable signal can be used for rollover warning.
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 | 0,000 | 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 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 ».