Multi-Material and Multi-Objective Topology Optimization Considering Crashworthiness
Notice bibliographique
Résumé
Recently, topology optimization (TO) has seen increased usage in the automotive industry as a numerical tool, greatly enhancing the accessibility and production-readiness of optimal, lightweight solutions. By natural extension of classic single material TO (SMTO), a wealth of research has been completed in multi-material TO (MMTO), enabling simultaneous determination of material selection and existence. MMTO is effective for linear static analyses, making use of structural responses that are continuously differentiable, giving itself to efficient gradient-based optimization engines. A structural response that is inherently nonlinear and transient, thus providing difficulty to the mainstay MMTO process, is that of crashworthiness. This paper presents a multi-objective MMTO framework considering crashworthiness using the equivalent static load (ESL) method. The ESL method uses a series of linear static sub-models to approximate the transient crashworthiness model. Then, the sub-models can be optimized sequentially, using a conventional MMTO program. The limitations of the existing framework are: (1) its sole focus on intrusion minimization using displacement constraints, (2) some results have checkerboard patterns despite the use of a filter. In this paper, an improved framework aims to support the weighted sum of multiple objectives such as compliance and aggregated stress, which would affect multiple performance metrics, such as intrusion, deceleration, and energy absorption. Also, the ESL load generation method is updated to reduce checkerboarding. Firstly, the MMTO theory and ESL method are introduced. Second, the operational flow of the framework is discussed. Finally, the multi-objective solutions of an example academic model are compared using Pareto Frontiers. The optimized results show 6.4% reduction of maximum intrusion and 1.5% reduction of maximum deceleration.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».