Optimization of Suspension Settings Using Genetic Algorithms for Improved Handling and Ride Comfort on Different Terrains: A Quarter Car Model
Notice bibliographique
Résumé
This paper presents an optimization approach using genetic algorithms to improve the handling and ride comfort of a quarter car model on different terrains. The suspension settings are optimized with the objective of minimizing the root mean square (RMS) value of the vertical acceleration of the sprung mass, while also reducing the lateral acceleration of the vehicle during cornering. The quarter-car model is simulated on three different terrains, including a smooth road, a rough road, and a sinusoidal road, to evaluate the performance of the optimized suspension settings. The results indicate that the optimized suspension settings significantly improve the ride comfort and handling of the vehicle on all three terrains. The RMS value of the vertical acceleration of the sprung mass is reduced by an average of 0.38, 0.21, and 0.42 on the smooth, rough, and sinusoidal roads, respectively, compared to the unoptimized suspension settings. Moreover, the lateral acceleration of the vehicle during cornering is reduced by 0.2, 1.2, and 1.6 on the smooth, rough, and sinusoidal roads, respectively, demonstrating improved handling. The optimization of suspension settings using genetic algorithms proves to be an effective approach for improving the ride comfort and handling of a quarter car model on different terrains. The results demonstrate a significant reduction in the RMS value of the vertical acceleration of the vehicle and lateral acceleration during cornering, which translates to a more comfortable and stable ride for passengers.
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 ».