Maskininlärnings-accelererad virtuell testning för trafikrelaterade huvudislag

Syfte och mål

Virtuella tester baserade på finita element (FE)-modeller driver förändringen av fordonsbedömning och säkerhetsforskning för att förbättra skyddet för trafikanter. Emellertid är FE-simuleringen notoriskt tids- och resurskrävande. Detta projekt syftar till att utveckla en datadriven, maskininlärningsmodell av det mänskliga huvudet med snabb och pålitlig förutsägelse av hjärnansträngning över olika fordonspåverkan för att påskynda virtuella tester.

Förväntade effekter och resultat

Vi kommer att leverera en mycket effektiv, mycket exakt och allmänt användbar maskininlärningsmodell (ML) för att möjliggöra omedelbar och korrekt uppskattning av hjärnans svar och ny kunskap om hjärnans biomekanik som är relevant för nuvarande och framtida trafikanter. Det kommer att bidra till ett paradigmskifte inom fordonssäkerhetsbedömning från nuvarande finita element metodbaserade, tidskrävande utvärderingar till ML-accelererade virtuella tester med drastiskt förbättrad effektivitet.

Planerat upplägg och genomförande

Detta projekt kommer att utnyttja en datadriven, kostnadseffektiv maskininlärningsmetod för att snabbt och tillförlitligt uppskatta hjärnans reaktioner under kända påverkan, och ersätta de tidskrävande, resurskrävande finita element-simuleringarna. Projektet kommer att pågå i 4 år. Genomförandet kommer att underlättas genom ett nära samarbete mellan Kungliga Tekniska högskolan och Autoliv. Volvo Cars och European New Car Assessment Programmen kommer att fungera som referensgrupper.