論文の概要: Wheel Impact Test by Deep Learning: Prediction of Location and Magnitude
of Maximum Stress
- arxiv url: http://arxiv.org/abs/2210.01126v1
- Date: Mon, 3 Oct 2022 12:57:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 14:53:26.780408
- Title: Wheel Impact Test by Deep Learning: Prediction of Location and Magnitude
of Maximum Stress
- Title（参考訳）: 深層学習による車輪衝撃試験:最大応力の位置と大きさの予測
- Authors: Seungyeon Shin, Ah-hyeon Jin, Soyoung Yoo, Sunghee Lee, ChangGon Kim,
Sungpil Heo, Namwoo Kang
- Abstract要約: 車輪開発時の車輪の衝撃性能は、車両安全のための車輪衝撃試験によって保証されなければならない。
実際の車輪衝突試験は有限要素解析(FEA)などの計算機シミュレーションに置き換えられた。
本研究では, 深層学習に基づくアルミニウム道路車輪衝撃性能予測モデルを提案する。
- 参考スコア（独自算出の注目度）: 9.04607498948713
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The impact performance of the wheel during wheel development must be ensured
through a wheel impact test for vehicle safety. However, manufacturing and
testing a real wheel take a significant amount of time and money because
developing an optimal wheel design requires numerous iterative processes of
modifying the wheel design and verifying the safety performance. Accordingly,
the actual wheel impact test has been replaced by computer simulations, such as
Finite Element Analysis (FEA), but it still requires high computational costs
for modeling and analysis. Moreover, FEA experts are needed. This study
presents an aluminum road wheel impact performance prediction model based on
deep learning that replaces the computationally expensive and time-consuming 3D
FEA. For this purpose, 2D disk-view wheel image data, 3D wheel voxel data, and
barrier mass value used for wheel impact test are utilized as the inputs to
predict the magnitude of maximum von Mises stress, corresponding location, and
the stress distribution of 2D disk-view. The wheel impact performance
prediction model can replace the impact test in the early wheel development
stage by predicting the impact performance in real time and can be used without
domain knowledge. The time required for the wheel development process can be
shortened through this mechanism.
- Abstract（参考訳）: 車輪開発時の車輪の衝撃性能は、車両安全のための車輪衝撃試験によって保証されなければならない。
しかし、最適な車輪設計を開発するには、車輪設計の修正と安全性の検証を何度も繰り返し行う必要があるため、実車の製造とテストにはかなりの時間と費用がかかる。
したがって、実際の車輪衝撃試験は有限要素解析(fea)のようなコンピュータシミュレーションに置き換えられたが、モデリングと解析には高い計算コストを必要とする。
さらに、faaの専門家も必要である。
本研究では,計算コストと時間消費の3D FEAに置き換わる深層学習に基づくアルミ製車輪衝撃性能予測モデルを提案する。
この目的のために、入力として、2Dディスクビューホイール画像データ、3Dホイールボクセルデータ、およびホイール衝撃試験に用いるバリア質量値を用いて、最大von Mises応力の大きさ、対応する位置、および2Dディスクビューの応力分布を予測する。
ホイールインパクトパフォーマンス予測モデルは、リアルタイムにインパクトパフォーマンスを予測し、ドメイン知識を使わずに使用できることで、初期ホイール開発段階でのインパクトテストを置き換えることができる。
この機構により、車輪開発プロセスに必要な時間を短縮することができる。
関連論文リスト
- Cross-Camera Distracted Driver Classification through Feature Disentanglement and Contrastive Learning [13.613407983544427]
車両内のカメラ位置の変化に耐えられるような頑健なモデルを導入する。
我々のドライバ行動監視ネットワーク(DBMNet)は軽量なバックボーンに依存し、アンタングルメントモジュールを統合する。
100-Driverデータセットの夜間および夜間のサブセットで行った実験は、我々のアプローチの有効性を検証した。
論文 参考訳（メタデータ） (2024-11-20T10:27:12Z) - Real-time Accident Anticipation for Autonomous Driving Through Monocular Depth-Enhanced 3D Modeling [18.071748815365005]
我々は、現在のSOTA(State-of-the-art)2Dベースの手法を超えて予測能力を著しく向上させる革新的なフレームワークであるAccNetを導入する。
本稿では,交通事故データセットにおけるスキュードデータ分散の課題に対処するため,早期予測のためのバイナリ適応損失(BA-LEA)を提案する。
論文 参考訳（メタデータ） (2024-09-02T13:46:25Z) - Evaluating Driver Readiness in Conditionally Automated Vehicles from
Eye-Tracking Data and Head Pose [3.637162892228131]
SAEレベル3または部分的に自動化された車両では、ドライバーは必要な時に介入する準備ができている必要がある。
本稿では,頭部ポーズ特徴と視線追跡データを組み合わせることで,運転準備性評価の包括的分析を行う。
両特徴セットを組み合わせた双方向LSTMアーキテクチャは、DMDデータセット上で平均0.363の絶対誤差を達成する。
論文 参考訳（メタデータ） (2024-01-20T17:32:52Z) - RACER: Rational Artificial Intelligence Car-following-model Enhanced by
Reality [51.244807332133696]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。
従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。
RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文 参考訳（メタデータ） (2023-12-12T06:21:30Z) - What Truly Matters in Trajectory Prediction for Autonomous Driving? [25.700880872677256]
軌道予測は自律運転システムの性能において重要な役割を果たす。
固定データセット上の予測器の精度と、車両制御のために下流で予測器が使用される場合の駆動性能との間には、大きな相違がある。
論文 参考訳（メタデータ） (2023-06-27T01:29:20Z) - 3D Data Augmentation for Driving Scenes on Camera [50.41413053812315]
本稿では,Drive-3DAugと呼ばれる3次元データ拡張手法を提案する。
まずNeural Radiance Field(NeRF)を用いて,背景および前景の3次元モデルの再構成を行う。
そして、予め定義された背景の有効領域に適応した位置と向きの3Dオブジェクトを配置することにより、拡張駆動シーンを得ることができる。
論文 参考訳（メタデータ） (2023-03-18T05:51:05Z) - On the Choice of Data for Efficient Training and Validation of
End-to-End Driving Models [32.381828309166195]
エンド・ツー・エンドでトレーニング可能なディープ・ドライビング・モデルのトレーニングと検証に対するデータ設計選択の影響について検討する。
検証設計により、検証中に測定された駆動性能を未知のテスト環境に一般化できることを示す。
論文 参考訳（メタデータ） (2022-06-01T16:25:28Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - Improving Robustness of Learning-based Autonomous Steering Using
Adversarial Images [58.287120077778205]
自動運転用画像入力における学習アルゴリズムw.r.tの堅牢性を解析するためのフレームワークについて紹介する。
感度分析の結果を用いて, 「操縦への学習」 タスクの総合的性能を向上させるアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-02-26T02:08:07Z) - Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data
Augmentation [77.60050239225086]
実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。
私達のアプローチは人間の相互作用なしで完全に自動です。
VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
論文 参考訳（メタデータ） (2020-12-15T03:03:38Z) - Recovering and Simulating Pedestrians in the Wild [81.38135735146015]
本研究では,自動車の走行によって野生で捕獲されたセンサから歩行者の形状と動きを復元することを提案する。
再建された歩行者資産銀行をリアルな3Dシミュレーションシステムに組み込む。
シミュレーションしたLiDARデータを用いて,視覚知覚タスクに必要な実世界のデータ量を大幅に削減できることを示す。
論文 参考訳（メタデータ） (2020-11-16T17:16:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。