論文の概要: A new graph-based surrogate model for rapid prediction of crashworthiness performance of vehicle panel components

• arxiv url: http://arxiv.org/abs/2503.17386v1
• Date: Sun, 16 Mar 2025 23:55:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-30 07:31:46.190776
• Title: A new graph-based surrogate model for rapid prediction of crashworthiness performance of vehicle panel components
• Title（参考訳）: 車両パネル部品の耐クラッシュ性能の迅速予測のためのグラフに基づく新しいサロゲートモデル
• Authors: Haoran Li, Yingxue Zhao, Haosu Zhou, Tobias Pfaff, Nan Li,
• Abstract要約: グラフニューラルネットワーク(GNN)は、複雑な構造を持つデータを処理するための有望なソリューションとして登場した。 本稿では,車両パネル部品の耐クラッシュ性解析のためのグラフに基づく新しいサロゲートモデルであるRecurrent Graph U-Netを提案する。
• 参考スコア（独自算出の注目度）: 9.652891407528612
• License:
• Abstract: During the design cycle of safety critical vehicle components such as B-pillars, crashworthiness performance is a key metric for passenger protection assessment in vehicle accidents. Traditional finite element simulations for crashworthiness analysis involve complex modelling, leading to an increased computational demand. Although a few machine learning-based surrogate models have been developed for rapid predictions for crashworthiness analysis, they exhibit limitations in detailed representation of complex 3D components. Graph Neural Networks (GNNs) have emerged as a promising solution for processing data with complex structures. However, existing GNN models often lack sufficient accuracy and computational efficiency to meet industrial demands. This paper proposes Recurrent Graph U-Net (ReGUNet), a new graph-based surrogate model for crashworthiness analysis of vehicle panel components. ReGUNet adoptes a U-Net architecture with multiple graph downsampling and upsampling layers, which improves the model's computational efficiency and accuracy; the introduction of recurrence enhances the accuracy and stability of temporal predictions over multiple time steps. ReGUNet is evaluated through a case study of side crash testing of a B-pillar component with variation in geometric design. The trained model demonstrates great accuracy in predicting the dynamic behaviour of previously unseen component designs within a relative error of 0.74% for the maximum B-pillar intrusion. Compared to the baseline models, ReGUNet can reduce the averaged mean prediction error of the component's deformation by more than 51% with significant improvement in computational efficiency. Provided enhanced accuracy and efficiency, ReGUNet shows greater potential in accurate predictions of large and complex graphs compared to existing models.
• Abstract（参考訳）: Bピラーのような安全上重要な車両部品の設計サイクルの間、事故の安全性は車両事故における乗客の保護評価の鍵となる指標である。 従来の有限要素シミュレーションによるクラッシュ耐性解析は複雑なモデリングを伴い、計算需要が増大する。 いくつかの機械学習ベースのサロゲートモデルは、クラッシュ耐性解析の迅速な予測のために開発されているが、複雑な3Dコンポーネントの詳細な表現には限界がある。 グラフニューラルネットワーク(GNN)は、複雑な構造を持つデータを処理するための有望なソリューションとして登場した。 しかし、既存のGNNモデルは工業的需要を満たすのに十分な精度と計算効率を欠いていることが多い。 本稿では,車両パネル部品の耐クラッシュ性解析のためのグラフに基づく新しいサロゲートモデルであるRecurrent Graph U-Netを提案する。 ReGUNetは、複数のグラフのダウンサンプリングとアップサンプリング層を備えたU-Netアーキテクチャを採用し、モデルの計算効率と精度を向上させる。 ReGUNetは、幾何学的設計のバリエーションのあるBピラー部品のサイドクラッシュ試験のケーススタディを通じて評価される。 トレーニングされたモデルは、Bピラーの最大侵入に対して0.74%の相対誤差で、これまで見られなかったコンポーネント設計の動的挙動を予測するのに非常に正確である。 ベースラインモデルと比較して、ReGUNetは、計算効率を大幅に改善し、コンポーネントの変形の平均平均予測誤差を51%以上削減することができる。 精度と効率を向上したReGUNetは、既存のモデルと比較して、大規模で複雑なグラフの正確な予測において大きなポテンシャルを示す。

関連論文リスト

• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• A Cost-Aware Approach to Adversarial Robustness in Neural Networks [1.622320874892682]
  本稿では,ハードウェア選択,バッチサイズ,エポック数,テストセット精度の影響を測定するために,高速化された故障時間モデルを提案する。 我々は、複数のGPUタイプを評価し、モデルの堅牢性を最大化し、モデル実行時間を同時に最小化するためにTree Parzen Estimatorを使用します。
  論文  参考訳（メタデータ） (2024-09-11T20:43:59Z)
• Iterative Sizing Field Prediction for Adaptive Mesh Generation From Expert Demonstrations [49.173541207550485]
  Adaptive Meshing By Expert Reconstruction (AMBER) は模倣学習問題である。 AMBERは、グラフニューラルネットワークとオンラインデータ取得スキームを組み合わせて、専門家メッシュの投影されたサイズフィールドを予測する。 我々は、人間の専門家が提供した2Dメッシュと3Dメッシュ上でAMBERを実験的に検証し、提供されたデモと密に一致し、シングルステップのCNNベースラインを上回った。
  論文  参考訳（メタデータ） (2024-06-20T10:01:22Z)
• Decomposing and Editing Predictions by Modeling Model Computation [75.37535202884463]
  コンポーネントモデリングというタスクを導入します。 コンポーネントモデリングの目標は、MLモデルの予測をコンポーネントの観点から分解することだ。 コンポーネント属性を推定するスケーラブルなアルゴリズムであるCOARを提案する。
  論文  参考訳（メタデータ） (2024-04-17T16:28:08Z)
• Towards Stable Machine Learning Model Retraining via Slowly Varying Sequences [6.067007470552307]
  そこで本研究では,リトレーニングを繰り返して安定なモデル列を見つけるためのモデルに依存しないフレームワークを提案する。 最適モデルの復元が保証される混合整数最適化の定式化を開発する。 平均的に、予測力の2%の低下は、安定性の30%の改善につながることが判明した。
  論文  参考訳（メタデータ） (2024-03-28T22:45:38Z)
• Object Detection in Thermal Images Using Deep Learning for Unmanned Aerial Vehicles [0.9208007322096533]
  本研究は,無人航空機が収集した熱画像中の微小物体と微小物体を認識可能なニューラルネットワークモデルを提案する。 背骨はYOLOv5の構造に基づいて開発され、最後にトランスフォーマーエンコーダが使用される。 ネックは、スライドウインドウと変圧器とを組み合わせたBI−FPNブロックを備え、予測ヘッドに入力された情報を増加させる。
  論文  参考訳（メタデータ） (2024-02-13T06:40:55Z)
• Optimization and Interpretability of Graph Attention Networks for Small Sparse Graph Structures in Automotive Applications [11.581071131903775]
  本研究は、注意機構の理解を深め、因果的重要性を特定するための解釈可能性を分析することを目的とする。 自動車アプリケーションにとって、グラフ注意ネットワーク(GAT)は、機能埋め込み中にトラフィックシナリオのリレーショナル情報を含む、顕著に使用されるアーキテクチャである。
  論文  参考訳（メタデータ） (2023-05-25T15:55:59Z)
• Uncertainty Quantification over Graph with Conformalized Graph Neural Networks [52.20904874696597]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。 GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。 本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T21:38:23Z)
• Improving the Deployment of Recycling Classification through Efficient Hyper-Parameter Analysis [0.0]
  本稿では,協調的なリサイクル分類モデルであるWasteNetのより効率的なバージョンを開発する。 新たに開発されたモデルは、テストセット精度95.8%、実世界の精度95%、オリジナルよりも14%向上した。 私たちの加速パイプラインは、Jetson Nano組み込みデバイスで毎秒750%から24パーセントの速度でモデルスループットを向上しました。
  論文  参考訳（メタデータ） (2021-10-21T10:42:14Z)
• FasterPose: A Faster Simple Baseline for Human Pose Estimation [65.8413964785972]
  本稿では,高速ポーズ推定のためのLR表現を用いた費用対効果ネットワークの設計パラダイムであるFasterPoseを提案する。 我々は,FasterPoseのトレーニング挙動について検討し,収束を加速する新しい回帰クロスエントロピー(RCE)損失関数を定式化する。 従来のポーズ推定ネットワークと比較すると,FLOPの58%が減少し,精度が1.3%向上した。
  論文  参考訳（メタデータ） (2021-07-07T13:39:08Z)
• Churn Reduction via Distillation [54.5952282395487]
  本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。 次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
  論文  参考訳（メタデータ） (2021-06-04T18:03:31Z)

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。