論文の概要: Automotive Crash Dynamics Modeling Accelerated with Machine Learning
- arxiv url: http://arxiv.org/abs/2510.15201v2
- Date: Mon, 20 Oct 2025 18:26:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 03:08:11.53335
- Title: Automotive Crash Dynamics Modeling Accelerated with Machine Learning
- Title（参考訳）: 機械学習で加速した自動車クラッシュダイナミクスモデリング
- Authors: Mohammad Amin Nabian, Sudeep Chavare, Deepak Akhare, Rishikesh Ranade, Ram Cherukuri, Srinivas Tadepalli,
- Abstract要約: 我々は、NVIDIA PhysicsNeMoフレームワークを用いて、クラッシュシナリオにおける構造変形の効率的な予測のための機械学習に基づくサロゲートモデルを開発した。
クラッシュダイナミクスをモデル化するための2つの最先端ニューラルネットワークアーキテクチャ、MeshGraphNetとTransolverについて検討する。
モデルでは、全体的な変形傾向を合理的な忠実さで捉え、構造的クラッシュダイナミクスに機械学習を適用する可能性を示している。
- 参考スコア（独自算出の注目度）: 0.739600786135545
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Crashworthiness assessment is a critical aspect of automotive design, traditionally relying on high-fidelity finite element (FE) simulations that are computationally expensive and time-consuming. This work presents an exploratory comparative study on developing machine learning-based surrogate models for efficient prediction of structural deformation in crash scenarios using the NVIDIA PhysicsNeMo framework. Given the limited prior work applying machine learning to structural crash dynamics, the primary contribution lies in demonstrating the feasibility and engineering utility of the various modeling approaches explored in this work. We investigate two state-of-the-art neural network architectures for modeling crash dynamics: MeshGraphNet, and Transolver. Additionally, we examine three strategies for modeling transient dynamics: time-conditional, the standard Autoregressive approach, and a stability-enhanced Autoregressive scheme incorporating rollout-based training. The models are evaluated on a comprehensive Body-in-White (BIW) crash dataset comprising 150 detailed FE simulations using LS-DYNA. The dataset represents a structurally rich vehicle assembly with over 200 components, including 38 key components featuring variable thickness distributions to capture realistic manufacturing variability. Each model utilizes the undeformed mesh geometry and component characteristics as inputs to predict the spatiotemporal evolution of the deformed mesh during the crash sequence. Evaluation results show that the models capture the overall deformation trends with reasonable fidelity, demonstrating the feasibility of applying machine learning to structural crash dynamics. Although not yet matching full FE accuracy, the models achieve orders-of-magnitude reductions in computational cost, enabling rapid design exploration and early-stage optimization in crashworthiness evaluation.
- Abstract（参考訳）: クラッシュハーネスアセスメント(Crashworthiness Assessment)は自動車設計において重要な側面であり、伝統的に計算に高価で時間を要する高忠実度有限要素(FE)シミュレーションに依存している。
本研究は、NVIDIA PhysicsNeMoフレームワークを用いて、クラッシュシナリオにおける構造変形の効率的な予測のための機械学習に基づく代理モデルの開発に関する探索的比較研究である。
構造的クラッシュダイナミクスに機械学習を適用した限定的な事前作業を考えると、主な貢献は、この研究で探求された様々なモデリングアプローチの実現可能性と工学的有用性を示すことである。
クラッシュダイナミクスをモデル化するための2つの最先端ニューラルネットワークアーキテクチャ、MeshGraphNetとTransolverについて検討する。
さらに,時間条件,標準自己回帰アプローチ,ロールアウトに基づくトレーニングを取り入れた安定性向上型自己回帰スキームという,過渡的ダイナミクスをモデル化するための3つの戦略を検討する。
これらのモデルは、LS-DYNAを用いた150の詳細なFEシミュレーションを含む包括的Body-in-White (BIW)クラッシュデータセットで評価される。
データセットは、200以上のコンポーネントを備えた構造的にリッチな車両アセンブリを表しており、38のキーコンポーネントには、現実的な製造の多様性を捉えるための、様々な厚さの分布が特徴である。
各モデルは、非変形メッシュ形状とコンポーネント特性を入力として利用し、クラッシュシーケンス中の変形メッシュの時空間的進化を予測する。
評価結果から, モデルが全体の変形傾向を合理的な忠実度で把握し, 構造的クラッシュダイナミクスに機械学習を適用する可能性を示した。
FEの完全精度はまだ一致していないが、これらのモデルは計算コストのオーダー・オブ・マグニチュード削減を実現し、迅速な設計探索と早期の耐クラッシュ性評価を可能にする。
関連論文リスト
- A Foundation Model for Material Fracture Prediction [37.06207593775499]
フラクチャー予測のためのデータ駆動基礎モデルを提案する。
シミュレーター、幅広い材料、様々な負荷条件で作動する。
さまざまな下流タスクに関する最小限のデータで微調整できる。
論文 参考訳（メタデータ） (2025-07-30T20:23:36Z) - Decoupled Dynamics Framework with Neural Fields for 3D Spatio-temporal Prediction of Vehicle Collisions [1.474723404975345]
本研究では,グローバル剛体運動と局所構造変形を独立にモデル化し,3次元車両衝突ダイナミクスを予測するニューラルネットワークフレームワークを提案する。
2つの特殊なネットワークがフレームワークのコアを形成し、四元数ベースの剛性運動のためのRigid Netと局所的な変形のための座標ベースの変形ネットである。
利用可能なシミュレーションデータの10%しかトレーニングされていないこのモデルは、予測エラーを最大83%減らし、ベースラインモデルを大幅に上回っている。
論文 参考訳（メタデータ） (2025-03-25T14:38:37Z) - Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。
我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
論文 参考訳（メタデータ） (2025-02-16T23:13:55Z) - Physics-Informed Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures [6.483318568088176]
PiML法は、非線形構造の地震応答をモデル化するために、科学的原理と物理法則をディープニューラルネットワークに統合する。
運動方程式を操作することは、システムの非線形性を学習し、物理的に解釈可能な結果の中で解を閉じ込めるのに役立つ。
結果、既存の物理誘導LSTMモデルよりも複雑なデータを処理し、他の非物理データ駆動ネットワークより優れている。
論文 参考訳（メタデータ） (2024-02-28T02:16:03Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - Real-time Neural-MPC: Deep Learning Model Predictive Control for
Quadrotors and Agile Robotic Platforms [59.03426963238452]
モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。
ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
論文 参考訳（メタデータ） (2022-03-15T09:38:15Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳（メタデータ） (2021-02-25T20:28:52Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳（メタデータ） (2020-03-04T00:44:57Z)
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。