Coupling Uncertainty Quantifications of the B-Pillar Stamping Process and the Side Crash using Machine Learning
Visualitza/Obre
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2117/376688
Correu electrònic de l'autorANDINO.BOERSTGMAIL.COM
Tipus de documentProjecte Final de Màster Oficial
Data2022-07-15
Condicions d'accésAccés obert
Llevat que s'hi indiqui el contrari, els
continguts d'aquesta obra estan subjectes a la llicència de Creative Commons
:
Reconeixement-NoComercial-CompartirIgual 4.0 Internacional
Abstract
Les proves de xoc a la indústria automotriu són essencials per verificar l'equip de seguretat d'un vehicle i, per tant, són extremadament exigents. Moltes variables, que sorgeixen per les toleràncies de fabricació, causen incertesa en els resultats d'aquestes proves de xoc altament complexes. Atès que una prova de xoc és tan costosa d'emular i les simulacions són massa costoses des del punt de vista computacional per executar simulacions de Monte-Carlo en elles, calen altres alternatives per quantificar aquesta incertesa en les proves de xoc. L'algorisme AQUA utilitza diferents tècniques d'aprenentatge automàtic per quantificar la incertesa d'una prova de xoc amb les simulacions FEM de l'escenari donat i fa una anàlisi de sensibilitat per als paràmetres corresponents. En aquesta tesi s'aborden característiques addicionals a l'algorisme original. A més de l'aplicació a la prova de col·lisió lateral d'un vehicle fictici, l'algorisme també s'utilitza en el procés d'estampació del pilar B del vehicle per obtenir més detalls sobre el mapatge de gruixos d'aquesta part. El resultat de l'anàlisi del procés d'estampació es combina posteriorment amb la simulació de col·lisió lateral del vehicle fictici per incloure una representació més realista del gruix al model de col·lisió lateral. Las pruebas de choque en la industria automotriz son esenciales para verificar el equipo de seguridad de un vehículo y, por lo tanto, son extremadamente exigentes. Muchas variables, que surgen debido a las tolerancias de fabricación, causan incertidumbre en los resultados de estas pruebas de choque altamente complejas. Dado que una prueba de choque es tan costosa de emular y las simulaciones son demasiado costosas desde el punto de vista computacional para ejecutar simulaciones de Monte-Carlo en ellas, se necesitan otras alternativas para cuantificar esta incertidumbre en las pruebas de choque. El algoritmo AQUA utiliza diferentes técnicas de aprendizaje automático para cuantificar la incertidumbre de una prueba de choque con las simulaciones FEM del escenario dado y realiza un análisis de sensibilidad para los parámetros correspondientes. En esta tesis se abordan características adicionales al algoritmo original. Además de la aplicación en la prueba de colisión lateral de un vehículo ficticio, el algoritmo también se utiliza en el proceso de estampado del pilar B del vehículo para obtener más detalles sobre el mapeo de espesores de esta parte. El resultado del análisis del proceso de estampado se combina posteriormente con la simulación de colisión lateral del vehículo ficticio para incluir una representación más realista del grosor en el modelo de colisión lateral. Crash tests in the automotive industry are essential to check a vehicle's safety equipment and are therefore extremely demanding. A lot of variables, that arise due to manufacturing tolerances, cause uncertainty in the results of these highly complex crash tests. With a crash test being so expensive to emulate and simulations being too computationally expensive to run Monte-Carlo simulations on them, other alternatives are needed to quantify this uncertainty in the crash tests. The AQUA algorithm uses different machine learning techniques to quantify the uncertainty of a crash test with the FEM simulations of the given scenario and do a sensitivity analysis for the corresponding parameters. Additional features to the original algorithm are addressed in this thesis. In addition to the application on the side crash test of a dummy vehicle, the algorithm is also used on the stamping process of the B-pillar of the vehicle to obtain more details about the thickness mapping of this part. The outcome of the analysis for the stamping process is subsequently coupled with the side crash simulation of the dummy vehicle to include a more realistic representation of the thickness in the side crash model.
MatèriesAutomobiles--Crash tests, Algorithms, Machine learning, Automòbils--Assaigs de xoc, Algorismes, Aprenentatge automàtic
TitulacióMÀSTER UNIVERSITARI EN MÈTODES NUMÈRICS EN ENGINYERIA (Pla 2012)
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
Master_Thesis-Andino_Borst.pdf | 8,786Mb | Visualitza/Obre |