NVIDIA与通用研究人员利用机器学习加速汽车碰撞动力学建模

盖世汽车讯 预测车辆在碰撞中的变形情况对于汽车安全至关重要，研究人员正在通过开发机器学习模型来革新车辆安全评估，从而显著加速碰撞模拟。但传统的有限元分析模拟计算量巨大且耗时，阻碍了快速的设计探索。

据外媒报道，NVIDIA的Mohammad Amin Nabian、通用汽车公司的Sudeep Chavare和Deepak Akhare及其同事通过探索机器学习技术来快速准确地模拟碰撞动力学，从而应对这一挑战。这种新方法采用机器学习作为“代理模型”，学习预测结构行为，并在不显著降低精度的情况下大幅缩短模拟时间。

该研究表明，使用神经网络预测碰撞中的结构变形是可行的，与传统方法相比，计算成本显著降低。该团队使用包含150例车辆碰撞模拟的详细数据集训练这些模型，结果表明机器学习能够捕捉关键的变形趋势，从而为汽车行业的快速设计迭代和改进碰撞安全性评估铺平道路，使工程师能够探索更广泛的安全特性并更高效地优化车辆结构。

研究团队探索了两种先进的神经网络架构——MeshGraphNet和Transolver，用于模拟车辆碰撞的复杂动力学。这些网络将车辆结构分析为一个图，表示其各个组件及其连接，从而使模型能够学习碰撞过程中力的传播方式。为了准确捕捉车辆随时间推移而发生的变化，科学家们探索了不同的训练策略，包括基于过去行为预测未来状态的方法以及增强模型稳定性的技术。该研究使用了一个包含150个详细碰撞模拟的综合数据集，这些模拟代表了结构复杂的车辆组件，并考虑了实际制造过程中的各种差异。