使用参数人类建模和高斯过程中的诱导点,对多样化的人口进行高效的伤害风险预测

科学领域:

• 生物力学 生物力学
• 计算建模计算建模
• 机器学习是机器学习.

背景情况:

• 准确预测车辆碰撞中乘客受伤风险对于安全至关重要.
• 不同的人群对碰撞力有不同的反应,这使得伤害风险评估变得复杂.
• 有限的计算资源往往限制了详细的人体模型模拟的范围.

研究的目的:

• 开发一种方法来识别一小群代表性的居住者.
• 为了能够在有限的模拟预算中,准确地预测不同人群中的伤害变化.
• 优化车辆控制系统以提高不同人口群体的安全性.

主要方法:

• 利用参数人类建模和机器学习 (高斯过程) 来识别代表性居住者 (诱导点).
• 采用最大投影方法,根据人体测量变化对100名不同的乘客进行抽样.
• 通过使用变形的 THUMS v4.1 模型和经过验证的车辆/限制系统,进行了 US-NCAP 的正面碰撞模拟.

主要成果:

• 确定了20名代表性乘客 (诱导点),足以准确预测伤害风险.
• 与100个模拟相比,基于IP的代孕模型在预测头部,胸部和下肢损伤方面显示出最小的错误 (<1.8%).
• 优化的安全套系统显示,在不同程度的撞击中,可显著降低受伤风险 (13-47%).

结论:

• 拟议的方法有效地为各种人群生成准确的伤害风险预测,并降低模拟成本.
• 这种方法有助于更有效地优化制系统,提高更广泛的人口范围的安全性.
• 诱导点的使用代表了计算生物力学和汽车安全研究的重大进展.