In dieser Arbeit wird ein Vorgehen vorgestellt, dass die frühzeitige Bestimmung der Aufprallgeschwindigkeit und der Hindernisposition bei einem Fahrzeugunfall erlaubt. Das damit verknüpfte Ziel ist eine bedarfsgerechte Auslösung der erforderlichen Rückhaltesysteme und die Reduzierung des Verletzungsrisikos. Es werden verschiedene FE-Simulationen mit variierenden Geschwindigkeiten und Hindernispositionen durchgeführt. Aus den Simulationen werden mit Hilfe einiger Sensoren unter anderem Beschleunigungssignale gewonnen. Diese Beschleunigungssignale erfahren eine Wavelettransformation, wobei entweder die ersten 10 ms oder die ersten 20 ms des Unfallablaufs betrachtet werden. Die berechneten Wavelettransformierten werden anschließend im Zeit- und Frequenzbereich diskretisiert und dienen in der Folge als Eingangswerte für künstliche neuronale Netze. Daraufhin erfolgt die Definition und das Training vieler neuronaler Netze, die nach einem erfolgreichen Abschluss des Trainings in der Lage sind, die beiden oben genannten Unfallgrößen sehr genau zu bestimmen. Nach einem erfolgreichen Training ist ein gutes Netz in der Lage, die beiden gesuchten Unfallgrößen in einem frühen Stadium des Unfalls für unbekannte Aufprallszenarien zu bestimmen. Beispielhaft werden in dieser Arbeit die Ergebnisse aus einer Pfahlaufprallstudie gezeigt. In dieser Studie trifft das Fahrzeug einen Euro NCAP-Pfahl mit unterschiedlichen Geschwindigkeiten. Der Pfahl befindet sich dabei frontal vor dem Fahrzeug in verschiedenen Positionen. Das Verfahren eignet sich bis zum derzeitigen Forschungsstand hervorragend zum Erreichen der gestellten Ziele. In aktuell laufenden Untersuchungen wird versucht, den Aufprallwinkel des Fahrzeugs gegen das Hindernis zu bestimmen. Erste Erkenntnisse lassen auch hier auf gute Ergebnisse schließen. Mit Ermittlung des Aufprallwinkels wären alle wesentlichen Einflussgrößen eines Unfalls bekannt und dies würde eine bedarfsgerechte Auslösung der Rückhaltesysteme erlauben.
Klassifizierung von Unfallszenarien mittels Wavelettransformierten und künstlichen neuronalen Netzen
2011
20 Seiten, 15 Bilder, 1 Tabelle, 9 Quellen
Aufsatz (Konferenz)
Deutsch
Wertorientiertes Risikocontrolling mit Künstlichen Neuronalen Netzen
IuD Bahn | 2003
|Anwendung von künstlichen neuronalen Netzen im Wasserbau
HENRY – Bundesanstalt für Wasserbau (BAW) | 2020
|