Моделирование аварий и имитация автокатастроф — это компьютерный метод воспроизведения и анализа поведения транспортных средств, а также всех их компонентов во время столкновений. В этих симуляциях используется передовое программное обеспечение для воспроизведения реальных сценариев аварий, предоставляя инженерам виртуальную среду тестирования для оценки безопасности и эксплуатационных характеристик конструкций транспортных средств.

Такая имитация столкновений помогает повысить безопасность, снизить стоимость разработки механизмов активной пассивной защиты и ускорить процесс проектирования автомобилей. Новые технологии дают возможность делать это быстрее, по сравнению с традиционными процедурами прототипирования и испытаний.

Сейчас в эти испытательные процессы внедряются технологии искусственного интеллекта, основанные на сгенерированных симуляциях. Эта недавняя эволюция смогла закрепиться в испытательных лабораториях потому, что за последние годы было выполнено и сохранено большое количество моделей имитаций различных столкновений. И даже сейчас, пока вы читаете статью, какой-нибудь автомобильный инженер, вероятно, только что завершил стандартное профессиональное испытание и пополнил базу данных знаний на сервере. Таким образом, потенциал ИИ вырос благодаря появлению новых данных, на которых можно учиться и оттачивать возможности моделирования.

В рамках цифровизации автомобильной отрасли, все решения, дополняющие консолидированный подход, обещают произвести революцию в том, как автомобили проектируются и тестируются на безопасность, одновременно сокращая затраты на разработку, предоставляя дизайнерам новые возможности прогнозирования. И всё это без необходимости изучения физического моделирования.

Немного истории

До наступления эры повсеместной цифровизации, традиционный надёжный процесс был основан не на компьютерных технологиях, а на экспериментальных методах тестирования, когда манекены с датчиками размещались на сиденье водителя (и пассажира). Наиболее известный тип краш-теста – лобовое столкновение автомобиля с твёрдой (бетонной) стеной. Такие тесты привели к ситуации, когда ранее появившиеся на рынке модели, были сняты с производства (в некоторых случаях даже отозваны из продажи), из-за недостаточных показателей безопасности.

Позже реальным краш-тестам помогла компьютерная инженерия, то есть имитационное моделирование самого автомобиля и вариативной ситуации столкновения, выполненное на специализированных компьютерах/серверах, чтобы точно настроить разные режимы и получить понимание всех происходящих, при этом, процессов. Исследователей интересовало сразу множество параметров: степень ударопрочности всех компонентов, поведение тела в динамике, влияние скорости на степень разрушений корпуса и т.п. Для лучшего понимания изначального концепта автомобиля и всех изменений дизайна кузова, самым быстрым и недорогим решением явилось компьютерное воспроизведение различных видов аварий, с опорой на уже существующие знания по данному вопросу. Представьте себе замену физического элемента и запуск нового реального теста, по сравнению с изменением файлов САПР и запуском нового компьютерного моделирования. Конечно-элементная модель обеспечивает более быстрые результаты и помогает ускорить разработку благодаря хранящимся в базе знаний компании наборам данных с обратной связью, основанным на хорошо известном физическом моделировании.

По прошествии некоторого времени было разработано ещё много различных тестов, таких как боковой удар (включая удар о столб) или опрокидывание. А метод конечных элементов помог внести большое количество изменений в конструкцию, чтобы помочь инженерам определить наилучшие модели автомобилей посредством расчётов.

Теперь инженеры-конструкторы могут задаться вопросом, есть ли какие-либо дальнейшие шаги в развитии от физической аварии к виртуальной, которые помогут инженерам моделировать механические процессы и внедрять новые материалы для автомобилей нового поколения. Ведь даже трансформируется сама концепция привода.

Ответ весьма неоднозначный. Конечно, искусственный интеллект способен помочь предсказать событие, при наличии качественных наборов данных. Прогнозирование, основанное на данных, не «решает» аварийную ситуацию, а скорее использует все накопленные данные из прошлого для оценки любого случая аварийной готовности. Нынешние мощные сервера, базирующиеся в современных дата-центрах, делают такие симуляции с беспрецедентной скоростью (от одной до нескольких секунд). Это очень помогает конструкторам различать геометрические особенности или особенности материала, находя наилучшее решение. Тем более, что нынешние нейросети, настроенные согласно концепции слияния, могут воспринимать и интегрировать/интерпретировать любой источник данных.

При проведении с использованием передовых методов анализа конечных элементов (FEA — finite element analysis) и других способов моделирования виртуальной имитации автокатастрофы, можно обеспечить высокую реалистичность деформаций конструкции, поведения транспортного средства и динамики пассажиров во время испытаний на ударопрочность. Эти симуляции могут дать визуальную информацию и подробные числовые отчёты о целостности, безопасности и эксплуатационных характеристиках автомобиля.

Это позволяет проводить более быстрые и экономичные испытания, способствует усовершенствованию конструкции в плане обеспечения безопасности автотранспорта. Работа инженеров, которые вооружены такими современными инструментами, может помочь снизить потребность в физических краш-тестах, экономя время и ресурсы. Во всех конструкторских бюро крупных автопроизводителей есть группы специалистов, умеющих эффективно использовать специализированное программное и аппаратное обеспечение.

Успех, во многом, зависит от знаний и опыта владения такими инструментами. Эти приложения позволяют инженерам создавать реалистичные модели транспортных средств, задавать сценарии аварий и анализировать результаты. Ведущие программные пакеты поддерживают высокопроизводительные вычисления, благодаря которым операции выполняются за меньшее время (например, за одну десятую того времени, которое требуется для запуска проекта на рабочей станции САПР).

На практике, для проектирования и тестирования, инженеры используют комбинации физических краш-тестов и симуляций. Моделирование полезно для первоначальных итераций проектирования, анализа чувствительности и эффективного изучения показателей безопасности в различных сценариях. Однако физические краш-тесты по-прежнему необходимы для окончательной сертификации и понимания того, как реальные переменные влияют на показатели безопасности.

Специалисты определяют сценарии столкновений, указывая условия удара, углы и скорости для воспроизведения различных ситуаций. Нормативные тесты, предписывают конкретные сценарии краш-тестов, которые гарантируют соответствие автомобилей стандартизированным условиям безопасности.

Проблемы здесь заключаются в адаптации системы к различным нормативным требованиям, учёте изменчивости реального мира и правильного запуска в виртуальной среде специализированного ПО под эти факторы.

Коммерческое программное обеспечение используется для моделирования сложных деформаций в конструкции транспортного средства, начиная с модели автомобиля в формате CAD. Далее анженеры анализируют результаты моделирования для оценки целостности конструкции, безопасности пассажиров и общей производительности.

Одними из основных результатов рассматриваются серьёзные, угрожающие жизни, деформации (например, смещение рулевого колеса) в пространстве для водителя, или кинетическая энергия пассажиров при резком торможении. Значения должны быть меньше пороговых значений, указанных в стандартизации по безопасности автомобилей.

Проблемы и ограничения

Несмотря на свои преимущества, моделирование аварий все-таки сопряжено с трудностями и ограничениями. Обеспечение того, чтобы этот процесс точно отражал события реального мира, то проверка результатов будет оставаться постоянной проблемой. Поэтому, для проверки точности, всегда проводится валидация (сравнение результатов) компьютерных моделей с данными физических краш-тестов.

Кроме того, высокопроизводительная вычислительная инфраструктура и лицензии на программное обеспечение являются достаточно дорогостоящими, ограничивая доступ для некоторых организаций. Моделирование сложных сценариев аварий часто требует значительных вычислительных ресурсов. Это может стать препятствием для небольших компаний или исследовательских институтов с ограниченными бюджетами.

С некоторых пор появились предложения облачных решении, призванные облегчить необходимость создания и поддержания внутренней ИТ-структуры. Инновационное использование концепции нейросетей, технологий машинного обучения с прогностической моделью в режиме реального времени демонстрирует, как эти технологии могут повысить точность и эффективность моделирования аварий.

Тенденции будущего развития

Эта сфера таит в себе несколько захватывающих перспектив. Поскольку цифровые методы становятся более точным и надёжным, они, вероятно, будут играть более заметную роль в соблюдении отраслевых стандартов безопасности и нормативных требований. В свою очередь, развитие программных и аппаратных технологий будет продолжать повышать точность и эффективность процесса.

Интеграция нейронных сетей и глубокого обучения позволит проводить более сложное прогностическое моделирование и анализ данных с беспрецедентной скоростью отклика и повышенной точностью. Это будет происходить лавинообразно, по мере роста наборов данных и включения их в процесс обучения.