Detailergebnis zu DOK-Nr. 81426
Ein wirksames bedingungsabhängiges GAN-basiertes System zur präzisen Vorhersage von Reifen-Fahrbahn-Kontaktspannungen − ein Beitrag zu einem digitalen Zwilling des Straßensystems (Orig. engl.: An efficient conditional GAN-based framework for high-resolution prediction of tyrepavement contact stresses – a contribution towards a digital twin of the road systems)
| Autoren |
P. Liu H. Zhang Y. Hu K.Du J. Guan V. Yordanov |
|---|---|
| Sachgebiete |
11.1 Berechnung, Dimensionierung, Lebensdauer 14.4 Fahrzeugeigenschaften (Achslasten, Reifen) |
International Journal of Pavement Engineering 25 (2025) Nr. 1, 2414074, 12 S., 9 B, 6 T, zahlr. Q. − Online-Ressource: verfügbar unter: https://doi.org/10.1080/10298436.2024.2414074
Die präzise Vorhersage von Reifen-Fahrbahn-Kontaktspannungen ist von entscheidender Bedeutung für die Verbesserung des Straßenaufbaus und der Fahrzeugsicherheit. Noch besteht eine erhebliche Wissenslücke bei der genauen und schnellen Vorhersage von Reifen-Fahrbahn-Kontaktspannungen, insbesondere unter wechselnden Bedingungen. Um dieser Herausforderung zu begegnen, leistet die Studie als Teil des Projekts CRC/TRR 339 einen Beitrag zu einem digitalen Zwilling des Straßensystems. Aktuell werden für Vorhersagen von Reifen-Fahrbahn-Kontaktspannungen hauptsächlich FEM (Finite-Elemente-Methode) und Deep Learning verwendet. Herkömmliche Deep-Learning-Ansätze wie konvolutionale neuronale Netzwerke (Convolutional Neural Networks = CNNs) oder Generative Adversarial Networks (GANs) sind hierfür nicht besonders geeignet. Es wird ein neuartiges multimodal bedingtes, tiefes konvolutionales GAN (Multimodal Conditional Deep Convolutional GAN = MC-DCGAN)-Modell eingeführt, das eine effiziente und genaue Vorhersage von Reifen-Fahrbahn-Kontaktspannungen bietet. Die Einbeziehung eines multimodal bedingten Moduls in das GAN-basierte System ermöglicht auf bestimmte Reifentypen, Reifenlasten und Luftdrücke zugeschnittene Ergebnisse. Durch die Nutzung der DCGAN-Architektur wird die Vorhersagegenauigkeit erheblich verbessert. Die experimentelle Validierung über Messeinrichtungen an der RWTH Aachen und über FEM-Simulationen bestätigt die hohe Genauigkeit der Methode, die starke Verallgemeinerungsfähigkeit und die Verringerung der Rechenzeit, die im Vergleich zu FEM-Simulationen um fast zwei Größenordnungen geringer ist.