ترجمه فارسی مقاله مدل جایگزین احتمالی برای تسریع طراحی محفظه‌های باتری خودروهای الکتریکی برای عملکرد در تصادف

چکیده

This paper presents a probabilistic surrogate model for the accelerated design of electric vehicle battery enclosures with a focus on crash performance. The study integrates high-throughput finite element simulations and Gaussian Process Regression to develop a surrogate model that predicts crash parameters with high accuracy while providing uncertainty estimates. The model was trained using data generated from thermoforming and crash simulations over a range of material and process parameters. Validation against new simulation data demonstrated the model’s predictive accuracy with mean absolute percentage errors within 8.08% for all output variables. Additionally, a Monte Carlo uncertainty propagation study revealed the impact of input variability on outputs. The results highlight the efficacy of the Gaussian Process Regression model in capturing complex relationships within the dataset, offering a robust and efficient tool for the design optimization of composite battery enclosures.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله یک مدل جانشین احتمالی برای طراحی تسریع شده محفظه های باتری وسیله نقلیه الکتریکی با تمرکز بر عملکرد تصادف ارائه شده است.این مطالعه شبیه سازی عناصر محدود با توان بالا و رگرسیون فرآیند گاوسی را برای تهیه یک مدل جانشین که پارامترهای تصادف با دقت بالا را پیش بینی می کند ضمن ارائه تخمین های عدم اطمینان ، ادغام می کند.این مدل با استفاده از داده های حاصل از شبیه سازی ترموفرم و تصادف در طیف وسیعی از پارامترهای مواد و فرآیند آموزش داده شد.اعتبارسنجی در برابر داده های شبیه سازی جدید ، دقت پیش بینی مدل را با میانگین خطای درصد مطلق در 8.08 ٪ برای کلیه متغیرهای خروجی نشان داد.علاوه بر این ، یک مطالعه انتشار عدم اطمینان مونت کارلو تأثیر تنوع ورودی را بر روی خروجی ها نشان داد.این نتایج اثربخشی مدل رگرسیون فرآیند گاوسی را در ضبط روابط پیچیده در مجموعه داده ها برجسته می کند و یک ابزار قوی و کارآمد برای بهینه سازی طراحی محفظه های باتری کامپوزیت ارائه می دهد.