Un equipo científico, liderado por investigadores de la Universidad Politécnica de Madrid, ha desarrollado una herramienta para acelerar el proceso de diseño de los sistemas de seguridad destinados a garantizar la máxima protección de los ocupantes de un vehículo en caso de accidente. Gracias a ella, se reducen de manera significativa el coste y los tiempos de simulación.
En los últimos años, la seguridad pasiva de los vehículos (aquellos sistemas de seguridad diseñados para proteger al conductor y los pasajeros si se produce una colisión) se ha convertido en una de las principales preocupaciones de la industria automotriz debido al considerable aumento del uso del automóvil como medio de transporte diario. Dado que las pruebas de choque reales tienen un alto coste financiero, generalmente se utilizan simulaciones, que conllevan un alto coste computacional y largos tiempos de simulación.
Investigadores del Centro de Procesamiento de Información y Telecomunicaciones (IPTC) de la Universidad Politécnica de Madrid (UPM), en colaboración con el Departamento de Seguridad Pasiva de BMW y la Universidad de la Bundeswehr (UNIBW) de Múnich, proponen un innovador enfoque para el diseño de seguridad pasiva en vehículos utilizando aprendizaje profundo, un método de inteligencia artificial (IA) que enseña a las computadoras a procesar datos de una manera inspirada en el cerebro humano.
Como resultado de su trabajo, los investigadores han presentado una herramienta que puede representar un hito en el proceso de diseño de la seguridad pasiva de los vehículos al reducir significativamente tanto el coste como los tiempos de simulación.
El estudio realizado propone el uso de redes neuronales profundas para proporcionar aproximaciones confiables de los modelos de elementos finitos utilizados en las pruebas de choque. Las simulaciones de elementos finitos, aunque precisas, requieren un alto coste computacional y tiempos de simulación prolongados. En contraste, los modelos de aprendizaje profundo pueden reducir drásticamente estos costes y tiempos, proporcionando una primera aproximación factible a las lesiones de los pasajeros en un evento de choque.
Además, uno de los modelos de aprendizaje profundo empleado no sólo proporciona una predicción precisa, sino que también estima la incertidumbre de sus resultados. Esto permite identificar situaciones críticas en las que pequeños cambios pueden influir considerablemente en la severidad del choque, facilitando la detección de diseños con mayor sensibilidad al choque.
Los datos utilizados en el estudio provienen de simulaciones de choque realizadas en el Departamento de Seguridad Pasiva de BMW, y los investigadores han publicado estos datos junto con el código necesario para replicar los resultados, fomentando así la investigación futura en este campo.
“El desarrollo de este método basado en aprendizaje profundo representa un avance significativo hacia la mejora del diseño de seguridad pasiva en vehículos, con potenciales beneficios para la industria”, señalan los investigadores. Además, “proporciona una primera aproximación factible a las lesiones de los pasajeros en un accidente, lo que representa un potencial punto de inflexión en el proceso de diseño de la seguridad vehicular” concluye Juan Parras Moral, investigador de la UPM que ha participado en el proyecto.
