ETD

• apprendimento automatico
• conteggio rainflow
• danno a fatica
• fatigue damage
• four degree-of-freedom model
• Gated Recurrent Unit
• machine learning
• modello a quattro gradi di libertà
• profilo stradale sintetico
• rainflow counting
• recurrent neural network
• rete neurale ricorrente
• sensore virtuale
• stima delle forze di contatto pneumatico-strada
• synthetic road profile
• tire-road contact force estimation
• two-wheeled vehicle
• veicolo a due ruote
• virtual sensing

The aim of this work is to estimate tire-road contact forces of a two-wheeled vehicle via machine learning methods. A four degrees of freedom vehicle model has been constructed and utilized for generating a synthetic dataset of simulations with different road profiles, based on three types of excitations (road roughness, singular events, periodic patterns), as well as on a population of vehicles characterized by random physical parameters. A Gated Recurrent Unit (GRU) recurrent neural network has been trained using this dataset, after selecting it out of alternatives (Long Short-Term Memory (LSTM), simple RNN) through a comparative analysis. The performance of this solution has not only been assessed through traditional error metrics but also via sensitivity analysis with regard to vehicle parameters and fatigue pseudo-damage based on rainflow counting.

In questo lavoro si è affrontata la stima delle forze di contatto pneumatico-strada di un veicolo a due ruote con tecniche di machine learning. È stato modellato e simulato un veicolo a quattro gradi di libertà per generare un dataset sintetico di simulazioni con differenti profili di strada, basati su tre diversi tipi di eccitazioni (rugosità, singolarità, pattern periodici) e su una popolazione di veicoli con parametri fisici random. È stata addestrata una rete neurale ricorrente di tipo Gated Recurrent Unit (GRU) su tale dataset, dopo averla scelta tra altre (Long Short-Term Memory (LSTM), simple RNN) con un confronto di esperimenti. Le performance di questa soluzione sono state valutate non solo con metriche di errore classiche, ma anche attraverso un’analisi di sensitività ai parametri veicolo e uno pseudo-danno da fatica basato sul conteggio rainflow.