Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/11531/55111
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorLópez Valdés, Francisco Josées-ES
dc.contributor.authorRodríguez González, Migueles-ES
dc.contributor.otherUniversidad Pontificia Comillas, Escuela Técnica Superior de Ingeniería (ICAI)es_ES
dc.date.accessioned2021-03-26T13:53:22Z-
dc.date.available2021-03-26T13:53:22Z-
dc.date.issued2021es_ES
dc.identifier.urihttp://hdl.handle.net/11531/55111-
dc.descriptionMáster Universitario en Ingeniería Industrial + Máster en Ingeniería para la Movilidad y Seguridad/Master of Engineering in Mobility and Safetyes_ES
dc.description.abstractProyecto centrado en la predicción de los pulsos de choque producidos en la colisión lateral. Utilizando metodologías de extracción y procesamiento de datos se ha obtenido una configuración inicial que describa el posicionamiento de ambos vehículos. Se ha desarrollado un método de Machine Learning para realizar la predicción del pulso de choque, y una posterior evaluación de la predicción realizada comparándola con los resultados que se obtuvieron en las simulaciones de estas colisiones. Para ello se han implementado distintos métodos de obtención de las distintas variables para el algoritmo de Machine Learning: tres ángulos posicionales, ambas velocidades de los vehículos y sus masas. estas variables describen la configuración del choque. Posteriormente se han obtenido los pulsos de choque procedentes de las simulaciones ya realizadas por la compañía. Se han desarrollado cuatro modelos de predicción, utilizando: Redes neuronales, Random Forest, Support Vector Machine y Gradient Boost. Estos modelos se han aplicado para predecir los mencionados pulsos de choque. Se ha diferenciado entre modelos de predicción de la traslación del vehículo y modelos de predicción de la rotación del vehículo. Tras su comparación, se ha elegido el modelo que utiliza Random Forest como el que mejores resultados ha alcanzado tanto para predecir las traslaciones como para las rotaciones.es-ES
dc.description.abstractProject focused on the prediction of crash pulses produced in the lateral collision. Using methodologies to extract and process data to obtain an initial configuration that describes the positioning of both vehicles, a Machine Learning method has been developed to make the prediction of the crash pulse and a subsequent evaluation of the prediction made comparing with the results that were obtained in the simulations of these collisions. For this purpose, different methods have been implemented to obtain the different variables for the Machine Learning algorithm: three positional angles, both vehicle speeds, and the masses of the vehicles. These variables describe the crash configuration. Subsequently, the crash pulses have been obtained from the simulations already given by the company. Four prediction models have been developed, using: Neural Networks, Random Forest, Support Vector Machine, and Gradient Boost. These models have been applied to predict the mentioned crash pulses. A distinction has been made between the models predicting the vehicle translation and the models predicting the vehicle rotation. After their comparison, the model using Random Forest has been chosen as the one that has achieved the best results both for predicting translations and rotations.en-GB
dc.format.mimetypeapplication/pdfes_ES
dc.language.isoen-GBes_ES
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United Stateses_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/es_ES
dc.subject33 Ciencias tecnológicases_ES
dc.subject3310 Tecnología industriales_ES
dc.subject331001 Equipo industriales_ES
dc.subject.otherH62-mecanica (MII-M)es_ES
dc.titleCrash Pulse Prediction applied to Lateral Crash Configurationses_ES
dc.typeinfo:eu-repo/semantics/masterThesises_ES
dc.rights.accessRightsinfo:eu-repo/semantics/closedAccesses_ES
dc.keywordsIA, Análisis de datos, Pulso de choque, Seguridad del vehículoes-ES
dc.keywordsAI, Data Analysis, Crash Pulse, Safetyen-GB
Aparece en las colecciones: H62-Trabajos Fin de Máster

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
TFM - Rodriguez Gonzalez Miguel.pdfTrabajo Fin de Máster3,54 MBAdobe PDFVista previa
Visualizar/Abrir
Anexo I _ Miguel.pdfAutorización91,6 kBAdobe PDFVista previa
Visualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.