[論文レビュー] Multi Objective Design Optimization of Non Pneumatic Passenger Car Tires Using Finite Element Modeling, Machine Learning, and Particle swarm Optimization and Bayesian Optimization Algorithms

Priyankkumar Dhrangdhariya, Soumyadipta Maiti+1 more|arXiv (Cornell University)|Feb 4, 2026

Vehicle Dynamics and Control Systems被引用数 0

ひとこと要約

この論文は、FEM、PSO、ベイズ最適化を用いた統合的生成設計と機械学習駆動のフレームワークを提示し、UPTIS型非空気圊 tires のスポークを剛性、耐久性、振動の観点から改善する。

ABSTRACT

Non Pneumatic tires offer a promising alternative to pneumatic tires. However, their discontinuous spoke structures present challenges in stiffness tuning, durability, and high speed vibration. This study introduces an integrated generative design and machine learning driven framework to optimize UPTIS type spoke geometries for passenger vehicles. Upper and lower spoke profiles were parameterized using high order polynomial representations, enabling the creation of approximately 250 generative designs through PCHIP based geometric variation. Machine learning models like KRR for stiffness and XGBoost for durability and vibration achieved strong predictive accuracy, reducing the reliance on computationally intensive FEM simulations. Optimization using Particle Swarm Optimization and Bayesian Optimization further enabled extensive performance refinement. The resulting designs demonstrate 53% stiffness tunability, up to 50% durability improvement, and 43% reduction in vibration compared to the baseline. PSO provided fast, targeted convergence, while Bayesian Optimization effectively explored multi objective tradeoffs. Overall, the proposed framework enables systematic development of high performance, next generation UPTIS spoke structures.

研究の動機と目的

• discontinuous spoke 構造を持つ非空気圊タイヤの剛性チューニング、耐久性、振動の課題を動機付け、解決する。
• 高次多項式表現を用いて約250のUPTISスポーク幾何を創成する生成設計アプローチを開発する。
• 機械学習を活用して剛性、耐久性、振動を予測し、FEMシミュレーションを削減する。
• PSOとベイズ最適化を用いて剛性、耐久性、振動の多目的性能トレードオフを探索・洗練する。

提案手法

• 高次多項式で上部・下部スポーク断面をパラメータ化し、PCHIPベースの幾何変化で約250設計を生成する。
• 幾何から主要性能指標を予測するMLモデル（剛性はKRR、耐久性と振動はXGBoost）を訓練する。
• 検証データ源として有限要素モデルを用い、ML予測を補完する形で選択的に使用する。
• PSOを用いて高性能設計へ迅速に収束させる。
• ベイズ最適化を用いて剛性、耐久性、振動の多目的トレードオフを探索する。

実験結果

リサーチクエスチョン

• RQ1 生成設計フレームワークは、チューニング可能な剛性と耐久性を持つ多様なUPTISスポーク幾何を生み出すことができるか。
• RQ2 幾何からの剛性、耐久性、振動の予測精度はFEMと比較してどれほどか。
• RQ3 UPTISスポーク設計を最適化したとき、剛性、耐久性、振動の間のトレードオフはどうなるか。
• RQ4 この問題に対してどの最適化アルゴリズム（PSO vs ベイズ最適化）がより速く収束するか、または探索性能が良いか。

主な発見

• 設計間で53%の剛性チューニング可能性を達成。
• ベースラインに対して耐久性を最大50%改善できることを実証。
• ベースラインに対して振動を43%低減。
• PSOは高速かつ狙いを絞った高性能設計への収束を提供。
• ベイズ最適化は剛性、耐久性、振動の多目的トレードオフを効果的に探索。