Отримано 24.03.2025, Доопрацьовано 02.07.2025, Прийнято 28.08.2025

Ефективність комп’ютерних засобів моделювання роботи шин на базі вбудованого контролера телеметрії

Іван Болгов, Ярослав Клятченко

Метою дослідження був аналіз ключових аспектів динаміки колісної техніки та оцінка ефективності застосування сучасних методів комп’ютерного моделювання в процесі проектування транспортних засобів. У роботі розглядались основні параметри, що впливали на роботу шин, зокрема сили, моменти, кут ковзання, вертикальне навантаження та взаємозв’язки між ними. Було обґрунтовано доцільність використання моделювання для забезпечення необхідного рівня зчеплення, керованості та комфортності під час керування транспортними засобами. Здійснено класифікацію існуючих моделей шин з поділом на емпіричні, напівемпіричні та фізичні моделі, наведено їх порівняльний аналіз, визначено переваги та обмеження кожного типу. Особливу увагу приділено «магічній формулі» моделі шин, яка використовується для визначення характеристик шин. В межах дослідження описано застосування цієї формули для створення наближених математичних моделей з використанням методу апроксимації кривих, що дозволяє точно описувати поведінку шин у різних умовах експлуатації. Окремо проаналізовано сучасні тенденції розвитку шинних моделей із залученням методів машинного навчання, які дають змогу автоматизувати процес підбору параметрів і підвищити точність моделювання. Показано, що комплексне використання методів машинного навчання й комп’ютерного моделювання здатне підвищити ефективність розробки шинної продукції та сприяти створенню інноваційних рішень у сфері колісної техніки. Практична цінність дослідження полягає у можливості впровадження запропонованих підходів для вдосконалення динамічних характеристик транспортних засобів та іншої колісної техніки, що потенційно призведе до зменшення кількості дороговартісних польових випробувань

комп’ютерне моделювання; динаміка колісної техніки; моделі шин; «магічна формула» моделі шин; машинне навчання
132-143
Bolhov, I., & Klyatchenko, Y. (2025). Effectiveness of computer-based tyre modelling tools based on an embedded telemetry controller. Information Technologies and Computer Engineering, 22(2), 132-143. https://doi.org/10.31649/vitce/2.2025.132

Використані джерела

[1] Bakker, E., Nyborg, L., & Pacejka, H.B. (1987). Tire modelling for use in vehicle dynamics studies. SAE Transactions, 96, 190-204.

[2] Beckman, B. (1991). The physics of racing: Part 1. Retrieved from http://autoxer.skiblack.com/phys_racing/contents.htm. [17] Rajamani, R. (2006). Vehicle dynamics and control (1st ed.). Heidelberg: Springer. https://doi.org/10.1007/0-38728823-6.

[3] Chandiramani, J.R., Bhandari, S., & Hariprasad, S.A. (2014). Vehicle data acquisition and telemetry. In Proceedings of the 2014 fifth international conference on signal and image processing (pp. 187-191). Bangalore: IEEE. doi: 10.1109/ ICSIP.2014.35.

[4] Gillespie, T.D. (1994). Fundamentals of vehicle dynamics. Warrendale: Society of Automotive Engineers.

[5] Gratton, S., Lawless, A., & Nichols, N. (2007). Approximate Gauss-Newton methods for nonlinear least squares problems. SIAM Journal on Optimization, 18(1), 106-132. doi: 10.1137/050624935.

[6] Hirschberg, W., Rill, G., & Weinfurter, H. (2007). Tire model TMeasy. Vehicle System Dynamics, 45(sup1), 101-119. doi: 10.1080/00423110701776284.

[7] Jabbar, M.A., Basheer, S., & Alshudukhi, J. (2024). EDT-STACK: An ensemble of decision tree-based stacking model for classifying tire tread status. Results in Engineering, 22, article number 102218. doi: 10.1016/j.rineng.2024.102218.

[8] Jacobson, B., et al. (2016). Vehicle dynamics compendium for course MMF062. Göteborg: Chalmers University of Technology.

[9] Karkaria, V., Chen, J., Luey, C., Siuta, C., Lim, D., Radulescu, R., & Chen, W. (2024). A digital twin framework utilizing machine learning for robust predictive maintenance: Enhancing tire health monitoring. ArXiv. doi: 10.48550/ arXiv.2408.06220.

[10] Karniadakis, G.E., Kevrekidis, I.G., Lu, L., Perdikaris, P., Wang, S., & Yang, L. (2021). Physics-informed machine learning. Nature Reviews Physics, 3, 422-440. doi: 10.1038/s42254-021-00314-5.

[11] Kemp, B., & Olivan, J. (2003). European data format “plus” (EDF+), an EDF alike standard format for the exchange of physiological data. Clinical Neurophysiology, 114(9), 1755-1761. doi: 10.1016/S1388-2457(03)00123-8.

[12] Lee, J.-H., Lee, J.-H., Yun, K.-S., Bae, H.B., Kim, S.Y., Jeong, J.-H., & Kim, J.-P. (2023). A Study on Wheel member condition recognition using machine learning (support vector machine). Sensors, 23(20), article number 8455. doi: 10.3390/s23208455.

[13] Lex, C. (2015). Estimation of the maximum coefficient of friction between tire and road based on vehicle state measurements. (Doctoral dissertation, Graz University of Technology, Graz, Austria).

[14] Li, J.-Y., Zhan, Z.-H., Li, Y., & Zhang, J. (2025). Multiple tasks for multiple objectives: A new multiobjective optimization method via multitask optimization. IEEE Transactions on Evolutionary Computation, 29(1), 172-186. doi: 10.1109/ TEVC.2023.3294307.

[15] Olazagoitia, J.L., Perez, J.A., & Badea, F. (2020). Identification of tire model parameters with artificial neural networks. Applied Sciences, 10(24), article number 9110. doi: 10.3390/app10249110.

[16] Pacejka, H.B. (2007). Tyre and vehicle dynamics (2nd ed.). Butterworth-Heinemann: Elsevier.

[17] Singh, K., Sarvari, P., Petry, F., & Khadraoui, D. (2019). Application of machine learning & deep learning techniques in the context of use cases relevant for the tire industry. In Reifen – Fahrwerk – Fahrbahn (pp. 241-268). Düsseldorf: VDI Verlag. doi: 10.51202/9783181023563-241.

[18] Song, H., Gao, L., Lu, Y., & Li, H. (2024). Application of selected machine learning methods for prediction of conicity in radial tire production. Applied Sciences, 14(15), article number 6393. doi: 10.3390/app14156393.

[19] Sousa, L.C., & Hultmann, V. (2022). Nonlinear tire model approximation using machine learning for efficient model predictive control. IEEE Access, 10, 107549-107562. doi: 10.1109/access.2022.3212420

[20] Stocco, D., Biral, F., & Bertolazzi, E. (2024). A physical tire model for real-time simulations. Mathematics and Computers in Simulation, 223, 654-676. doi: 10.1016/j.matcom.2024.04.020.

[21] Tuononen, A.J. (2008). Optical position detection to measure tyre carcass deflections. Vehicle System Dynamics, 46, 471-481. doi: 10.1080/00423110701485043.

[22] Tuononen, A.J. (2009). Vehicle lateral state estimation based on measured tyre forces. Sensors, 9(11), 8761-8775. doi: 10.3390/s91108761.

[23] Wang, J., Liu, Y., Ding, L., Li, J., Gao, H., & Sun, T. (2018). Neural network identification of a racing car tire model. Journal of Engineering, 2018, article number 4143794. doi: 10.1155/2018/4143794.

[24] Wheatstone, C. (1843). XIII. The Bakerian lecture. An account of several new instruments and processes for determining the constants of a voltaic circuit. Philosophical Transactions of the Royal Society of London, 133, 303-327. doi: 10.1098/rstl.1843.0014.

[25] Xu, N., Askari, H., Huang, Y., Zhou, J., & Khajepour, A. (2022). Tire force estimation in intelligent tires using machine learning. IEEE Transactions on Intelligent Transportation Systems, 23(4), 3565-3574. doi: 10.1109/TITS.2020.3038155.