Abschlussbericht zum: Verbundprojekt: ATTENTION – Artificial Intelligence for real-time injury prediction; Teilvorhaben: Menschmodellpositionierung, Model-Order-Reduction Techniken

Abstract

Ein Thema des Teilarbeitspaketes 3.1 behandelte die Verwendung einer Model-Order-Reduction Methode zur Positionierung von Menschmodellen, insbesondere des THUMS AM50 Fußgängermodells. Dieses Modell wurde zunächst mit lokalen Koordinatensystemen und Referenzpunkten instrumentiert, mit dessen Hilfe eine Vorpositionierung des Modells anhand eines gegebenen Gelenkwinkelsatzes durchgeführt wurde. Diese Vorpositionierung wurde mit Hilfe von Starrkörperdrehungen der entsprechenden Gliedmaßen realisiert. Das vorpositionierte Modell wurde dann als Zielmodell sowohl für die Erzeugung der benötigten Trainingsdaten, als auch für die MOR-basierte Positionierung verwendet. Die Trainingsdaten wurden auf zwei verschiedene Weisen erzeugt, zum Einen mit Hilfe von Simulationen nach der „Marionettenmethode“, zum Anderen auf Grundlage von geometriebasiertem Morphing mit Hilfe eines Kriging oder Radiale-Basisfunktions Ansatzes, wobei sich der erste Ansatz als besser herausstellte, da zum Einen auch physikalische Randbedingungen wie Kontakte oder Materialsteifigkeitsverteilungen im Modell berücksichtigt werden, zum Anderen die Modell-Deformationen weniger lokal ausfallen und die MOR Basis damit eine bessere Kondition aufweist, was sich direkt auf die Qualität der Positionierung auswirkt. Weiterhin wurde eine globale und eine lokale Trainingsdatenerstellung untersucht, wobei der globale Ansatz die Erzeugung einer DOE über alle Gelenkwinkelparameter beinhaltete, wobei im lokalen Ansatz die DOEs lediglich per Gelenk erstellt wurden. Ersterer Ansatz beinhaltet eine Simulation am Gesamtmodell, was allerdings bedeutet, dass bei Modelländerungen der gesamte Trainingsdatensatz neu generiert werden muss. Beim lokalen Ansatz werden lediglich einzelne Gelenke positioniert und anschliessend zur MOR Matrix assembliert. Hier können einfach Trainingsdaten nach Bedarf erstellt und zum Gesamttrainingsdatensatz hinzugefügt werden. Auch hier hat sich allerdings herausgestellt, dass die Deformationen wieder eine sehr lokale Wirkung haben, was wiederum auf eine schlechte Kondition der MOR Matrix führte. Damit ist der globalen Trainingsdatenerzeugung in Verbindung mit Positionierungssimulationen der Vortritt zu geben.