يعتبر تحسين قدرة السيارات على تحمل الاصطدامات تحديًا حيويًا يتطلب إدارة تشوهات هيكلية غير خطية كبيرة وتخفيف الطاقة عبر محاكاة معقدة ودقيقة.مع ظهور أطر التعلم الهندسي (Geometry-Aware Operator Learning)، أصبح بالإمكان تحقيق توقعات سريعة ودقيقة، إلا أن التطبيق في تحليل الاصطدامات على نطاق صناعي لا يزال يمثل تحديًا.
في هذا السياق، يعرض البحث إطار GeoTransolver كحل فعّال لتوقعات ديناميات الاصطدام بدقة عالية على مستوى الصناعة.
تم اختبار هذا الإطار على مجموعات بيانات معقدة تتعلق بعوارض الصدام والمركبات كاملة الحجم، حيث يتمكن من التقاط السياق الهندسي المتعدد المقاييس ودقة تحليل أنماط التشوه البلاستيكي وملفات التسارع في الأماكن الحرجة للركاب.
علاوة على ذلك، تم اقتراح وتقييم مجموعة من استراتيجيات التنبؤ الزمني، بما في ذلك الاستراتيجية ذات المرة الواحدة، والاستراتيجية الزمنية الشرطية، والاستراتيجية التكرارية، حيث أثبتت الاستراتيجية ذات المرة الواحدة تحقيق دقة متطابقة مع الحد الأدنى من الوقت والتكلفة.
كما نقدم تعديلات على عمود الطاقة الذهني (Attention Backbone) تستند إلى محرك توجيه الانتباه منخفض الرتبة السريع (FLARE)، مما يقلل من استهلاك الذاكرة نحو 2x مع تحسين دقة التنبؤ لديناميات الانتقال السريع.
تسلط هذه النتائج الضوء على جدوى التعلم الهندسي كنموذج بديل عالي الدقة لديناميات السيارات المعقدة والمهمة للسلامة.