Im Rahmen der Arbeit wird eine Methode zur Klassifizierung von Unfallszenarien entwickelt, wobei es sich bei den Unfällen um Pfahlkollisionen handelt. Die Klassifizierung eines Unfallszenarios erfolgt durch die Abschätzung der bevorstehenden Fahrzeuggeschwindigkeitsänderungen in Fahrzeuglängs- und Fahrzeugquerrichtung sowie der Positionsabschätzung des Pfahls. Zudem ist eine genaue Abschätzung der genannten Unfallparameter bereits 10 ms nach dem Pfahlaufprall möglich. Für eine genaue Abschätzung der Unfallparameter werden Beschleunigungs- und Gierratensignale des Fahrzeugs benötigt, die mithilfe von FE-Gesamtfahrzeugsimulationen gewonnen werden. Sowohl die Beschleunigungs- als auch die Gierratensignale erfahren im Anschluss eine Wavelettransformation. Zudem wird der Betrag der Wavelettransformierten im Zeit- und im Frequenzbereich diskretisiert. Dies ist notwendig, um wesentliche Informationen in einer geeigneten Form aus den Signalen ziehen zu können, damit diese als Eingangsparameter für künstliche neuronale Netze nutzbar sind. Mithilfe der künstlichen neuronalen Netze erfolgt die Abschätzung der wesentlichen bereits oben genannten Unfallparameter. Zudem können diese Unfallparameter nach einem erfolgreichen Training eines künstlichen neuronalen Netzes auch für unbekannte Unfallszenarien bestimmt werden, wobei die äußeren Grenzen der Trainingsmenge einzuhalten sind. Aufgrund der frühzeitigen Unfallparameterabschätzungen ist eine Anpassung der Auslösealgorithmen der Rückhaltesysteme möglich. Der bedarfsgerechte Einsatz von Rückhaltesystemen in einem Unfallszenario könnte dadurch zu einer erheblichen Verringerung der Verletzungsschwere führen. Die Untersuchungen in dieser Arbeit beziehen sich ausschließlich auf Kollisionen mit einem Pfahlhindernis, welches sich frontal vor dem Fahrzeug befindet. Die erzielten Ergebnisse sind insbesondere bei der Abschätzung der Aufprallgeschwindigkeit in Fahrzeuglängsrichtung und der Pfahlpositionen sehr genau. Zudem besitzt die Methode ein sehr stabiles Verhalten bezüglich Gewichtsänderungen am Fahrzeug im gesamten zulässigen Gewichtsbereich. Auch auf erhebliche Größenänderungen des Pfahldurchmessers kann ein künstliches neuronales Netz durch ein entsprechendes Training angepasst werden, sodass auch in diesen Unfallszenarien genaue Abschätzungen möglich sind. Zuletzt wird in der Arbeit dargelegt, dass die guten Ergebnisse nicht auf Zufälligkeiten beruhen, sondern in den charakteristischen Eigenschaften der verwendeten Eingangsgrößen begründet sind.

• Unfall

• Fahrzeug

• passive Fahrzeugsicherheit

• Künstliche Neuronale Netze

• Wavelettransformation

• Finite Elemente Methode

• Simulation

Bastian Fuhr hat von Oktober 2002 bis April 2006 Maschinenbau mit der Vertiefungsrichtung Fahrzeug- und Antriebssystemtechnik an der Helmut-Schmidt-Universität - Universität der Bundeswehr Hamburg studiert. Das Studium hat er mit seiner Diplomarbeit abgeschlossen, die den Titel ‚Gekoppelte FEM- und MKS-Modelle. Berechnungen am Beispiel eines Kettenlaufwerks auf nachgiebigem Boden’ trägt. Für seine hervorragenden Leistungen wurde er vom Amtschef des Luftwaffenamts mit dem Bestpreis für seinen Studiengang im Jahr 2006 ausgezeichnet. Nach seiner militärischen Ausbildung und einem Einsatz als Leiter der Kooperation Schleudersitz bei der Autoflug GmbH war Bastian Fuhr von Oktober 2008 bis September 2011 Wissenschaftlicher Mitarbeiter Offizier am Institut für Fahrzeugtechnik und Antriebssystemtechnik. Während dieser Tätigkeit erarbeitete er mehrere Veröffentlichungen, die auf Konferenzen wie der SIMVEC 2010, dem NAFEMS World Congress 2011 oder der WISAU 2010 vorgestellt wurden. Zum Abschluss seiner Tätigkeit als Wissenschaftlicher Mitarbeiter Offizier legte Bastian Fuhr im November 2011 dem Fakultätsrat Maschinenbau seine Dissertation vor und konnte das Promotionsverfahren am 27. März 2012 erfolgreich abschließen.