Zawartość miesięcznika nr /

ABSTRACT: Stress is a major factor contributing to road-traffic accidents, highlighting the need for reliable and non-invasive methods to monitor driver stress. Existing research relies largely on Random Forest and XGBoost, whereas newer gradient-boosting algorithms such as LightGBM and CatBoost remain underexplored. This study develops a multimodal stress-detection pipeline using eye-tracking, electrodermal activity, HR/IBI, and driving-behaviour features collected in a firefighter emergency-driving simulator with controlled stress-inducing events. Four models–Random Forest, XGBoost, LightGBM, and CatBoost–were evaluated with comprehensive hyperparameter optimisation. LightGBM achieved the strongest overall performance, offering the highest precision and AUC, particularly in scenarios S2–S4, whereas S1 showed weak separability due to low physiological activation. Key predictive features included EDA phasic/tonic activity, pupil-dilation measures, speed dynamics, and steering variability. The results demonstrate that modern boosting methods combined with multimodal sensing provide robust and generalizable stress detection in operational emergency-driving conditions.

KEYWORDS: driver stress detection, wearable sensing, machine learning, electrodermal activity, eye tracking, hyperparameter tuning

STRESZCZENIE: Stres jest znaczącym czynnikiem prowadzącym do wypadków drogowych, co podkreśla potrzebę niezawodnych i nieinwazyjnych metod monitorowania poziomu stresu u kierowcy. Większość dotychczasowych badań wykorzystuje klasyczne algorytmy, takie jak Random Forest i XGBoost, podczas gdy nowsze algorytmy wzmacniania gradientowego, takie jak LightGBM i CatBoost, pozostają niedostatecznie zbadane w kontekście wykrywania stresu u kierowców na podstawie danych multimodalnych. W niniejszej pracy opracowano wielomodalny system detekcji stresu oparty na danych okulograficznych, elektrodermalnych, HR/IBI oraz telemetrycznych cechach zachowania kierowcy, zarejestrowanych w symulatorze jazdy pojazdu strażackiego wyposażonym w kontrolowane zdarzenia stresogenne. Oceniono cztery modele: Random Forest, XGBoost, LightGBM i CatBoost, poddając je optymalizacji parametrów. LightGBM osiągnął najlepszą ogólną skuteczność, uzyskując najwyższą precyzję i wartość AUC, zwłaszcza w scenariuszach S2–S4, podczas gdy w scenariuszu S1 separowalność klas była słaba ze względu na niską aktywność fizjologiczną. Do kluczowych cech predykcyjnych należały fazowa i toniczna aktywność EDA, miary poszerzenia źrenic, dynamika prędkości oraz zmienność kierowania. Uzyskane wyniki wskazują, że nowoczesne metody wzmacniania gradientowego w połączeniu z wielomodalnym systemem czujników, umożliwiają skuteczną detekcję stresu w warunkach jazdy interwencyjnej.

SŁOWA KLUCZOWE: detekcja stresu kierowcy, urządzenia ubieralne, uczenie maszynowe, aktywność elektrodermalna, okulografia, strojenie hiperparametrów.

DOI: https://doi.org/10.17814/mechanik.2026.1.2

 

* Artykuł recenzowany

ABSTRACT: In this article, several possibilities for integrating AI methods with FEM-based modelling for coefficient of friction (COF) prediction are reviewed and discussed. In particular, the implementation of a Grey-Box model and selected regression testing methods is presented. Results of integrating a Python interface with the FEM DEFORM package for predicting componential cutting forces and cutting temperatures using estimated COF values are provided. The performance of different friction models implemented in FEM and SPH simulation packages is compared. New trends and future research directions are also outlined.

KEYWORDS: artificial intelligence, FEM modeling, coefficient of friction (COF), Grey-Box model, friction models, cutting forces and temperature

STRESZCZENIE: W artykule omówiono możliwości integracji metod sztucznej inteligencji (AI) z modelowaniem metodą elementów skończonych (FEM) do prognozowania wartości współczynnika tarcia. W szczególności przedyskutowano zastosowanie tzw. modelu szarej skrzynki (Grey-Box) i kilku metod testowania regresyjnego, a podano wyniki integracji interfejsu Pythona z programem symulacyjnym DEFORM dotyczące sił skrawania i temperatury, wykorzystujące wyniki prognozy współczynnika tarcia. Porównano efekty zastosowania różnych modeli tarcia w metodach FEM i SPH. Omówiono przyszłościowe kierunki badań.

SŁOWA KLUCZOWE: sztuczna inteligencja, modelowanie MES (FEM), współczynnik tarcia (COF), model szarej skrzynki, modele tarcia, siły tnące i temperatura skrawania

DOI: https://doi.org/10.17814/mechanik.2026.1.1

 

* Artykuł recenzowany

STRESZCZENIE:

Czysty wolfram (W) jest metalem o wyjątkowych właściwościach fizycznych i mechanicznych, w tym bardzo wysokiej wytrzymałości temperaturowej, z czego wynika jego wyjątkowo niska skrawalność. Sposobem na jej poprawienie może być zastosowanie halogenowej cieczy chłodząco-smarującej.

BIBLIOGRAFIA / BIBLIOGRAPHY:

K.R. Berenji, S.N. Melkote, Improving the cutting characteristics of pure tungsten using a halogenated cutting fluid, CIRP Annals – Manufacturing Technology 74 (2025): 139–143, https://doi.org/10.1016/j.cirp.2025.03.033