Machine Learning-Driven Lightweight Design of Materials for Police Protective Equipment: A Methodological Framework and Validation Study
Diese Studie etabliert ein auf maschinellem Lernen basierendes Framework, das XGBoost-Vorhersage, SHAP-Analyse und NSGA-II-Optimierung integriert, um erfolgreich leichte Schutzausrüstung für die Polizei zu konzipieren, wobei signifikante Massenreduzierungen (20–33 %) bei Rüstungen, Helmen und Schilden im Vergleich zu herkömmlichen kommerziellen Systemen bei gleichbleibender oder verbesserter ballistischer Leistung erzielt werden.