使用混合有限元模型進行電動車結構的輕量化設計

在汽車行業對產品性能進行優化設計具有重要意義。由于白車身（BIW）的設計通常需要考慮到各種性能，如防撞性、剛度、模態等，BIW多目標優化（MOO）可有效實現最佳優化，這方面有大量的研究。但是采用MOO方法，受混合有限元模型精度和樣本數量的影響很大，此外研究人員發現上述MOO設計限制了方案和參數的確定性優化。然而，現實世界存在由于制造精度、負載條件和環境因素所導致的變化，由此，采用確定性多目標優化（DMOO）是不可靠和不可行的，可能無法在實踐中滿足所需的性能。

為此本文提出了一種多目標可靠性設計優化（MORBDO）算法，用于對電動汽車（EV）前部結構進行優化設計。選擇具有幾何公差的五個關鍵部件的厚度作為設計變量，對EV前部結構進行優化設計，同時保證其碰撞性能、模態等特性滿足要求。

文中基于蒙特卡羅模擬（MCS）技術的概率自適應因子（PSF）方法，解決了MORBDO中的概率約束問題。同時為了提高優化結果的準確性，文中提出了一種基于混合有限元模型精度改進方法的閉環系統。優化問題由多目標粒子群優化算法求解。

結果表明，基于PSF方法，可用于執行高精度MORBDO算法，可以基于組件幾何公差的不確定性進行EV前部結構的優化設計。與DMOO方法相比，采用PSF方法的MORBDO方法，具有較高可靠性，可克服不確定性因素影響，進行確定性多目標優化。