基于神經網絡算法的汽車前縱梁碰撞性能優化設計

王甲畏 WANG Jia-wei

（澳汰爾工程軟件（上海）有限公司，上海 200070）

0 引言

汽車碰撞安全，關系到乘員和車體的安全。如何提高車體的防撞能力，減少傷害事故，車體的結構設計至關重要。對于汽車安全，隨著國家汽車碰撞安全法規的不斷升級和行業標準的不斷提高，對汽車設計的要求也越來越高。當前我國的相關法規有國標，中汽研的C-NCAP 和中保研的C-IASI。

1 汽車碰撞安全性能開發策略

對于汽車廠家來講，在車輛設計時，根據車輛星級目標，首先要制定碰撞安全策略，即車身結構采用什么樣的變形模式，常見的有兩大類，分別稱為吸能式和掠過式。所謂吸能式就是碰撞時能量分散至全車身結構來承擔，目的是避免僅由部分車身結構來承擔碰撞能量吸收工作。所謂掠過式（主要是針對小偏置碰）就是車身會滑出壁障，減少車身的變形，進而車內的碰撞沖擊力就大幅減小，乘客生存空間幾乎不變形。

對于絕大部分碰撞工況，都是依靠車身結構吸收碰撞時產生的能量來進行乘員保護。由于車身結構的復雜性，對車身不同部位，一般采用不同的吸能策略，通常劃分為三個區域：低速行人保護區，相容吸能區和自身保護區。

其中，低速行人保護區，車輛的變形和變形受力都應該比較小，這樣有利于保護行人和車輛。相容吸能區，是車輛中速碰撞性能區，碰撞時能量比較均勻地被吸收，盡量降低撞擊時的加速度峰值。車身設計時，將前端設計軟一些，正面碰撞時的能量靠前端車頭的變形來吸收，并通過縱梁將撞擊力導入到地板結構中。自身保護區，體現高速碰撞時汽車乘員室具有的自身保護能力，車身結構具有較大的剛度，碰撞時為乘員提供足夠的生存空間。

2 局部結構變形模式

在車輛發生碰撞時，根據車身結構特點以及對應的工況，每個車身都有明確的載荷傳力路徑，每個部件結構形狀不同，位置不同，所承受的載荷也會不同。

但是，無論結構形式如何，承受的載荷大小多少，每種結構在局部區域或位置上，變形模式主要分為兩種：逐級屈服模式和歐拉屈服模式。逐級屈服變形模式如圖1a 所示，它最主要的特點是結構盡可能的發生壓潰，極少的折彎。吸收的能量與結構的截面積成正比。歐拉屈服變形模式如圖1b 所示，最主要的特點是在壓潰的同時，發生了較大的折彎。

圖1 逐級屈服和歐拉屈服變形模式

同樣的結構形式，一旦發生了折彎，結構繼續承載的能力將大大降低，從而吸能效果也大大折扣。

因此，對于車身結構來說，在絕大部分碰撞工況下，在保證傳力路徑正常的前提下，都是需要盡可能多的吸收能量，進而給乘員留出安全空間。

3 前縱梁優化設計

本文以某車型前縱梁為例，來描述采用傳統的優化設計和基于神經網絡模型結合優化設計兩種設計方案，并進行結果對比。

3.1 基礎設計及碰撞變形模式

前縱梁的基礎設計如圖2 中a 所示，可以看出，根據設計經驗，已經做了一些開孔和加強筋。但是根據100%正碰有限元模型①仿真計算結果可見，如圖2 中b 所示，整個結構發生了嚴重的折彎。

圖2 前縱梁基礎設計和100%正碰變形結果

3.2 前縱梁優化設計

在結構的優化設計中，有非常多的優化方法，比如拓撲優化，形狀優化，尺寸優化，形貌優化[1]等，根據本文的目的，本章節只介紹形狀優化方法在前縱梁碰撞工況下的應用。

形狀變量：在有限元仿真模型中，主要是通過變化節點的位置，進而帶動單元形狀的變化，最終形成形狀設計變量，優化時，對形狀變量定義上、下限范圍[1]。

在HyperMesh 中，可以非常方便的通過HyperMorph功能來定義形狀變量[2]，本算例中實際定義了47 個變量，主要是在前縱梁上設置一些凹槽加強筋，其目的是希望碰撞發生時在凹槽處發生壓潰，圖3 為形狀變量部分示例，代表凹槽所在的位置。

圖3 前縱梁形狀變量

本算例的約束條件是：

Internal Energy@200mm > 7.5kJ（在碰撞200 毫秒時，內能大于7.5 千焦）；

Max Force ＜ 120kN。

目標函數是：

其中，xi為設計變量凹槽的深度。

在優化計算時，是把前縱梁放置在整車模型中，其它部件也作為設計變量和對應的約束條件。另外還考慮其它屬性，如NVH。因此采用的是多學科優化，在HyperStudy中運行，優化算法采用的是傳統的全局響應面法GRSM[3]。

優化后的結果如圖4 所示，變形模式（傳統優化設計）比基礎設計有了改善，但還是發生了一些折彎，與圖1 中a 的逐級屈服模式有一定差異，需要繼續優化改進。

圖4 前縱梁優化后變形模式

3.3 神經網絡算法與傳統優化算法結合

在傳統的優化算法中，雖然定義了47 個形狀變量，目的是誘發前縱梁產生逐級屈服的變形模式，但因為整車結構復雜，每個部件之間受力相互傳遞，最后在整車碰撞分析中就難以保證達到想要的設計預期效果。

另外，碰撞計算后的變形模式是由人為來判定的，即發生的結果是折彎還是壓潰，是基于變形后的結果，依靠人的經驗給出的判定。借助于機器學習（神經網絡）算法在圖像識別方面的應用，本文把神經網絡算法引入到模型結果變形模式的判斷中，篩選出最想要的變形模式（本文選擇是逐級屈服模式），然后再進行結構優化。

下面內容描述整個算例的過程和方法：

3.3.1 實驗設計

實驗設計（DOE：Design of Experiment）是一種研究輸入參數與響應關系的方法，目的之一是以最少的計算次數研究參數的影響，本文采用的實驗設計方法是修正的可擴展格柵序列法（MELS：Modified Extensible Lattice Sequence）[3]。

對前縱梁，選擇節點位移為輸出結果，為后續機器學習算法來識別其變形模式。本算例選擇前縱梁上所有150個節點，每個節點有x，y，z 三個方向，共計450 個位移值，同時結合其它變量，共形成200 個計算。在DOE 結果中，選擇輸出前縱梁的變形圖，參考圖2 中b 結果。

3.3.2 數據標簽

在HyperStudy 中，以其自帶的算法，對DOE 的每種變形圖結果進行打標簽[3]，一般標注為：Bad, Good, Medium，圖5 為示例，共計200 組數據。

圖5 結構變形數據及標簽結果

3.3.3 聚類分組

根據標簽后的數據，進行聚類分析，很容易的就可以把同類型的變形模式分組，并結合后續優化的計算量，最終分為三組，如圖6 所示，左側106 種的組1 以折彎變形模式為主，中間39 種的組2 以壓潰為主，右側55 種的組3 具有折彎和壓潰的組合，本算例中，最后選擇中間組2變形模型繼續做優化，以提升碰撞性能。

圖6 變形模式分組

3.3.4 最終優化

優化目標與3.2 章節一致，除了包含3.2 章節兩個約束條件之外，增加一條：

Probability of Cluster 2 > 0.9

這個約束條件的目的是最終結構變形模型發生的可能性要大于90%。

最終的優化結果如圖7 所示，比采用傳統優化設計的變形模式更加滿足設計預期，基本上是逐級屈服模式，達到了設計目的。

圖7 三種設計方案對比

4 小結

本文通過對比傳統結構優化算法與基于神經網絡+優化算法的兩種方法，在前縱梁碰撞性能設計中，采用神經網絡+優化算法結合的方法，可以代替人為經驗判定，并且在設計時就可以控制結構的變形模式，進而對最終的碰撞性能有更準確的把控和預期，豐富了設計手段。同時，這種方法在汽車其它的結構設計時也得到了很好的驗證，說明此方法可靠、可信，有很高的實踐價值。

注釋：

①本文中的所有結果都是采用有限元仿真計算所得，整車有限元模型采用HyperMesh 建立，求解器采用Radioss 計算，關于模型建立和計算，此文不再詳細描述。