基于發(fā)動(dòng)機(jī)罩板體素?cái)?shù)據(jù)的頭部碰撞損傷快速預(yù)測(cè)

主題詞：行人保護(hù)機(jī)器學(xué)習(xí)頭部損傷指標(biāo)罩板結(jié)構(gòu)3D-CNN自編碼器

中圖分類號(hào)：U463；TP181 文獻(xiàn)標(biāo)志碼：A DOI： 10.19620/j.cnki.1000-3703.2025008

Fast Head Crash Damage Prediction Based on Hood Plate Voxel Data

Chen Guangl2，Shang Yunlong12，Zhang Junyuan4，Tang Hongbin3，Sun Xiuxiu1.2 （1.Engneering，ianjin3O3O;2.ianjinPower for s， 3.Global Center， FAW CorporationLimited，130o13;4.Colege ， ， ）

【Abstract】Inorder toquickly evaluate thepedestrian protectionperformance hood platestructures difrent vehicles atthe vehicle development stage，thispaper proposesa machine learning prediction method basedon3D voxel data. ，a3Dvoxeldatasetcenteredonthecolisionpointthehodplateheadisconstructedbasedonthefiniteelementmodels 7vehicles toaccuratelycharacterizethecomplex 3Dstructurethehoodplate.Second，unsupervisedfeature learning is performedonthe3Dvoxeldata byusing3D-CNNAuto-Encodertogenerate the1Ooo-dimensional coded dataset. Subsequently，thenoisefeaturesarefilteredbythePCA lineardownscaling techniquetoobtain the24-dimensionalPCA dataset.Finally，theperformancethetwodatasetsonthefourmachinelearning modelsiscompared.Theexperimentalresults showthatthe224-dimensionalPCAdataset hasabetter prediction effect，inwhich thecoeffcient determination R² the SVR model for the prediction HIC a-peak reaches 98.86% 98.44% ，respectively，which significantlyimproves the predictionaccuracygeneralizationability.Inaddition，thecomputationtimemorethan1OOsetscollsionpoints fora singlevehicleisshortenedtolessthan1Os，whichsignificantlyimprovestheficiencythedevelopmentautomobilesafety performance.

words：Pedestrian protection，Machine learning，Head Injury Criterion （HIC），Cowl structure，3D-CNNAuto-Encoder

【引用格式】陳光，尚云龍，張君媛，等.基于發(fā)動(dòng)機(jī)罩板體素?cái)?shù)據(jù)的頭部碰撞損傷快速預(yù)測(cè)[J].汽車技術(shù)，2025（10）：52-62.CHENG，SHANGYL，ZHANGJY，etal.Fast Head CrashDamagePrediction BasedonHoodPlateVoxelData[J]. ，2025（10）： 52-62.

1前言

在交通事故中，行人頭部撞擊發(fā)動(dòng)機(jī)罩板是造成其致命傷害的主要原因之一]。為了降低事故傷亡率，國(guó)內(nèi)外相繼出臺(tái)嚴(yán)格的法規(guī)和測(cè)試標(biāo)準(zhǔn)，要求車輛設(shè)計(jì)必須嚴(yán)格考慮行人保護(hù)性能2。因此，優(yōu)化發(fā)動(dòng)機(jī)罩板結(jié)構(gòu)對(duì)于提高行人保護(hù)性能具有重要意義。

在車輛開發(fā)階段，通過有限元分析（FiniteElement Analysis，F(xiàn)EA）計(jì)算頭部損傷指標(biāo)（Head Injury Criterion，HIC）評(píng)估發(fā)動(dòng)機(jī)罩的保護(hù)性能。在罩板結(jié)構(gòu)開發(fā)中，需對(duì)各碰撞點(diǎn)單獨(dú)建模，細(xì)微的結(jié)構(gòu)調(diào)整即需重新建模計(jì)算，單個(gè)設(shè)計(jì)方案評(píng)估計(jì)算耗時(shí)長(zhǎng)達(dá)2～3天，嚴(yán)重影響研發(fā)效率，難以滿足當(dāng)下快速開發(fā)的需求。隨著人工智能技術(shù)的蓬勃發(fā)展，多數(shù)研究利用機(jī)器學(xué)習(xí)快速獲取結(jié)構(gòu)安全性能[3-8]。賀宏偉等提出利用圖神經(jīng)網(wǎng)絡(luò)，在吸能盒結(jié)構(gòu)相同的條件下，預(yù)測(cè)不同厚度對(duì)耐撞性能的影響；林翔等基于數(shù)值模擬與機(jī)器學(xué)習(xí)建立汽車碰撞代理模型，獲得不同碰撞速度下的力-位移曲線；馬騁浩等通過仿真采樣與圖像識(shí)別構(gòu)建數(shù)據(jù)集，利用機(jī)器學(xué)習(xí)模型實(shí)現(xiàn)了電池包側(cè)面柱碰撞安全性的高效預(yù)測(cè)；李杰等[12]提出SVM-SSA-BP（Support Vector Machine-SparrowSearchAlgorithm-BackPropagation）融合的機(jī)器學(xué)習(xí)模型，預(yù)測(cè)機(jī)械濫用下鋰電池組的安全性能。上述研究均針對(duì)同一結(jié)構(gòu)在不同工況下的性能預(yù)測(cè)，但缺乏同一工況條件下針對(duì)結(jié)構(gòu)差異的非線性分析。

在車輛行人保護(hù)幾何結(jié)構(gòu)研究方面，Kaushik等[13]根據(jù)碰撞點(diǎn)的結(jié)構(gòu)特征，手動(dòng)提取6組設(shè)計(jì)參數(shù)預(yù)測(cè)行人的保護(hù)性能，但不同車輛罩板的結(jié)構(gòu)差異較大，無法利用同一組設(shè)計(jì)參數(shù)準(zhǔn)確描述，導(dǎo)致泛化能力弱。Shanbhag等4克服了參數(shù)化限制，提出基于碰撞點(diǎn)位置的橫縱截面圖，并結(jié)合ResNet模型對(duì)碰撞點(diǎn)HIC進(jìn)行端到端預(yù)測(cè)，但精度較低。

由于難以精確描述復(fù)雜的罩板結(jié)構(gòu)，模型在車輛行人保護(hù)性能分析中的預(yù)測(cè)精度明顯不足。為此，本文提出一種基于發(fā)動(dòng)機(jī)罩板體素?cái)?shù)據(jù)的頭部損傷快速預(yù)測(cè)方法。將罩板的三維結(jié)構(gòu)轉(zhuǎn)化為體素模型，充分表征其幾何細(xì)節(jié)；針對(duì)模型開發(fā)中小樣本問題，利用3D-CNN（3D-ConvolutionalNeuralNetwork）自編碼器進(jìn)行幾何特征降維，并構(gòu)建高質(zhì)量數(shù)據(jù)集；通過機(jī)器學(xué)習(xí)模型可替代有限元計(jì)算，實(shí)現(xiàn)對(duì)不同車輛罩板結(jié)構(gòu)行人保護(hù)性能的快速預(yù)測(cè)。

2頭部碰撞損傷數(shù)據(jù)集構(gòu)建

2.1總體框架

汽車罩板結(jié)構(gòu)為復(fù)雜曲面結(jié)構(gòu)，不同車輛罩板結(jié)構(gòu)差異顯著，如圖1所示。由于發(fā)動(dòng)機(jī)罩內(nèi)板拓?fù)渑c外板曲面組合的三維結(jié)構(gòu)特征對(duì)HIC具有較高的靈敏度，難以通過離散的截面信息和簡(jiǎn)單參數(shù)準(zhǔn)確描述。因此，本文提出有限元模型的體素化方法，利用3D-CNN自編碼器對(duì)高維幾何特征進(jìn)行降維，同時(shí)利用主成分分析（PrincipalComponentsAnalysis，PCA）方法進(jìn)行特征篩2025年第10期選，構(gòu)建適用于小樣本的高質(zhì)量數(shù)據(jù)集，并基于4種機(jī)器學(xué)習(xí)模型預(yù)測(cè)測(cè)試集的HIC與a峰，驗(yàn)證本文方法的可行性，總體結(jié)構(gòu)框架如圖2所示。

圖2預(yù)測(cè)模型系統(tǒng)框架

2.2頭部損傷評(píng)價(jià)指標(biāo)

根據(jù)中國(guó)新車評(píng)價(jià)規(guī)程（CarAssessmentProgram，C-NCAP），HIC的具體評(píng)分機(jī)制如表1所示，利用頭模型沖擊罩板獲取時(shí)間間隔不超過 15ms 的頭部傷害指標(biāo) HIC₁₅ ，從而量化車輛前端結(jié)構(gòu)的行人保護(hù)性能[15]，如圖3所示。

表1頭部損傷顏色得分

在生物力學(xué)中，HIC根據(jù)頭部質(zhì)心的合成加速度-時(shí)程曲線計(jì)算，其表達(dá)式為：

式中： a（t） 為時(shí)間歷程中頭部質(zhì)心處的合成加速度， g 為重力加速度， 為最大HIC的時(shí)間窗口。

2.3頭部碰撞有限元模型

本文收集7輛不同的有限元整車模型，并按C-NCAP進(jìn)行驗(yàn)證。按照車輛環(huán)繞距離（WAD1000～WAD1700）劃分整車模型碰撞測(cè)試區(qū)，并確定頭部碰撞點(diǎn)。由于碰撞主要發(fā)生在汽車前端區(qū)域，為了簡(jiǎn)化計(jì)算，截取整車A柱前端部分，同時(shí)施加6個(gè)自由度約束。由于兒童頭部碰撞區(qū)域集中于發(fā)動(dòng)機(jī)罩板，所以本文主要探究?jī)和^部碰撞工況。根據(jù)C-NCAP的規(guī)定建立兒童頭型沖擊器，以 40km/h 的速度和相對(duì)于水平面 50^° 的沖擊角度撞擊發(fā)動(dòng)機(jī)罩，如圖4所示。

圖3C-NCAP車輛行人保護(hù)性能評(píng)價(jià)

探究罩板結(jié)構(gòu)與頭部碰撞響應(yīng)間的關(guān)聯(lián)性，考慮到罩板外板結(jié)構(gòu)與整車造型緊密相關(guān)且不易改動(dòng)，所以，在結(jié)構(gòu)優(yōu)化設(shè)計(jì)時(shí)，應(yīng)聚焦于內(nèi)板結(jié)構(gòu)。隨機(jī)選取一輛整車的有限元模型，通過調(diào)整其內(nèi)板結(jié)構(gòu)，并驗(yàn)證其對(duì)頭部碰撞響應(yīng)的影響，結(jié)果如圖5所示。

由圖5可知，碰撞過程中內(nèi)板結(jié)構(gòu)變化會(huì)導(dǎo)致頭部加速度峰值a峰與HIC差異顯著。除罩板結(jié)構(gòu)外，罩板的局部加強(qiáng)板、隔聲材料等均影響頭部響應(yīng)，但內(nèi)板結(jié)構(gòu)對(duì)碰撞中的HIC與a峰的影響更加明顯。因此，本文將構(gòu)建基于罩板結(jié)構(gòu)的HIC和a峰的預(yù)測(cè)模型。

為了精確解析結(jié)構(gòu)特征對(duì)頭部碰撞損傷響應(yīng)的作用機(jī)制，在保證數(shù)據(jù)質(zhì)量的同時(shí)，在建模過程中將所有整車模型罩板的內(nèi)、外板材料及屬性統(tǒng)一化，移除個(gè)別整車模型中的加強(qiáng)板、隔聲材料、膠塊等部件。通過LS-DYNA軟件仿真計(jì)算出7個(gè)整車模型碰撞點(diǎn)（共814個(gè)）的時(shí)間-加速度歷程曲線，并根據(jù)式（1）計(jì)算各碰撞點(diǎn)HIC。

根據(jù)仿真結(jié)果可知，罩板下方具有充足的吸能空間，因而整車模型的所有碰撞點(diǎn)未存在與發(fā)動(dòng)機(jī)艙內(nèi)硬點(diǎn)發(fā)生二次碰撞的現(xiàn)象。因此，罩板的結(jié)構(gòu)是影響頭部碰撞損傷差異的關(guān)鍵因素。

圖4有限元模型搭建

（c）碰撞位置3

圖5不同內(nèi)板結(jié)構(gòu)下的時(shí)間-加速度響應(yīng)與HIC

3罩板結(jié)構(gòu)特征表示

發(fā)動(dòng)機(jī)內(nèi)外板結(jié)構(gòu)具有高度復(fù)雜性，若將整車罩板作為基本單元構(gòu)建數(shù)據(jù)集，會(huì)面臨嚴(yán)重的樣本量限制問題。在分析實(shí)際碰撞過程時(shí)，發(fā)現(xiàn)頭部沖擊的影響范圍集中于碰撞點(diǎn)附近區(qū)域。某碰撞點(diǎn)的時(shí)間-加速度曲線如圖6所示，其對(duì)應(yīng)的HIC計(jì)算區(qū)間內(nèi)罩板的局部變形情況如圖7所示。

圖6碰撞過程中時(shí)間-加速度曲線

圖7碰撞過程中的頭部碰撞響應(yīng)及罩板變形情況

在碰撞中，實(shí)際起作用的部位是與頭部接觸的罩板區(qū)域。基于這一物理特性，以單個(gè)碰撞點(diǎn)為中心，截取200mm×200mm×300mm 的局部區(qū)域作為基本數(shù)據(jù)單元，構(gòu)建包含7輛車，共計(jì)814組碰撞區(qū)域結(jié)構(gòu)的數(shù)據(jù)集。為了精確表征復(fù)雜的三維結(jié)構(gòu)，使用點(diǎn)云化和體素化兩步實(shí)現(xiàn)高效體素化方法，如圖8所示，解決傳統(tǒng)參數(shù)化和二維圖像表征復(fù)雜三維結(jié)構(gòu)的局限性的同時(shí)，便于后續(xù)深度學(xué)習(xí)的特征提取。

3.1 模型點(diǎn)云化

鑒于點(diǎn)云在表征罩板復(fù)雜幾何結(jié)構(gòu)方面具有顯著優(yōu)勢(shì)，點(diǎn)云數(shù)據(jù)常由激光雷達(dá)掃描實(shí)車獲得。在車輛設(shè)計(jì)階段，頻繁的結(jié)構(gòu)修改無法分析實(shí)車問題，因而可在有限元階段獲取點(diǎn)云，提取有限元模型均勻分布的網(wǎng)格節(jié)點(diǎn)構(gòu)建點(diǎn)云數(shù)據(jù)，如圖9所示。

3.2 模型體素化

體素化是指將點(diǎn)云轉(zhuǎn)化為可直接被卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）識(shí)別的體素模型[17-18]。利用投影原則，將點(diǎn)云依次映射至三維體素空間，使無序的點(diǎn)云轉(zhuǎn)換為規(guī)則的體素網(wǎng)格。若點(diǎn)被映射到體素塊內(nèi)，假設(shè)該體素塊的體素值為1，表示存在罩板材料；反之為0，表示沒有材料。則體素化過程為：

式中： C_coords 為點(diǎn)的三維坐標(biāo)信息， C_coords，max?C_coords，min 分別為點(diǎn)云中最大、最小坐標(biāo)信息， S_voxel 為體素塊尺寸，S_grids（x，y，z） 為坐標(biāo)系 x，y，z 方向的體素塊數(shù)量 ，I，J，K 為體素坐標(biāo)。

圖8有限元模型體素化過程

圖9有限元模型點(diǎn)云獲取過程

點(diǎn)云體素化生成體素模型，如圖10所示，統(tǒng)一體素模型的大小為 40×40×40 ，經(jīng)批量處理構(gòu)建814組體素樣本的數(shù)據(jù)集。采用裁剪策略獲取碰撞點(diǎn)區(qū)域體素?cái)?shù)據(jù)，精確表征發(fā)動(dòng)機(jī)罩板碰撞區(qū)域的三維空間結(jié)構(gòu)，以及不同碰撞位置的幾何形貌特征。針對(duì)發(fā)動(dòng)機(jī)罩邊緣碰撞區(qū)域，點(diǎn)云數(shù)據(jù)記錄了內(nèi)外板的完整空間拓?fù)潢P(guān)系，由于內(nèi)外板采用共節(jié)點(diǎn)連接方式，所以體素模型中保留了獨(dú)特的連接結(jié)構(gòu)特征。

圖10點(diǎn)云體素化

3.33D-CNN自編碼器體素特征降維

高維的體素模型直接用于端到端的深度學(xué)習(xí)模型訓(xùn)練時(shí)，受限于樣本量不足，導(dǎo)致模型預(yù)測(cè)精度低[9]。因此，本文利用無監(jiān)督3D-CNN自編碼器對(duì)三維體素?cái)?shù)據(jù)進(jìn)行特征提取與降維，以自動(dòng)捕捉高維體素的低維特征。

3.3.1 網(wǎng)絡(luò)架構(gòu)

自編碼器（Auto-Encoder，AE）是一種典型的無監(jiān)督特征學(xué)習(xí)模型，通過反向傳播實(shí)現(xiàn)對(duì)輸人數(shù)據(jù)的重構(gòu)，框架包含編碼器和解碼器兩部分。傳統(tǒng)的線性全連接自編碼器難以處理三維體素網(wǎng)格數(shù)據(jù)。因此，本文在自編碼器模型中引入3D-CNN網(wǎng)絡(luò)，其結(jié)構(gòu)如圖11所示[20]。以 1×40×40×40 的體素作為輸入，在編碼器階段，通過多個(gè)3D卷積與池化模塊提取特征，得到表征結(jié)構(gòu)的低維特征向量；在解碼器階段，采用3D轉(zhuǎn)置卷積對(duì)低維的特征向量進(jìn)行數(shù)據(jù)重構(gòu)，并不斷縮小重構(gòu)體素與原始體素之間的損失。同時(shí)，在每個(gè)網(wǎng)絡(luò)層后均使用修正線性單元（RectifiedLinearUnit，ReLU）激活函數(shù)以引入非線性特性。

圖113D-CNN自編碼器模型網(wǎng)絡(luò)架構(gòu)

3.3.2 損失函數(shù)設(shè)計(jì)

在模型訓(xùn)練階段，由于罩板為薄壁結(jié)構(gòu)，在體素化過程中產(chǎn)生大量未被占用體素（0值）。為了提高模型的重建效果，提出體素均方誤差（VoxelMeanSquaredError，V-MSE）損失函數(shù)，最小化輸入與輸出間的重構(gòu)差異。

該損失函數(shù)由2個(gè)部分組成：均方誤差（MeanSquaredError，MSE）損失函數(shù)，用于衡量重構(gòu)體素值與原始體素值間的差異；Voxel損失函數(shù)，用于優(yōu)化非0體素塊的重建精度。V-MSE損失函數(shù)通過引人非零體素塊的權(quán)重系數(shù)，增強(qiáng)模型對(duì)薄壁結(jié)構(gòu)特征的關(guān)注度，解決單一MSE損失函數(shù)在稀疏體素?cái)?shù)據(jù)上訓(xùn)練效果不佳的問題。相關(guān)損失函數(shù)表達(dá)式為：

L_V-MSE=w₁L_MSE+w₂L_voxel

式中： 分別為重建前、后體素值非0的體素?cái)?shù)量， 分別為輸入體素值和重構(gòu)體素值， n 為輸入體素塊數(shù)量， 分別為損失函數(shù)的加權(quán)系數(shù)。

3.3.3模型訓(xùn)練與結(jié)果分析

為了驗(yàn)證模型的預(yù)測(cè)性能及泛化能力，將6輛整車模型的體素?cái)?shù)據(jù)作為訓(xùn)練集，1輛整車模型數(shù)據(jù)作為測(cè)試集。在訓(xùn)練過程中，批大小設(shè)置為16，學(xué)習(xí)率為 0.0001 采用自適應(yīng)矩估計(jì)（AdaptiveMomentEstimation，Adam）優(yōu)化器。訓(xùn)練過程中重建體素與原始體素之間的損失曲線，如圖12所示。當(dāng)訓(xùn)練輪次（epoch）達(dá)到20000時(shí)，訓(xùn)練集與驗(yàn)證集損失值均趨于穩(wěn)定，表明模型已經(jīng)收斂，訓(xùn)練效果良好。

從測(cè)試集中隨機(jī)抽取數(shù)據(jù)，模型的重構(gòu)效果與原始體素的對(duì)比結(jié)果如表2所示。設(shè)定閾值進(jìn)行過濾，對(duì)比過濾后的重構(gòu)體素與原始體素的結(jié)構(gòu)差異。結(jié)果表明，本文的自編碼器模型在復(fù)雜形貌和三維結(jié)構(gòu)方面均具有良好的重建效果。根據(jù)自編碼器原理，若通過低維潛在特征向量解碼重構(gòu)后與原始數(shù)據(jù)相似程度越高，則證明模的特征提取能力越強(qiáng)。因此，可利用低維的特征向量表達(dá)罩板復(fù)雜三維結(jié)構(gòu)的幾何信息2]。

圖123D-CNN自編碼器損失收斂曲線

表2測(cè)試集模型的重建效果對(duì)比結(jié)果

4行人頭部損傷預(yù)測(cè)模型

4.1機(jī)器學(xué)習(xí)模型

本文對(duì)比4種機(jī)器學(xué)習(xí)算法，包括支持向量回歸（SupportVectorRegression，SVR）、隨機(jī)森林（RomForest，RF）梯度提升回歸（Gradient Boosting Regression，GBR）以及人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork，ANN）。其中，SVR通過映射關(guān)系將非線性回歸問題投射至高維特征空間，實(shí)現(xiàn)最大非線性回歸擬合精度；RF基于決策樹的方法，通過集成多個(gè)決策樹增強(qiáng)預(yù)測(cè)準(zhǔn)確性和穩(wěn)定性；GBR通過迭代訓(xùn)練一系列弱學(xué)習(xí)器（如決策樹），逐步提升模型性能；ANN利用神經(jīng)元接收輸入信號(hào)并處理信息，在網(wǎng)絡(luò)層進(jìn)行傳遞，最終在輸出層生成預(yù)測(cè)結(jié)果。上述模型善于處理非線性問題，能準(zhǔn)確建立起頭部碰撞工況下復(fù)雜三維結(jié)構(gòu)與碰撞響應(yīng)的聯(lián)系。

4.2數(shù)據(jù)集及數(shù)據(jù)處理

4.2.1歸一化預(yù)處理

基于訓(xùn)練完成的自編碼器模型，保留編碼器進(jìn)行特征提取，將原始 1×40×40×40 體素?cái)?shù)據(jù)降維至長(zhǎng)度為1×1 000 的特征向量，并將其作為機(jī)器學(xué)習(xí)模型的輸入，通過FEA計(jì)算，得到HIC與a峰并作為模型輸出。

為了確保模型訓(xùn)練的穩(wěn)定性和收斂效率，對(duì)數(shù)據(jù)進(jìn)行歸一化預(yù)處理，結(jié)果如圖13所示：

式中： 分別為第 i 個(gè)目標(biāo)值HIC與a峰的歸一化數(shù)據(jù)， 為歸一化后的特征， x_i 為編碼特征向量的第 i 個(gè)特征， x_i，t 為編碼特征的特征值。

通過仿真計(jì)算歷史數(shù)據(jù)得到HIC與a峰的最大值分別為2500和 。

圖13體素?cái)?shù)據(jù)低維編碼特征

4.2.2 主成分分析

盡管編碼器實(shí)現(xiàn)了體素?cái)?shù)據(jù)的非線性特征壓縮，但編碼特征仍存在線性的冗余與噪聲干擾，嚴(yán)重影響小樣本模型預(yù)測(cè)精度。因此，本文利用PCA將原始特征數(shù)據(jù)投影至新坐標(biāo)系，進(jìn)行二次降維[22]。

將歸一化后的編碼特征向量進(jìn)行特征主成分提取，設(shè)置累計(jì)方差貢獻(xiàn)率閾值為0.99，對(duì)原始1000維特征進(jìn)行篩選，構(gòu)建累計(jì)方差貢獻(xiàn)率達(dá)到0.99008的224維特征的特征子集，有效過濾掉無關(guān)特征。

經(jīng)過PCA篩選后的低維特征能夠與目標(biāo)值間建立良好的聯(lián)系，可作為機(jī)器學(xué)習(xí)輸入特征。利用篩選出的224維特征與目標(biāo)值的進(jìn)行相關(guān)性分析，結(jié)果如圖14所示。在模型訓(xùn)練前，參照3D-CNN自編碼器的評(píng)估策略，將6輛車的數(shù)據(jù)劃分為訓(xùn)練集，并預(yù)留1輛車的完整數(shù)據(jù)作為獨(dú)立測(cè)試集。

圖14PCA提取主成分的特征分析

4.3評(píng)價(jià)指標(biāo)

本文使用平均絕對(duì)誤差（MeanAbsoluteError，MAE）、均方誤差、均方根誤差（RootMeanSquared Error，RMSE）和決定系數(shù) R² 作為模型的評(píng)價(jià)指標(biāo)。其中，MAE衡量預(yù)測(cè)值與實(shí)際值差的絕對(duì)平均值，MAE越小，表示預(yù)測(cè)誤差較小；MSE衡量預(yù)測(cè)值與實(shí)際值差的平方的平均值，MSE越小，模型的性能越好；RMSE衡量預(yù)測(cè)值與實(shí)際值差的平方的平均值的平方根； R² 衡量模型解釋的變異性占總變異性的比例，表示模型的解釋能力。相關(guān)公式為：

式中： Y_i? 分別為第 i 個(gè)目標(biāo)值與預(yù)測(cè)值， 為目標(biāo)值的平均值。

4.4 HIC預(yù)測(cè)結(jié)果分析

為了評(píng)估PCA降維后特征集對(duì)機(jī)器學(xué)習(xí)模型性能的影響，將降維前的1000維原始特征與線性降維后的224維特征的兩組數(shù)據(jù)集，通過4種代表性的機(jī)器模型進(jìn)行對(duì)比試驗(yàn)，其超參數(shù)組合如表3所示。

表3機(jī)器學(xué)習(xí)模型超參數(shù)組合

模型在訓(xùn)練集和測(cè)試集上的性能預(yù)測(cè)結(jié)果如圖15所示，結(jié)果表明：在訓(xùn)練集上，4組模型在兩組數(shù)據(jù)集上均表現(xiàn)出較好的擬合效果，其決定系數(shù) R²gt;0.95 ;在測(cè)試集上，經(jīng)PCA線性降維后的224維特征數(shù)據(jù)，模型的擬合效果相對(duì)更優(yōu)。

2025年第10期

圖15不同模型在兩組數(shù)據(jù)集的HIC擬合效果

表4詳細(xì)展示了模型在測(cè)試集上的預(yù)測(cè)性能，在原始1000維特征的數(shù)據(jù)集上，所有預(yù)測(cè)模型在測(cè)試集上的 R²gt;0.7 ，其中，GBR模型的擬合能力最為顯著，達(dá)到了 0.81 。在224維特征的數(shù)據(jù)集上，模型的擬合能力得到進(jìn)一步提升，SVR模型在測(cè)試集上的 RMSElt;2% MSE lt;0.3% ， MAElt;1.5% ，且 R²?98.86%

表4HIC模型預(yù)測(cè)評(píng)價(jià)指標(biāo)

對(duì)比兩組測(cè)試集中最優(yōu)HIC預(yù)測(cè)模型的預(yù)測(cè)值與FE仿真計(jì)算的真實(shí)值，結(jié)果如圖16所示，不同碰撞點(diǎn)的HIC預(yù)測(cè)結(jié)果與FE獲取的結(jié)果擬合效果良好。224維特征的數(shù)據(jù)的模型預(yù)測(cè)效果更優(yōu)，表明PCA能夠過濾數(shù)據(jù)噪聲與冗余特征，保留最具有判別性的特征成分，增強(qiáng)模型的泛化能力。因此，本文的復(fù)雜結(jié)構(gòu)表征與特征降維方法在高效預(yù)測(cè)頭部碰撞損傷HIC時(shí)具有合理性，利用罩板局部三維結(jié)構(gòu)構(gòu)建數(shù)據(jù)集具有可行性。

圖16兩種數(shù)據(jù)集訓(xùn)練的模型HIC預(yù)測(cè)效果對(duì)比

為了更加直觀地評(píng)估模型的性能，將測(cè)試集車輛的模型預(yù)測(cè)結(jié)果與FEA計(jì)算結(jié)果進(jìn)行對(duì)比，繪制頭部碰撞區(qū)域的行人保護(hù)性能顏色分布圖，結(jié)果如圖17所示。預(yù)測(cè)的顏色分布與FEA仿真結(jié)果在空間模式和風(fēng)險(xiǎn)等級(jí)均高度一致，表明模型不僅準(zhǔn)確預(yù)測(cè)了整體性能得分，更精確地捕捉到傷害值的空間變化趨勢(shì)，進(jìn)一步驗(yàn)證了本文預(yù)測(cè)模型的有效性，模型的預(yù)測(cè)結(jié)果在車輛的行人保護(hù)性能得分方面同樣具有較高的準(zhǔn)確性。

（a）1000維訓(xùn)練集

圖17車輛的碰撞點(diǎn)損傷顏色圖對(duì)比

4.5a峰預(yù)測(cè)結(jié)果分析

為了進(jìn)一步評(píng)估兩組數(shù)據(jù)集的預(yù)測(cè)能力，使用4種模型對(duì)a峰進(jìn)行訓(xùn)練并預(yù)測(cè)，結(jié)果如圖18所示。雖然所有模型在訓(xùn)練集上均表現(xiàn)出較好的擬合效果，但是模型在預(yù)測(cè)1000維特征的測(cè)試集時(shí)，4種模型的預(yù)測(cè)精度普遍較低。而在經(jīng)PCA降維后的224維特征測(cè)試集上，本文模型展現(xiàn)出相對(duì)更好的預(yù)測(cè)性能。

（b）224維訓(xùn)練集

圖18不同數(shù)據(jù)集不同模型下的a峰擬合效果對(duì)比

兩組測(cè)試集在各模型上的a峰預(yù)測(cè)評(píng)價(jià)結(jié)果如表5所示。在1000維特征的測(cè)試集中 R²lt;40% ，經(jīng)過PCA處理的224維測(cè)試集的預(yù)測(cè)表現(xiàn)提升效果顯著。其中，SVR模型在測(cè)試集上的RMSE lt;1.1% MSElt;0.11% ，MAElt;0.8% ，且 R²?98.44% 。結(jié)果表明：經(jīng)二次降維后的數(shù)據(jù)更適合于a峰的預(yù)測(cè)任務(wù)，a峰對(duì)結(jié)構(gòu)特征變化更為敏感，所以對(duì)數(shù)據(jù)集的質(zhì)量與數(shù)據(jù)量要求較高。

對(duì)比兩組測(cè)試集最優(yōu)a峰預(yù)測(cè)模型的預(yù)測(cè)值與FE仿真計(jì)算的真實(shí)值的對(duì)比，結(jié)果如圖19所示。二次降維后的數(shù)據(jù)集在預(yù)測(cè)a峰方面具有較好的表現(xiàn)。同時(shí)，在HIC與a峰的預(yù)測(cè)任務(wù)中，本文模型在預(yù)測(cè)效率方面大幅提升，測(cè)試集中超100個(gè)碰撞點(diǎn)的計(jì)算時(shí)間由原始的2～3天壓縮至10s內(nèi)，極大地提高了計(jì)算效率，為加快車輛產(chǎn)品的設(shè)計(jì)周期提供有力支持。

表5a峰模型預(yù)測(cè)評(píng)價(jià)

圖19兩種數(shù)據(jù)集訓(xùn)練的模型a峰預(yù)測(cè)效果對(duì)比

5結(jié)束語(yǔ)

本文針對(duì)汽車發(fā)動(dòng)機(jī)罩行人頭部碰撞損傷預(yù)測(cè)的問題，創(chuàng)新性地提出基于發(fā)動(dòng)機(jī)罩板體素?cái)?shù)據(jù)的頭部損傷快速預(yù)測(cè)方法。在保證預(yù)測(cè)精度的基礎(chǔ)上，縮短了計(jì)算時(shí)間，成功構(gòu)建了復(fù)雜的結(jié)構(gòu)特征與汽車性能響應(yīng)間的定量關(guān)系模型，為汽車安全性能預(yù)測(cè)提供技術(shù)支持。

盡管本文在預(yù)測(cè)不同車輛罩板結(jié)構(gòu)的行人頭部碰撞損傷中取得了一定的成果，但存在一定的局限性。當(dāng)前模型主要考慮發(fā)動(dòng)機(jī)罩板的結(jié)構(gòu)影響，未將罩板的材料屬性、發(fā)動(dòng)機(jī)艙硬點(diǎn)布置等納入影響因素，后續(xù)將對(duì)上述因素進(jìn)行補(bǔ)充建模與綜合分析，進(jìn)一步提升模型的完備性與工程適用性。

參考文獻(xiàn)

[1]MALLORY A，RAMACHANDRA R，VALEKA，etal. Pedestrian Injuries in the United States：Shifting Injury Patterns with the Introduction Pedestrian Protection into the Passenger Fleet[J]. Traffic Injury Prevention， 2024，25（3）：463-471.

[2]中國(guó)汽車技術(shù)研究中心有限公司.C-NCAP管理規(guī)則[S]. 天津：中國(guó)汽車技術(shù)研究中心有限公司，2024. Research Center.CNCAPManagementRegulations[S].： Research Center，2024.

[3]YANG C X，MENG KP，YANG LT，et al.Transfer Learning-BasedCrashworthinessPredictionforthe Composite Structure a Subway [J]. International Journal Sciences，2023，248.

[4]AIZJ，LUO S，XU ZY，et al. Prediction Optimization Design Porous Structure Properties Biomass-Derived Biochar Using Machine Learning Methods[J]. ，2024， 313.

[5] IMAM H M，MOHIUDDIN M， SHUMAN N M，et al. Prediction Seismic Performance Steel Frame Structures： a Machine Learning Approach[J]. Structures， 2024， 69.

[6]姜豐，李卓，汪怡平.基于GA-BP神經(jīng)網(wǎng)絡(luò)的汽車空氣阻 力系數(shù)預(yù)測(cè)研究[J].汽車工程學(xué)報(bào)，2023，13（5）：730-738. JIANGF，LI Z，WANGYP.Research on the Prediction Air Resistance Coefficient Based on GA-BP NeuralNetwork[J]. ChineseJournal ，2023，13（5）： 730-738.

[7] LI G，LUO R，YU D H.A Framework for Developinga MachineLearning-Based Finite Element Modelfor Structural Analysis[J]. Computers Structures， 2025，307.

[8]ZHUANG WM，WANG EM，ZHANGHL.Prediction the Compressive Properties Reverse Structural Design Two-Dimensional Mesoscopic Aluminum Foam Based on Deep Learning Methods[J]. Journal Materials Science，2024，59（25）： 11416-11439.

[9]賀宏偉，余海燕，高澤，等.基于機(jī)器學(xué)習(xí)的汽車吸能結(jié)構(gòu) 耐撞性智能預(yù)測(cè)方法[J].同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2024，52（增刊1）：29-38. HE H W，YU HY，GAO Z， et al. Intelligent Prediction Crashworthiness -Absorbing Structures Based on Machine Learning[J]. Journal Tongji （Natural Science），2024，52（S1）： 29-38.

[10]林翔，嚴(yán)波，牟哲岳，等.基于數(shù)值模擬和機(jī)器學(xué)習(xí)的汽 車碰撞代理模型[J].重慶大學(xué)學(xué)報(bào)，2021，44（2）：86-93. LIN X，YANB，MOU ZY， et al. Numerical Simulation Machine Learning Based Crash Agent Modeling[J]. Journal Chongqing ，2021，44（2）： 86-93.

[11]馬騁浩，莊梓傲，Shin Jonghyeon，等.數(shù)據(jù)驅(qū)動(dòng)的動(dòng)力電 池包側(cè)面柱碰撞安全性預(yù)測(cè)方法[J].爆炸與沖擊，2025， 45（2）： 139-149. MACH， ZHUANG ZA，SJ， et al.A Data-Driven Method forPredicting the Crash Power Pack Side Columns[J]. Explosions Shocks Waves，2025，45（2）： 86-93.

[12]李杰，袁博興，張?jiān)讫垼?機(jī)械濫用工況下鋰電池組的 安全性能預(yù)測(cè)[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2025，57（6）： 136-144+153. LI J，YUAN B X，Z Y L，et al.Prediction Perlormance Lithium Battery Packs under AbuseConditions[J].Journal Harbin Institute ，2025，57（6）： 136-144+153.

[13] KAUSHIK B，DAPHAL P，KHARE P，et al.Pedestrian Performance Prediction Using Machine Learning Techniques[J]. SAE Technical Paper 2021-26-0026，2021.

[14] SHANBHAG G.Pedestrian Head Injury Prediction Based on Section Image Using Machine Learning[C]// 38th FISITA World Congress. Prague，Czech Republic： FISITA，2021.

[15]HENN H W. Crash Tests the Head Injury Criterion. TeachingMathematicsItsApplications：An International Journal the IMA，1998，17（4）： 162-170.

[16] HYUN D， JOO S， KIM I， et al. 3D Point Cloud Acquisition Correction in Radioactive Underwater Environments Using Industrial 3D Scanners[J]. Sensors， 2022，22（23）.

[17]NOURIAN P，GONCALVES R， ZLATANOVA S，et al. Voxelization Algorithms for Geospatial Applications： Computational Methods for Voxelating Spatial Datasets 3D City Models Containing 3D Surface，Curve Point Data Models[J].MethodsX，2016，3： 69-86.

[18] XU Y S，TONG X H，STILLA UWE.Voxel-Based Representation 3D Point Clouds：Methods，Applications， Its Potential Use in the Construction Industry[J]. Automation in Construction，2021，126.

[19] BAO Y Q，SUN HB，GUAN X S，et al. An Active Learning MethodUsing Deep Adversarial Autoencoder-Based Sufficient Dimension Reduction Neural Network for HighDimensional Reliability Analysis[J]. Reliability System ，2O24，247.

[20] SHINDE K， ITIER V，MENNESSON J，et al.Dimensionality Reduction through Convolutional Autoencoders forFracture Patterns Prediction[J]. Applied Mathematical Modelling，2023，114： 94-113.

[21]SHEN XY，HUQR，ZHU DF，et al. Dynamic Response Prediction Model Honeycomb Structure Based onMachine LearningMethod Finite Element Method[J]. International Journal Impact ， 2024， 184.

[22] ZHANG Y，MA N，GU X C，et al.Geometric Space Construction Method Combined A Spline-Skinning BasedGeometric Variation Method PCA Dimensionality Reduction for Ship Hull Form Optimization[J]. Ocean ，2024，302.

（責(zé)任編輯 瑞秋）

修改稿收到日期為2025年5月12日。