徐小東， 谷先廣

（1.安徽交通職業(yè)技術(shù)學(xué)院 汽車與機(jī)械工程系，安徽 合肥 230051；2.合肥工業(yè)大學(xué) 機(jī)械與汽車工程學(xué)院，安徽 合肥 230009）

薄壁結(jié)構(gòu)是一種常用的吸能件，廣泛地應(yīng)用在汽車、船舶、航空和航天等領(lǐng)域。金屬薄壁構(gòu)件作為最傳統(tǒng)、最有效的緩沖吸能裝置，在車身吸能設(shè)計(jì)的體系中已得到廣泛應(yīng)用［1］。在軸向沖擊下，薄壁構(gòu)件呈現(xiàn)出平穩(wěn)承載及高效吸能的特性，但實(shí)際汽車碰撞實(shí)驗(yàn)表明，汽車中90%以上部件存在著彎曲失效。因此對(duì)薄壁結(jié)構(gòu)的彎曲吸能特性進(jìn)行研究有著十分重要的意義［2］。

隨著數(shù)值模擬技術(shù)的逐漸成熟和計(jì)算機(jī)技術(shù)的快速發(fā)展，利用CAE技術(shù)來(lái)提高薄壁構(gòu)件的抗彎性能已引起了國(guó)內(nèi)外學(xué)者的廣泛研究興趣。文獻(xiàn)［3］針對(duì)大客車車身骨架側(cè)墻立柱薄壁梁結(jié)構(gòu)側(cè)翻耐撞性能薄弱的特點(diǎn)，提出了一種等強(qiáng)度貼板加強(qiáng)立柱梁結(jié)構(gòu)，采用鋼管軟件對(duì)單根鋼管在側(cè)向沖擊載荷下的動(dòng)力響應(yīng)進(jìn)行了數(shù)值模擬，比較分析了不同加強(qiáng)方式下立柱的抗彎性能；文獻(xiàn)［4］構(gòu)建并實(shí)現(xiàn)了薄壁直梁件抗撞性多目標(biāo)穩(wěn)健性優(yōu)化設(shè)計(jì)流程，與確定性優(yōu)化方法相比，穩(wěn)健性優(yōu)化結(jié)果提高了設(shè)計(jì)變量的可靠性和多目標(biāo)函數(shù)的綜合穩(wěn)健性；文獻(xiàn)［5］對(duì)6種具有代表性的薄壁吸能結(jié)構(gòu)進(jìn)行撞擊分析，得到了不同吸能結(jié)構(gòu)在受到撞擊時(shí)的變形模式、吸能量大小及沖擊力大小等一系列參數(shù)，并分析了各種吸能結(jié)構(gòu)特性的優(yōu)劣。然而，以上研究只分析了薄壁結(jié)構(gòu)的吸能特性，并沒(méi)有結(jié)合優(yōu)化算法進(jìn)行優(yōu)化。文獻(xiàn)［2］結(jié)合試驗(yàn)設(shè)計(jì)技術(shù)、近似建模技術(shù)和優(yōu)化理論，對(duì)多種截面薄壁結(jié)構(gòu)進(jìn)行了優(yōu)化設(shè)計(jì)，極大地改善了薄壁結(jié)構(gòu)的抗彎吸能特性；文獻(xiàn)［6］采用近似模型的方法對(duì)汽車的薄壁梁結(jié)構(gòu)進(jìn)行了優(yōu)化，考慮了梁的厚度及截面形狀等因素；文獻(xiàn)［7］利用LSDYNA軟件及HCA方法對(duì)薄壁管狀結(jié)構(gòu)進(jìn)行了優(yōu)化；文獻(xiàn)［8］對(duì)空心薄壁梁和填充泡沫鋁薄壁梁的彎曲行為進(jìn)行了研究，并對(duì)其截面尺寸進(jìn)行了結(jié)構(gòu)優(yōu)化設(shè)計(jì)。

本文結(jié)合試驗(yàn)設(shè)計(jì)技術(shù)、徑向基函數(shù)近似建模技術(shù)、序列采樣策略和多目標(biāo)粒子群算法對(duì)薄壁結(jié)構(gòu)進(jìn)行了多目標(biāo)優(yōu)化設(shè)計(jì)。在優(yōu)化過(guò)程中調(diào)用的是徑向基函數(shù)近似模型，該方法比傳統(tǒng)優(yōu)化方法具有更高的優(yōu)化設(shè)計(jì)效率，并且在相同的求解效率下，序列采樣策略比常規(guī)采樣策略具有更高的精度。本文提出的算法可用于求解復(fù)雜工程的優(yōu)化問(wèn)題。

1 序列近似多目標(biāo)優(yōu)化方法

1.1 多目標(biāo)優(yōu)化問(wèn)題

在實(shí)際工程問(wèn)題中，產(chǎn)品的質(zhì)量特性應(yīng)該是多方面的，并且各個(gè)質(zhì)量特性之間可能會(huì)發(fā)生沖突，即一個(gè)目標(biāo)的改善有可能引起另一個(gè)目標(biāo)性能的降低。一般地，多目標(biāo)優(yōu)化問(wèn)題可采用的數(shù)學(xué)模型表示如下：

其中，x＝［x1，x2，…，xN］T，為設(shè)計(jì)變量向量；M和Q分別為約束函數(shù)和目標(biāo)函數(shù)的個(gè)數(shù)；N為設(shè)計(jì)變量的個(gè)數(shù)；fq（x）為第q個(gè)目標(biāo)函數(shù)；gj（x）為第j個(gè)約束函數(shù)；設(shè)計(jì)變量xi的下限和上限分別為和。對(duì)于像薄壁結(jié)構(gòu)彎曲沖擊性能這類大變形的非線性復(fù)雜問(wèn)題，（1）式本質(zhì)上為一個(gè)非線性、多目標(biāo)、多約束優(yōu)化問(wèn)題，一般這類問(wèn)題的目標(biāo)函數(shù)和約束函數(shù)不能顯式表達(dá)，且它們的導(dǎo)數(shù)嚴(yán)重不連續(xù)。常規(guī)的優(yōu)化算法要獲得（1）式的最優(yōu)解有2種策略：

（1）直接采用有限元模型進(jìn)行算法優(yōu)化。由于直接結(jié)合的方法中沒(méi)有采用近似模型，不存在近似模型精度的問(wèn)題，因此理論上這是最精確的方法，但是有限元仿真的時(shí)間過(guò)長(zhǎng)、數(shù)值計(jì)算不穩(wěn)定、梯度信息難以獲得等限制了該方法在泡沫填充薄壁結(jié)構(gòu)耐撞性問(wèn)題中的應(yīng)用。

（2）優(yōu)化算法與代理模型相結(jié)合。為了克服第1種求解策略的缺陷，采用優(yōu)化算法與在有限元模型基礎(chǔ)上建立的代理模型相結(jié)合的方法，但是，該方法的代理模型存在誤差，代理模型的精度直接影響最終優(yōu)化結(jié)果的可靠性。

為了高效、高精度地求解泡沫填充薄壁結(jié)構(gòu)耐撞性這類高度非線性、多目標(biāo)工程的優(yōu)化問(wèn)題，本文提出了基于徑向基函數(shù)的序列近似多目標(biāo)優(yōu)化方法。

1.2 序列近似多目標(biāo)優(yōu)化算法

本文采用一系列近似子優(yōu)化組合替代（1）式中的優(yōu)化問(wèn)題，在設(shè)計(jì)空間中逐步序列地增加樣本點(diǎn)數(shù)量來(lái)提高近似模型的精度，最終提高整個(gè)優(yōu)化結(jié)果的精度。逐步序列增加樣本點(diǎn)方法的關(guān)鍵在于對(duì)優(yōu)化的結(jié)果進(jìn)行收斂性判斷，若收斂準(zhǔn)則滿足要求，則得到對(duì)象問(wèn)題的非劣解，反之，則根據(jù)序列取樣策略生成一定數(shù)量的新樣本點(diǎn)加入到上一代樣本中，進(jìn)行迭代建模優(yōu)化，直至收斂準(zhǔn)則滿足要求。根據(jù)上述描述，第k步迭代的近似數(shù)學(xué)模型為：

序列近似優(yōu)化算法的優(yōu)點(diǎn)是能充分利用上一迭代的信息來(lái)逐步提高代理模的精度。本文采用徑向基函數(shù)近似每一個(gè)子優(yōu)化數(shù)學(xué)模型中的目標(biāo)函數(shù)和約束函數(shù)，然后采用多目標(biāo)粒子群算法進(jìn)行求解。算法的求解過(guò)程描述如下。

（1）建立優(yōu)化數(shù)學(xué)模型，定義目標(biāo)函數(shù)、約束函數(shù)和設(shè)計(jì)變量的取值范圍等。

（2）采用優(yōu)化拉丁方設(shè)計(jì)方法［9］在設(shè)計(jì)空間中生成一定數(shù)量的樣本點(diǎn)并進(jìn)行有限元計(jì)算，構(gòu)造目標(biāo)函數(shù)和約束函數(shù)的徑向基函數(shù)似模型。

（3）采用粒子群算法［10］對(duì)優(yōu)化問(wèn)題進(jìn)行求解，得到非劣解集。

（4）在非劣解集中分散地挑選一定數(shù)量的候選解（本文挑選的候選解為5個(gè)）。

（5）采用仿真方法計(jì)算所有候選解的目標(biāo)和約束響應(yīng)。

（6）根據(jù)誤差準(zhǔn)則計(jì)算每一個(gè)目標(biāo)函數(shù)和約束函數(shù)的誤差，本文采用的誤差準(zhǔn)則為：

其中，yi和i分別為有限元計(jì)算的響應(yīng)值和徑向基函數(shù)的預(yù)測(cè)響應(yīng)值；n為選擇的候選解的個(gè)數(shù)。

（7）如果每個(gè)目標(biāo)函數(shù)和約束函數(shù)的誤差準(zhǔn)則值均小于一個(gè)預(yù)設(shè)定的值（如ε≤1%），整個(gè)優(yōu)化過(guò)程收斂；否則，將候選解加入到樣本集中重構(gòu)徑向基函數(shù)模型，然后轉(zhuǎn)步驟（4），直至收斂。

2 薄壁結(jié)構(gòu)抗彎性能設(shè)計(jì)方法

2.1 薄壁結(jié)構(gòu)抗彎性能評(píng)價(jià)指標(biāo)

常用于評(píng)價(jià)薄壁結(jié)構(gòu)抗彎性能的指標(biāo)主要包括比吸能、抗彎載荷峰值力和平均抗彎載荷。

薄壁結(jié)構(gòu)抗彎吸收的總能量為：

其中，d為變形位移；F（x）為碰撞力；E（d）為吸收的能量。給定變形距離的平均碰撞力Favg為 ：

比吸能（SEA）即結(jié)構(gòu)單位質(zhì)量所吸收的能量，是表征不同材料、不同質(zhì)量的結(jié)構(gòu)吸能能力的一個(gè)重要指標(biāo)，定義為：

2.2 有限元建模和驗(yàn)證

根據(jù)文獻(xiàn)［8］中的實(shí)驗(yàn)建立了有限元模型，如圖1所示。整個(gè)結(jié)構(gòu)的長(zhǎng)度為550mm；質(zhì)量為0.65kg；橫截面為矩形，其長(zhǎng)度、寬度均為55mm；沖擊質(zhì)量塊結(jié)構(gòu)以4.4m／s的初速度碰撞薄壁結(jié)構(gòu)。

圖1 有限元模型

將彎曲碰撞有限元模型導(dǎo)入LS－dyna進(jìn)行仿真計(jì)算，計(jì)算結(jié)果使用有限元仿真后處理工具Hyperview進(jìn)行分析。試驗(yàn)?zāi)Ｐ秃陀邢拊Ｐ偷膹澢鲎沧冃稳鐖D2所示，仿真曲線與試驗(yàn)曲線如圖3所示。

圖2 試驗(yàn)?zāi)Ｐ秃陀邢拊Ｐ偷膹澢鲎沧冃?/p>

圖3 試驗(yàn)曲線和仿真曲線

由圖3可知，仿真曲線較好地貼合了試驗(yàn)曲線，且曲線整體趨勢(shì)一致，說(shuō)明有限元模型可信度較高，在保證相關(guān)材料參數(shù)和控制參數(shù)不變的情況下，通過(guò)試驗(yàn)設(shè)計(jì)點(diǎn)來(lái)進(jìn)行仿真分析所得到的計(jì)算結(jié)果準(zhǔn)確可靠。試驗(yàn)結(jié)果與仿真結(jié)果的Favg、SEA及峰值碰撞力Fpeak的數(shù)值及誤差分析見表1所列。

表1 試驗(yàn)結(jié)果與仿真結(jié)果的對(duì)比

3 優(yōu)化過(guò)程及結(jié)果

在設(shè)計(jì)吸能結(jié)構(gòu)時(shí)，常常要求比吸能越大越好，峰值碰撞力越小越好，同時(shí)要求平均碰撞力大于某一個(gè)設(shè)計(jì)的值。方形薄壁結(jié)構(gòu)的寬高比和管壁的厚度對(duì)結(jié)構(gòu)的抗彎吸能特性有重要影響。因此，本文將比吸能（SEA）和峰值碰撞力Fpeak作為目標(biāo)，平均碰撞力Favg作為約束，方形薄壁結(jié)構(gòu)的寬高比r和管壁的厚度t作為設(shè)計(jì)變量，該問(wèn)題的多目標(biāo)優(yōu)化數(shù)學(xué)模型為：

優(yōu)化過(guò)程中，初始樣本點(diǎn)為20個(gè)，目標(biāo)函數(shù)和約束函數(shù)的整個(gè)收斂過(guò)程見表2所列。

表2 目標(biāo)和約束函數(shù)的收斂過(guò)程

從表2可以看出，經(jīng)過(guò)8次迭代后，目標(biāo)函數(shù)和約束函數(shù)的ε均小于1%，結(jié)果收斂，收斂時(shí)的非劣解前沿圖如圖4所示。

圖4給出了泡沫填充薄壁結(jié)構(gòu)彎曲性Pareto解集。Pareto解集對(duì)設(shè)計(jì)人員進(jìn)行多目標(biāo)優(yōu)化設(shè)計(jì)有很大的幫助，因?yàn)樗谠O(shè)計(jì)變量和設(shè)計(jì)目標(biāo)上提供了更多的選擇空間。

根據(jù)最小距離選解法［11］，從圖4中挑選出1組最優(yōu)化解與初始設(shè)計(jì)進(jìn)行對(duì)比，結(jié)果見表3所列。

由表3可以看出，優(yōu)化解相比于初始設(shè)計(jì)有了較大的提高，比吸能SEA從690.8J／kg提高到873.8J／kg，抗彎載荷峰值力Fpeak從13.35kN增大到18.16kN，平均抗彎載荷Favg從9.03kN增至12.72kN，并且優(yōu)化解與CAE仿真結(jié)果的誤差也較小。

圖4 非劣解前沿圖

表3 初始設(shè)計(jì)與優(yōu)化結(jié)果

4 結(jié) 論

（1）本文提出了一種結(jié)合試驗(yàn)設(shè)計(jì)技術(shù)、徑向基函數(shù)近似建模技術(shù)、序列采樣策略和多目標(biāo)粒子群算法的序列多目標(biāo)優(yōu)化設(shè)計(jì)方法。該方法將傳統(tǒng)的多目標(biāo)優(yōu)化問(wèn)題近似為一系列的子優(yōu)化組合優(yōu)化問(wèn)題，在設(shè)計(jì)空間中逐步序列地增加樣本點(diǎn)數(shù)量來(lái)提高子優(yōu)化問(wèn)題近似模型的精度，最終提高整個(gè)優(yōu)化結(jié)果的精度。

（2）本文提出的方法克服了傳統(tǒng)代理模型方法無(wú)法事先合理確定試驗(yàn)樣本點(diǎn)個(gè)數(shù)的難題，即選擇的試驗(yàn)樣本點(diǎn)個(gè)數(shù)多則優(yōu)化效率低、選擇的試驗(yàn)樣本點(diǎn)個(gè)數(shù)少則優(yōu)化精度低。

（3）本文提出的方法能有效地求解像薄壁結(jié)構(gòu)沖擊抗彎性能這類高度非性線的工程問(wèn)題，也可以推廣應(yīng)用到高速列車、汽車、航空航天等相關(guān)領(lǐng)域，能有效提高相關(guān)產(chǎn)品的設(shè)計(jì)水平。

［1］ 陳秉智，傘軍民，孫彥彬，等.薄壁構(gòu)件的抗碰撞吸能研究與優(yōu)化［C］／／第五屆中國(guó)CAE工程分析技術(shù)年會(huì)論文集，2009：21－28.

［2］ 張 偉，谷先廣，馬 堯，等.基于6σ魯棒性分析的薄壁結(jié)構(gòu)彎曲吸能特性優(yōu)化設(shè)計(jì)［J］.湖北汽車工業(yè)學(xué)院學(xué)報(bào)，2014，28（1）：25－29.

［3］ 余 躍，周鴻波，童水光，等.一種薄壁梁加強(qiáng)結(jié)構(gòu)及其動(dòng)態(tài)抗彎性能分析［J］.機(jī)械科學(xué)與技術(shù)，2011，28（3）：80－84.

［4］ 錢立軍，丁 玲，祝安定.基于iSIGHT的薄壁直梁件抗撞性多目標(biāo)優(yōu)化［J］.合肥工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2014，37（2）：145－149.

［5］ 高廣軍，姚 松.車輛薄壁結(jié)構(gòu)撞擊吸能特性研究［J］.鐵道機(jī)車車輛，2002（2）：7－10.

［6］ Yim H J，Lee S B，Pyun S D.A study on optimum design for thin walled beam structure of vehicles［EB／OL］.SAE Technical Paper，2002.

［7］ Shinde S，Bandi P，Detwiler D，et al.Structural optimization of thin－walled tubular structures for progressivebuck ling using compliant mechanism approach［J］.SAE International Journal of Passenger Cars－Mechanical Systems，2013，6（1）：109－120.

［8］ Zarei H R，Kroger M.Bending behavior of empty andfoam－filled beams：structural optimization［J］.International Journal of Impact Engineering，2008，35（6）：521－529.

［9］ Gu X，Sun G，Li G，et al.Multiobjective optimization design for vehicle occupant restraint system under frontal impact［J］.Structural and Multidisciplinary Optimization，2013，47（3）：465－477.

［10］ Kennedy J，Eberhart R.Particle swarm optimization［C］／／Proceedings of the 4th IEEE Intemational Conference on Neural Network，1995：1942－1948.

［11］ Deshpande V S，F(xiàn)leck N A.Isotropic constitutive models for metallic foams［J］.Journal of the Mechanics and Physics of Solids，2000，48（6／7）：1253－1283.