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(guān)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(jié)構(gòu)設(shè)計(jì)至關(guān)重要。對(duì)于汽車安全，隨著國家汽車碰撞安全法規(guī)的不斷升級(jí)和行業(yè)標(biāo)準(zhǔn)的不斷提高，對(duì)汽車設(shè)計(jì)的要求也越來越高。當(dāng)前我國的相關(guān)法規(guī)有國標(biāo)，中汽研的C-NCAP 和中保研的C-IASI。

1 汽車碰撞安全性能開發(fā)策略

對(duì)于汽車廠家來講，在車輛設(shè)計(jì)時(shí)，根據(jù)車輛星級(jí)目標(biāo)，首先要制定碰撞安全策略，即車身結(jié)構(gòu)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(shí)能量分散至全車身結(jié)構(gòu)來承擔(dān)，目的是避免僅由部分車身結(jié)構(gòu)來承擔(dān)碰撞能量吸收工作。所謂掠過式（主要是針對(duì)小偏置碰）就是車身會(huì)滑出壁障，減少車身的變形，進(jìn)而車內(nèi)的碰撞沖擊力就大幅減小，乘客生存空間幾乎不變形。

對(duì)于絕大部分碰撞工況，都是依靠車身結(jié)構(gòu)吸收碰撞時(shí)產(chǎn)生的能量來進(jìn)行乘員保護(hù)。由于車身結(jié)構(gòu)的復(fù)雜性，對(duì)車身不同部位，一般采用不同的吸能策略，通常劃分為三個(gè)區(qū)域：低速行人保護(hù)區(qū)，相容吸能區(qū)和自身保護(hù)區(qū)。

其中，低速行人保護(hù)區(qū)，車輛的變形和變形受力都應(yīng)該比較小，這樣有利于保護(hù)行人和車輛。相容吸能區(qū)，是車輛中速碰撞性能區(qū)，碰撞時(shí)能量比較均勻地被吸收，盡量降低撞擊時(shí)的加速度峰值。車身設(shè)計(jì)時(shí)，將前端設(shè)計(jì)軟一些，正面碰撞時(shí)的能量靠前端車頭的變形來吸收，并通過縱梁將撞擊力導(dǎo)入到地板結(jié)構(gòu)中。自身保護(hù)區(qū)，體現(xiàn)高速碰撞時(shí)汽車乘員室具有的自身保護(hù)能力，車身結(jié)構(gòu)具有較大的剛度，碰撞時(shí)為乘員提供足夠的生存空間。

2 局部結(jié)構(gòu)變形模式

在車輛發(fā)生碰撞時(shí)，根據(jù)車身結(jié)構(gòu)特點(diǎn)以及對(duì)應(yīng)的工況，每個(gè)車身都有明確的載荷傳力路徑，每個(gè)部件結(jié)構(gòu)形狀不同，位置不同，所承受的載荷也會(huì)不同。

但是，無論結(jié)構(gòu)形式如何，承受的載荷大小多少，每種結(jié)構(gòu)在局部區(qū)域或位置上，變形模式主要分為兩種：逐級(jí)屈服模式和歐拉屈服模式。逐級(jí)屈服變形模式如圖1a 所示，它最主要的特點(diǎn)是結(jié)構(gòu)盡可能的發(fā)生壓潰，極少的折彎。吸收的能量與結(jié)構(gòu)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(diǎn)是在壓潰的同時(shí)，發(fā)生了較大的折彎。

圖1 逐級(jí)屈服和歐拉屈服變形模式

同樣的結(jié)構(gòu)形式，一旦發(fā)生了折彎，結(jié)構(gòu)繼續(xù)承載的能力將大大降低，從而吸能效果也大大折扣。

因此，對(duì)于車身結(jié)構(gòu)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(jìn)而給乘員留出安全空間。

3 前縱梁優(yōu)化設(shè)計(jì)

本文以某車型前縱梁為例，來描述采用傳統(tǒng)的優(yōu)化設(shè)計(jì)和基于神經(jīng)網(wǎng)絡(luò)模型結(jié)合優(yōu)化設(shè)計(jì)兩種設(shè)計(jì)方案，并進(jìn)行結(jié)果對(duì)比。

3.1 基礎(chǔ)設(shè)計(jì)及碰撞變形模式

前縱梁的基礎(chǔ)設(shè)計(jì)如圖2 中a 所示，可以看出，根據(jù)設(shè)計(jì)經(jīng)驗(yàn)，已經(jīng)做了一些開孔和加強(qiáng)筋。但是根據(jù)100%正碰有限元模型①仿真計(jì)算結(jié)果可見，如圖2 中b 所示，整個(gè)結(jié)構(gòu)發(fā)生了嚴(yán)重的折彎。

圖2 前縱梁基礎(chǔ)設(shè)計(jì)和100%正碰變形結(jié)果

3.2 前縱梁優(yōu)化設(shè)計(jì)

在結(jié)構(gòu)的優(yōu)化設(shè)計(jì)中，有非常多的優(yōu)化方法，比如拓?fù)鋬?yōu)化，形狀優(yōu)化，尺寸優(yōu)化，形貌優(yōu)化[1]等，根據(jù)本文的目的，本章節(jié)只介紹形狀優(yōu)化方法在前縱梁碰撞工況下的應(yīng)用。

形狀變量：在有限元仿真模型中，主要是通過變化節(jié)點(diǎn)的位置，進(jìn)而帶動(dòng)單元形狀的變化，最終形成形狀設(shè)計(jì)變量，優(yōu)化時(shí)，對(duì)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(shí)際定義了47 個(gè)變量，主要是在前縱梁上設(shè)置一些凹槽加強(qiáng)筋，其目的是希望碰撞發(fā)生時(shí)在凹槽處發(fā)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(shí)，內(nèi)能大于7.5 千焦）；

Max Force ＜ 120kN。

目標(biāo)函數(shù)是：

其中，xi為設(shè)計(jì)變量凹槽的深度。

在優(yōu)化計(jì)算時(shí)，是把前縱梁放置在整車模型中，其它部件也作為設(shè)計(jì)變量和對(duì)應(yīng)的約束條件。另外還考慮其它屬性，如NVH。因此采用的是多學(xué)科優(yōu)化，在HyperStudy中運(yùn)行，優(yōu)化算法采用的是傳統(tǒng)的全局響應(yīng)面法GRSM[3]。

優(yōu)化后的結(jié)果如圖4 所示，變形模式（傳統(tǒng)優(yōu)化設(shè)計(jì)）比基礎(chǔ)設(shè)計(jì)有了改善，但還是發(fā)生了一些折彎，與圖1 中a 的逐級(jí)屈服模式有一定差異，需要繼續(xù)優(yōu)化改進(jìn)。

圖4 前縱梁優(yōu)化后變形模式

3.3 神經(jīng)網(wǎng)絡(luò)算法與傳統(tǒng)優(yōu)化算法結(jié)合

在傳統(tǒng)的優(yōu)化算法中，雖然定義了47 個(gè)形狀變量，目的是誘發(fā)前縱梁產(chǎn)生逐級(jí)屈服的變形模式，但因?yàn)檎嚱Y(jié)構(gòu)復(fù)雜，每個(gè)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(dá)到想要的設(shè)計(jì)預(yù)期效果。

另外，碰撞計(jì)算后的變形模式是由人為來判定的，即發(fā)生的結(jié)果是折彎還是壓潰，是基于變形后的結(jié)果，依靠人的經(jīng)驗(yàn)給出的判定。借助于機(jī)器學(xué)習(xí)（神經(jīng)網(wǎng)絡(luò)）算法在圖像識(shí)別方面的應(yīng)用，本文把神經(jīng)網(wǎng)絡(luò)算法引入到模型結(jié)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(jí)屈服模式），然后再進(jìn)行結(jié)構(gòu)優(yōu)化。

下面內(nèi)容描述整個(gè)算例的過程和方法：

3.3.1 實(shí)驗(yàn)設(shè)計(jì)

實(shí)驗(yàn)設(shè)計(jì)（DOE：Design of Experiment）是一種研究輸入?yún)?shù)與響應(yīng)關(guān)系的方法，目的之一是以最少的計(jì)算次數(shù)研究參數(shù)的影響，本文采用的實(shí)驗(yàn)設(shè)計(jì)方法是修正的可擴(kuò)展格柵序列法（MELS：Modified Extensible Lattice Sequence）[3]。

對(duì)前縱梁，選擇節(jié)點(diǎn)位移為輸出結(jié)果，為后續(xù)機(jī)器學(xué)習(xí)算法來識(shí)別其變形模式。本算例選擇前縱梁上所有150個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)有x，y，z 三個(gè)方向，共計(jì)450 個(gè)位移值，同時(shí)結(jié)合其它變量，共形成200 個(gè)計(jì)算。在DOE 結(jié)果中，選擇輸出前縱梁的變形圖，參考圖2 中b 結(jié)果。

3.3.2 數(shù)據(jù)標(biāo)簽

在HyperStudy 中，以其自帶的算法，對(duì)DOE 的每種變形圖結(jié)果進(jìn)行打標(biāo)簽[3]，一般標(biāo)注為：Bad, Good, Medium，圖5 為示例，共計(jì)200 組數(shù)據(jù)。

圖5 結(jié)構(gòu)變形數(shù)據(jù)及標(biāo)簽結(jié)果

3.3.3 聚類分組

根據(jù)標(biāo)簽后的數(shù)據(jù)，進(jìn)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(jié)合后續(xù)優(yōu)化的計(jì)算量，最終分為三組，如圖6 所示，左側(cè)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(cè)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(xù)做優(yōu)化，以提升碰撞性能。

圖6 變形模式分組

3.3.4 最終優(yōu)化

優(yōu)化目標(biāo)與3.2 章節(jié)一致，除了包含3.2 章節(jié)兩個(gè)約束條件之外，增加一條：

Probability of Cluster 2 > 0.9

這個(gè)約束條件的目的是最終結(jié)構(gòu)變形模型發(fā)生的可能性要大于90%。

最終的優(yōu)化結(jié)果如圖7 所示，比采用傳統(tǒng)優(yōu)化設(shè)計(jì)的變形模式更加滿足設(shè)計(jì)預(yù)期，基本上是逐級(jí)屈服模式，達(dá)到了設(shè)計(jì)目的。

圖7 三種設(shè)計(jì)方案對(duì)比

4 小結(jié)

本文通過對(duì)比傳統(tǒng)結(jié)構(gòu)優(yōu)化算法與基于神經(jīng)網(wǎng)絡(luò)+優(yōu)化算法的兩種方法，在前縱梁碰撞性能設(shè)計(jì)中，采用神經(jīng)網(wǎng)絡(luò)+優(yōu)化算法結(jié)合的方法，可以代替人為經(jīng)驗(yàn)判定，并且在設(shè)計(jì)時(shí)就可以控制結(jié)構(gòu)的變形模式，進(jìn)而對(duì)最終的碰撞性能有更準(zhǔn)確的把控和預(yù)期，豐富了設(shè)計(jì)手段。同時(shí)，這種方法在汽車其它的結(jié)構(gòu)設(shè)計(jì)時(shí)也得到了很好的驗(yàn)證，說明此方法可靠、可信，有很高的實(shí)踐價(jià)值。

注釋：

①本文中的所有結(jié)果都是采用有限元仿真計(jì)算所得，整車有限元模型采用HyperMesh 建立，求解器采用Radioss 計(jì)算，關(guān)于模型建立和計(jì)算，此文不再詳細(xì)描述。