CN114896688A - 一种车身结构吸能盒的设计方法 - Google Patents
一种车身结构吸能盒的设计方法 Download PDFInfo
- Publication number
- CN114896688A CN114896688A CN202210431000.1A CN202210431000A CN114896688A CN 114896688 A CN114896688 A CN 114896688A CN 202210431000 A CN202210431000 A CN 202210431000A CN 114896688 A CN114896688 A CN 114896688A
- Authority
- CN
- China
- Prior art keywords
- energy absorption
- absorption box
- vehicle
- collision
- box
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Vibration Dampers (AREA)
Abstract
本发明提供一种车身结构吸能盒的设计方法,包括:确定吸能盒长度;基于吸能盒长度,确定吸能盒性能指标;基于搭建的吸能盒有限元模型,对吸能盒的形状参数和材料参数进行参数化,且在单一工况下优化得到吸能盒的最优参数组合;根据各工况的法规要求,基于模拟退火算法进行多目标设计,求解得到吸能盒在多工况下的相对最佳参数组合;基于最佳参数组合设计吸能盒。本发明考虑新研发车型的结构特点、考虑新研发结构的布置情况、考虑新研发车型的重量信息、考虑新研发车型的性能要求的基础上,设计出一套符合主机厂性能要求的吸能盒,不依赖于传统车型数据。
Description
技术领域
本发明涉及车辆制造领域,更具体地,涉及一种车身结构吸能盒的设计方法。
背景技术
在现有的乘用车车身结构中,吸能盒是不可缺少的结构,吸能盒通常是通过螺栓安装在纵梁前端。它的主要作用主要有两个方面:一是在车辆发生低速碰撞时(一般指低于15km/h),通过吸能盒本身的变形吸能,确保车身后部结构不发生变形,对车辆进行保护,用户维修时只需要更换吸前防撞梁总成就行,从而减少用户的使用成本;二是当车辆发生正面高速碰撞时,吸能盒也是最主要的吸能部件之一,吸能盒与车辆其它部件一起确保碰撞能量可以充分吸能,同时又可以保证乘员舱的完整性。
从用户的日常使用事故及一些公开的测试机构发布的试验结果来看,比如IIHS、C-IAS、C-NCAP机构,很多车型的吸能盒并没有很好起到上述描述的两个作用。有些车型在发生低速碰撞时前纵梁、副车架等部件发生损坏,大幅增加了用户的维修成本和维修难度;有些车型的吸能盒结构较弱,车身发生高速碰撞时,前期车身加速度峰值较低,吸能盒吸能不充分,有可能在造成乘员舱变形较大。
目前主机厂在设计开发吸能盒时,一般先收集竞品车型的吸能盒信息,包括吸能盒的截面、厚度、材料等,然后结合自己车型的结构和布置条件来画出吸能盒的数据。然后带到整车碰撞方面里面进行整车级别的仿真计算,验证吸能盒的设计效果。
目前吸能盒的设计方案主要有以下缺点:
1、竞品车型的吸能盒性能表现我们不清楚,自己设计的车辆的性能要求与竞品车型可能也有不同,所以竞品车辆的吸能盒性能很难能完全匹配新研发车型的需求;
2、竞品车型吸能盒无法考虑接受新开发车型布置条件的约束,一旦约束条件变化,吸能盒的结构就需要跟着挑战,性能状态位置。
3、竞品车型重量可能与新研发车型差异较大,尤其新能源车型,与传统燃油车级别相当的车型可能要重几百公斤,对吸能盒的性能要求差异也较大。
发明内容
本发明针对现有技术中存在的技术问题,提供一种车身结构吸能盒的设计方法,包括:
确定吸能盒长度;
基于吸能盒长度,确定吸能盒性能指标,所述吸能盒性能指标包括吸能盒截面力下限值和吸能盒截面力上限值;
基于搭建的吸能盒有限元模型,利用ANSA软件对吸能盒的形状参数进行设置,以及基于ISight软件对吸能盒的形状参数和材料参数进行参数化,且在单一工况下优化得到吸能盒形状参数和材料参数的最优参数组合;
根据各工况的法规要求,基于模拟退火算法进行多目标设计,求解得到吸能盒在多工况下的最佳参数组合,为吸能盒的最终设计参数;
根据所述最终设计参数设计车身结构的吸能盒。
在上述技术方案的基础上,本发明还可以作出如下改进。
可选的,所述确定吸能盒长度,包括:
根据车辆的造型,确定车辆前端长度,所述车辆的造型包括车辆的长、宽和高;
根据车辆机舱布置结构和车身结构,确定纵梁长度;
根据行人保护要求确定前防撞梁到保险杠蒙皮距离;
吸能盒长度=车辆前端长度-纵梁的长度-前防撞梁到保险杠蒙皮预留距离。
可选的,所述基于吸能盒长度,确定吸能盒性能指标,包括:
基于吸能盒长度,根据C-IASI中车辆的维修要求确定所述吸能盒截面力下限值,所述C-IASI中车辆的维修要求为在碰撞速度为设定速度时,前纵梁不发生明显变形;
以及通过碰撞仿真,确定吸能盒截面力上限值。
可选的,所述基于吸能盒长度,根据C-IASI中车辆的维修要求确定所述吸能盒截面力下限值,包括:
根据车辆的整备质量和初始速度,计算车辆发生碰撞的初始能量E;
定义吸能盒吸收比例为初始能量E的预设比例,反向求解出吸能盒在整个变形过程中所需要的平均截面力,根据所述平均截面力确定吸能盒截面力下限值;
所述通过碰撞仿真,确定吸能盒截面力上限值,包括:
所述通过仿真手段搭建台车子系统模型,基于台车子系统模型模拟C-NCAP测试工况中的MPDB工况,碰撞速度为50km/h,台车与壁障的重叠率为50%;
通过仿真不断尝试,吸能盒在台车碰撞仿真过程中发生溃缩,同时MPDB的壁障没有发生穿透,此时输出的吸能盒截面力为吸能盒截面力上限值。
可选的,所述基于搭建的吸能盒有限元模型,包括:
搭建吸能盒子系统压溃仿真模型,搭建前防撞梁总成MPDB台车仿真模型,以及搭建前防撞梁总成100%刚性强碰撞模型,得到吸能盒有限元模型。
可选的,所述吸能盒的形状参数包括吸能盒的内部加筋方式、截面尺寸、内部加筋位置以及诱导槽的数量和位置,所述吸能盒的材料参数包括吸能盒的材料牌号和材料厚度;
所述基于ISight软件对吸能盒的形状参数和材料参数进行参数化,且在单一工况下优化得到吸能盒形状参数和材料参数的最优参数组合,包括:
利用ISight优化软件对吸能盒的形状参数以及吸能盒的材料参数进行参数化;
根据优化拉丁方设计算法对吸能盒的形状参数和材料参数进行 DOE取点,并对每一个工况进行碰撞求解,得到DOE碰撞结果;
基于DOE碰撞结果,利用ISight软件以吸能盒截面力下限值、吸能盒截面力上限值为约束,吸能盒质量最小为目标,在单一工况下,基于神经网络模型,对吸能盒的形状参数和材料材料进行优化,得到单一工况下吸能盒的最优参数组合。
可选的,所述神经网络模型从输入到输出的映射关系为:
其中,x为吸能盒形状参数和材料参数,w为参数的权系数,为基函数,ck为第k个参数的中间量,σk为第k个参数的带宽,fi(x)表示不同的输入参数x和不同的输出参数y之间的映射关系函数式,其中,所述输出参数y为DOE碰撞结果,包括吸能上限、下限、吸能盒质量、吸能盒溃缩量、总吸能量、碰撞力峰值、车辆加速度、刚性墙反力;
通过神经网络模型优化得到吸能盒在单一工况下的最优参数组合。
可选的,所述根据各工况的法规要求,基于模拟退火算法进行多目标设计,求解得到吸能盒在多工况下的最佳参数组合,为吸能盒的最终设计参数,包括:
根据各个工况的法规要求,基于多个约束和众多变量,基于模拟退火算法进行多目标设计,一个具有M个决策变量、N个目标函数, m+k个约束的多目标优化问题表述如下:
Min y=f(x)=[f1(x),f2(x),……,fn(x)]n=1,2,……,N;
s.t.Gl(x)≤0 l=1,2,……,m;
hj(x)=0 j=1,2,……,k;
x=[x1,x2,…,xd…,xM];
xd(min)≤xd≤xd(max) d=1,2,…,M;
其中,x为由M维形状参数和材料参数组成的决策向量,y为目标向量,N为优化目标总数;Gl(x)为第l个不等式约束,hj(x)=0为第j个等式约束,fn(x)为第n个目标函数;xd(min)和xd(max)为参数向量搜索域的上下限,得到基于吸能盒子模型的多工况最佳参数组合形式。
可选的,所述根据各工况的法规要求,基于模拟退火算法进行多目标设计,求解得到吸能盒在多工况下的最佳参数组合,为吸能盒的最终设计参数,之后还包括基于吸能盒的最终设计参数,进行整车级别仿真验证:
进行整车正面100%刚性墙仿真验证,验证吸能盒截面力是否达到设定目标,以及验证整车加速度波形是否满足乘员保护性能要求;
进行整车MPDB碰撞仿真验证,验证整车状态下壁障的兼容性是否达到目标设定值,以及验证碰撞台车的OLC是否达到设定目标值;
进行整车低速碰撞(15km/h)仿真验证,验证吸能和的变形是否满足性能要求,以及验证前纵梁是否发发生明显塑性应变。
本发明提供的一种车身结构吸能盒的设计方法,考虑新研发车型的结构特点、考虑新研发结构的布置情况、考虑新研发车型的重量信息、考虑新研发车型的性能要求的基础上,设计出一套符合主机厂性能要求的吸能盒,不依赖于传统车型数据,能够满足任意新型车型的要求。
附图说明
图1为本发明提供的一种车身结构吸能盒的设计方法流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
在对本发明提供的车身结构吸能盒的设计方法进行说明之前,对其中涉及的概念进行说明,其中:
IIHS:全称美国公路安全保险协会(Insurance Institute for HighwaySafety);C-IASI:全称中国保险汽车安全指数(CHINA INSURANCE AUTOMOTIVE SAFETYINDEX);C-NCAP:中国的新车碰撞测试(新车评估项目New Car Assessment Program,NCAP)是用来评估车辆的耐撞性等车辆安全水平,并直接面向公众公布试验结果的项目;MPDB(Mobile Progressive Deformable Barrier):是2021年C-NCAP新引入的一种新的碰撞工况,主要考虑两车相撞时的兼容性,除了评价测试车辆本身,也考察碰撞台车的变形情况和加速度。
吸能盒作为主要的吸能部件,其诱导槽的数量和位置对于变形和吸能影响明显。如果在设计之初对其吸能性能没有充分验证后期的碰撞计算需要消耗大量的计算时间和资源。诱导槽主要涉及到吸能盒和纵梁吸能的比例分配、变形模式等等方面。通过该流程可以确保在长度一定的前提下,吸能盒既能够满足吸能盒截面力的需求,又能在碰撞过程中尽可能多的吸收能量,使其吸能效率达到最大。
通常使用的参数化流程首先其参数主要是结构的料厚、牌号等,对于特征数量以及位置的设置相对困难;其次基于碰撞模型直接进行参数化流程,由于其强非线性的问题需要取大量的样本点,且每一个样本点都需要大量的计算时间,影响整个项目的开发周期。所以初针对吸能盒的特点,对齐子模型以及诱导槽的数量和位置进行参数化,可以大大提升整个吸能盒以及碰撞吸能的开发周期。
实施例一
一种车身结构吸能盒的设计方法,参见图1,该设计方法主要包括:
步骤一、确定吸能盒长度。
可以理解的是,根据下面几个条件确定吸能盒长度L,吸能盒长度 L=车辆前端的长度-纵梁的长度-前防撞梁到保险杠蒙皮预留距离要求。
其中,吸能盒长度L的确定主要包括以下步骤:
a)车辆在立项初期,车辆的长、宽、高尺寸一般都会有明确定义,根据车辆前期的造型输入,确定车辆前端的长度;
b)根据机舱布置结构和车身结构,确定纵梁长度;
c)根据行人保护要求确定前防撞梁到保险杠蒙皮距离;
d)根据计算公式计算吸能盒长度L=车辆前端的长度-纵梁的长度- 前防撞梁到保险杠蒙皮预留距离要求。
步骤二、基于吸能盒长度,确定吸能盒性能指标,所述吸能盒性能指标包括吸能盒截面力下限值和吸能盒截面力上限值。
作为实施例,所述基于吸能盒长度,确定吸能盒性能指标,包括:基于吸能盒长度,根据C-IASI中车辆的维修要求确定所述吸能盒截面力下限值,所述C-IASI中车辆的维修要求为在碰撞速度为设定速度时,前纵梁不发生明显变形;以及通过碰撞仿真,确定吸能盒截面力上限值。
可以理解的是,吸能盒性能指标包括吸能盒截面力下限值和吸能盒截面力上限值,其计算确定步骤主要包括:
a)确定吸能盒截面力下限值:在确定了吸能盒的长度以后,吸能盒截面力的下限值是根据C-IASI中车辆的维修性要求确定的,C-IASI要求在碰撞速度是15±1km/h碰撞时,前纵梁不发生明显变形。具体为,首先根据车辆的整备质量m和初始速度v,计算出车辆发生碰撞的初始能量E=1/2mv2。预设吸能盒吸能比例为初始动能E的60%,其中,吸能盒压缩比例钢制的为50%、铝制的为60%,根据吸能盒吸能比例反求出吸能盒在整个变形过程中所需要的平均截面力F, F=60%*E/L*50%或F=60%*E/L*60%,根据平均截面力确定吸能盒截面力的下限值,通常吸能盒截面力的下限值=F*80%。
通过仿真手段搭建台车子系统模型,子系统模型模拟C-NCAP测试工况中的MPDB工况,碰撞速度50km/h,台车与壁障的重叠率50%。通过仿真不断尝试,吸能盒在台车碰撞仿真过程中发生溃缩,同时 MPDB的壁障没有发生穿透,这时输出吸能盒的截面力,这个截面力就是吸能盒截面力上限值。
步骤三、基于搭建的吸能盒有限元模型,利用ANSA软件对吸能盒的形状参数进行设置,以及基于ISight软件对吸能盒的形状参数和材料参数进行参数化,且在单一工况下优化得到吸能盒形状参数和材料参数的最优参数组合。
步骤四、根据各工况的法规要求,基于模拟退火算法进行多目标设计,求解得到吸能盒在多工况下的最佳参数组合,为吸能盒的最终设计参数。
可以理解的是,通过上述步骤二计算得到吸能盒的性能指标,然后对吸能盒进行结构仿真设计,首先对吸能盒进行有限元建模,得到吸能盒有限元模型,具体为:
A)搭建吸能盒子系统压溃仿真模型;
B)搭建前防撞梁总成MPDB台车仿真模型;
C)搭建前防撞梁总成100%刚性强碰撞模型。
经过上述A)、B)和C)仿真模型的搭建,得到吸能盒有限元模型,然后对吸能盒的参数进行求解,具体步骤为:
D)基于上述吸能盒有限元模型,利用ANSA软件对吸能盒的内部加筋方式、截面尺寸、内部加筋位置、诱导槽的数量和位置等吸能盒的形状参数进行参数化设置;
E)利用ISight优化软件对上述参数以及吸能盒的材料牌号、料厚等材料参数进行参数化,根据优化拉丁方设计(Latin Square Design) 算法进行DOE取点,并对各工况进行碰撞求解,得到DOE计算结果。
其中,所谓的DOE取点即是对吸能盒的形状参数和材料参数进行不同的取值,吸能盒的每组参数的组合即为一个DOE取点,对于每一个DOE取点,在不同工况下进行碰撞试验,得到碰撞试验结果,比如,碰撞后吸能盒的截面力。在碰撞试验时,要求碰撞后吸能盒的截面力在步骤二求解的吸能盒截面力上限值与下限值之间。
F)根据DOE计算结果,利用ISight以吸能盒的截面力下限值、上限值为约束,吸能盒质量最小为目标,基于神经网络模型对单一工况下的吸能盒的参数进行优化。搭建近似神经网络(RBF/EBF)模型,从输入到输出的映射关系如下:
其中,x为吸能盒形状参数和材料参数,w为参数的权系数,为基函数,ck为第k个参数的中间量,σk为第k个参数的带宽,fi(x)表示不同的输入参数x和不同的输出参数y之间的映射关系函数式,其中,所述输出参数y为DOE碰撞结果,包括吸能上限、下限、吸能盒质量、吸能盒溃缩量、总吸能量、碰撞力峰值、车辆加速度、刚性墙反力;通过神经网络模型优化得到吸能盒在单一工况下的最优参数组合。
G)根据各个工况的法规要求,基于多个约束和众多变量,基于模拟退火算法进行多目标设计,一个具有M个决策变量、N个目标函数, m+k个约束的多目标优化问题表述如下:
Min y=f(x)=[f1(x),f2(x),……,fn(x)]n=1,2,……,N;
s.t.Gl(x)≤0 l=1,2,……,m;
hj(x)=0 j=1,2,……,k;
x=[x1,x2,…,xd…,xM];
xd(min)≤xd≤xd(max) d=1,2,…,M;
其中,x为由M维形状参数和材料参数组成的决策向量,y为目标向量(包括吸能上限、下限、吸能盒质量、吸能盒溃缩量、总吸能量、碰撞力峰值、车辆加速度、刚性墙反力等),N为优化目标总数;Gl(x)为第l个不等式约束,hj(x)=0为第j个等式约束,fn(x) 为第n个目标函数(质量最小、总吸收能量最大等);xd(min)和xd(max)为参数向量搜索域的上下限,得到基于吸能盒子模型的多工况最佳参数组合形式。
可以理解的是,上述F)步骤为在单一工况下,对吸能盒的参数(包括形状参数和材料参数)进行优化,步骤G)为在多工况下,基于多目标联合对吸能盒的参数进行优化。
H)根据优化结果,对优化结果及其他工况进行验算等,确定吸能盒的最后设计参数。
步骤五,根据所述最终设计参数设计车身结构的吸能盒。
可以理解的是,基于吸能盒的最终设计参数,进行整车级别仿真验证,具体包括:
A)整车正面100%刚性墙仿真验证,验证截面力是否达到设定目标;验证整车加速度波形是否满足乘员保护性能要求。
B)整车MPDB碰撞仿真验证。验证整车状态下壁障的兼容性是否达到目标设定值,验证碰撞台车的OLC是否达到设定目标值。
C)整车低速碰撞(15km/h)仿真验证;验证吸能和的变形是否满足性能要求;验证前纵梁是否发发生明显塑性应变。
当均验证合格后,根据最终设计参数设计车身结构的吸能盒。
本发明实施例提供的一种车身结构吸能盒的设计方法,具有以下优点:
根据车辆的造型,确定吸能盒的性能指标,基于吸能盒的性能指标,在各个工况下进行碰撞试验,并进行单一目标求解和多目标求解,得到吸能盒的最优参数组合,能更好的保证吸能盒设计满足车辆的安全性能要求,提升设计效率,减少后期不达标引起的设变。在求解吸能盒的最优参数组合时,考虑了吸能盒的材料参数,最大化的利用材料,减少吸能盒的重量。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (9)
1.一种车身结构吸能盒的设计方法,其特征在于,包括:
确定吸能盒长度;
基于吸能盒长度,确定吸能盒性能指标,所述吸能盒性能指标包括吸能盒截面力下限值和吸能盒截面力上限值;
基于搭建的吸能盒有限元模型,利用ANSA软件对吸能盒的形状参数进行设置,以及基于ISight软件对吸能盒的形状参数和材料参数进行参数化,且在单一工况下优化得到吸能盒形状参数和材料参数的最优参数组合;
根据各工况的法规要求,基于模拟退火算法进行多目标设计,求解得到吸能盒在多工况下的最佳参数组合,为吸能盒的最终设计参数;
根据所述最终设计参数设计车身结构的吸能盒。
2.根据权利要求1所述的设计方法,其特征在于,所述确定吸能盒长度,包括:
根据车辆的造型,确定车辆前端长度,所述车辆的造型包括车辆的长、宽和高;
根据车辆机舱布置结构和车身结构,确定纵梁长度;
根据行人保护要求确定前防撞梁到保险杠蒙皮距离;
吸能盒长度=车辆前端长度-纵梁的长度-前防撞梁到保险杠蒙皮预留距离。
3.根据权利要求1所述的设计方法,其特征在于,所述基于吸能盒长度,确定吸能盒性能指标,包括:
基于吸能盒长度,根据C-IASI中车辆的维修要求确定所述吸能盒截面力下限值,所述C-IASI中车辆的维修要求为在碰撞速度为设定速度时,前纵梁不发生明显变形;
以及通过碰撞仿真,确定吸能盒截面力上限值。
4.根据权利要求3所述的设计方法,其特征在于,所述基于吸能盒长度,根据C-IASI中车辆的维修要求确定所述吸能盒截面力下限值,包括:
根据车辆的整备质量和初始速度,计算车辆发生碰撞的初始能量E;
定义吸能盒吸收比例为初始能量E的预设比例,反向求解出吸能盒在整个变形过程中所需要的平均截面力,根据所述平均截面力确定吸能盒截面力下限值;
所述通过碰撞仿真,确定吸能盒截面力上限值,包括:
所述通过仿真手段搭建台车子系统模型,基于台车子系统模型模拟C-NCAP测试工况中的MPDB工况,碰撞速度为50km/h,台车与壁障的重叠率为50%;
通过仿真不断尝试,吸能盒在台车碰撞仿真过程中发生溃缩,同时MPDB的壁障没有发生穿透,此时输出的吸能盒截面力为吸能盒截面力上限值。
5.根据权利要求1所述的设计方法,其特征在于,所述基于搭建的吸能盒有限元模型,包括:
搭建吸能盒子系统压溃仿真模型,搭建前防撞梁总成MPDB台车仿真模型,以及搭建前防撞梁总成100%刚性强碰撞模型,得到吸能盒有限元模型。
6.根据权利要求1或5所述的设计方法,其特征在于,所述吸能盒的形状参数包括吸能盒的内部加筋方式、截面尺寸、内部加筋位置以及诱导槽的数量和位置,所述吸能盒的材料参数包括吸能盒的材料牌号和材料厚度;
所述基于ISight软件对吸能盒的形状参数和材料参数进行参数化,且在单一工况下优化得到吸能盒形状参数和材料参数的最优参数组合,包括:
利用ISight优化软件对吸能盒的形状参数以及吸能盒的材料参数进行参数化;
根据优化拉丁方设计算法对吸能盒的形状参数和材料参数进行DOE取点,并对每一个工况进行碰撞求解,得到DOE碰撞结果;
基于DOE碰撞结果,利用ISight软件以吸能盒截面力下限值、吸能盒截面力上限值为约束,吸能盒质量最小为目标,在单一工况下,基于神经网络模型,对吸能盒的形状参数和材料材料进行优化,得到单一工况下吸能盒的最优参数组合。
8.根据权利要求1所述的设计方法,其特征在于,所述根据各工况的法规要求,基于模拟退火算法进行多目标设计,求解得到吸能盒在多工况下的最佳参数组合,为吸能盒的最终设计参数,包括:
根据各个工况的法规要求,基于多个约束和众多变量,基于模拟退火算法进行多目标设计,一个具有M个决策变量、N个目标函数,m+k个约束的多目标优化问题表述如下:
Min y=f(x)=[f1(x),f2(x),……,fn(x)]n=1,2,……,N;
s.t.Gl(x)≤0 l=1,2,……,m;
hj(x)=0 j=1,2,……,k;
x=[x1,x2,…,xd…,xM];
xd(min)≤xd≤xd(max)d=1,2,…,M;
其中,x为由M维形状参数和材料参数组成的决策向量,y为目标向量,N为优化目标总数;Gl(x)为第l个不等式约束,hj(x)=0为第j个等式约束,fn(x)为第n个目标函数;xd(min)和xd(max)为参数向量搜索域的上下限,得到基于吸能盒子模型的多工况最佳参数组合形式。
9.根据权利要求1所述的设计方法,其特征在于,所述根据各工况的法规要求,基于模拟退火算法进行多目标设计,求解得到吸能盒在多工况下的最佳参数组合,为吸能盒的最终设计参数,之后还包括基于吸能盒的最终设计参数,进行整车级别仿真验证:
进行整车正面100%刚性墙仿真验证,验证吸能盒截面力是否达到设定目标,以及验证整车加速度波形是否满足乘员保护性能要求;
进行整车MPDB碰撞仿真验证,验证整车状态下壁障的兼容性是否达到目标设定值,以及验证碰撞台车的OLC是否达到设定目标值;
进行整车低速碰撞(15km/h)仿真验证,验证吸能和的变形是否满足性能要求,以及验证前纵梁是否发发生明显塑性应变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210431000.1A CN114896688A (zh) | 2022-04-22 | 2022-04-22 | 一种车身结构吸能盒的设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210431000.1A CN114896688A (zh) | 2022-04-22 | 2022-04-22 | 一种车身结构吸能盒的设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114896688A true CN114896688A (zh) | 2022-08-12 |
Family
ID=82717105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210431000.1A Pending CN114896688A (zh) | 2022-04-22 | 2022-04-22 | 一种车身结构吸能盒的设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114896688A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384154A (zh) * | 2023-05-24 | 2023-07-04 | 岚图汽车科技有限公司 | 一种回弹补偿方法及相关设备 |
-
2022
- 2022-04-22 CN CN202210431000.1A patent/CN114896688A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384154A (zh) * | 2023-05-24 | 2023-07-04 | 岚图汽车科技有限公司 | 一种回弹补偿方法及相关设备 |
CN116384154B (zh) * | 2023-05-24 | 2023-10-13 | 岚图汽车科技有限公司 | 一种回弹补偿方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106709151B (zh) | 汽车正面25%重叠率碰撞的车身前端结构设计方法 | |
CN107256289A (zh) | 汽车碰撞简化参数化有限元模型的建立方法 | |
Tanlak et al. | Shape optimization of bumper beams under high-velocity impact loads | |
CN102117360B (zh) | 快速匹配车辆正碰有限元模型的方法 | |
Wang et al. | Structure-material-performance integration lightweight optimisation design for frontal bumper system | |
CN107169164A (zh) | 考虑碰撞工况的适用于汽车早期设计的简化模型建模方法 | |
CN110059418A (zh) | 一种基于cae的新能源汽车整车正面结构抗撞性的模拟测试方法 | |
CN114896688A (zh) | 一种车身结构吸能盒的设计方法 | |
Lei et al. | Multiobjective discrete optimization using the TOPSIS and entropy method for protection of pedestrian lower extremity | |
CN110020466B (zh) | 基于代理模型的负泊松比结构吸能盒协同优化设计方法 | |
Henzler et al. | Optimal parameter selection of a model predictive control algorithm for energy efficient driving of heavy duty vehicles | |
CN114996994B (zh) | 一种提高碰撞相容性的防撞梁吸能盒结构及其设计方法 | |
CN114239149A (zh) | 一种基于碰撞性能优化的商用车驾驶室白车身轻量化方法 | |
Wang et al. | Analytical modeling and collaborative optimization of the dynamic responses for barrier-vehicle-occupant system considering crashworthiness and compatibility | |
Wu et al. | Optimal Control Method for Side Impact Safety of Vehicle Frame Structure. | |
CN108664701A (zh) | 一种基于b样条的防撞梁结构优化方法 | |
Krishnamoorthy et al. | Design optimisation of passenger car hood panels for improved pedestrian protection | |
CN113806971A (zh) | 基于车辆有限元的suv正面碰撞测试及分析方法 | |
Zhang et al. | Geometry parameter optimization method for automobile energy-absorbing box | |
Khore et al. | Impact crashworthiness of rear under run protection device in heavy vehicle using finite element analysis | |
Zhu et al. | A Bi-Level Optimization Approach for Eco-Driving of Heavy-Duty Vehicles | |
Zhan et al. | Automotive Hood Design Based on Machine Learning and Structural Design Optimization | |
CN112818473B (zh) | 一种用于求解汽车mpdb碰撞工况系统动力学响应的解析方法 | |
Bai | Optimal Design of Vehicle Structure Based on Computer-Aided Technology | |
Zhao et al. | Crashworthiness optimization of an automotive frame based on gray relation theory |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |