CN115730382A - 一种汽车车身耐撞性和轻量化快速设计方法 - Google Patents

Abstract

本发明公开了一种汽车车身耐撞性和轻量化快速设计方法，以汽车车身薄壁结构厚度作为设计参数，达到以保证汽车耐撞性的情况下降低汽车的重量，或保证汽车不变重的情况下提升汽车的耐撞性为设计目标，在使用有限次的有限元仿真评价的情况下，达到对汽车车身结构进行优化设计的目的。

Description

一种汽车车身耐撞性和轻量化快速设计方法

技术领域

本发明涉及汽车结构设计领域，特别是汽车车身耐撞性和轻量化快速设计方法。

背景技术

汽车轻量化设计是汽车工程领域的一个重要的讨论课题，其主要关注以下两个方面：

1)耐撞性：耐撞性主要关注汽车的安全性。随着我国经济的快速发展，我国的汽车保有量逐年提升。截止到2022年3月，我国的汽车保有量达到了4亿。随着汽车数量的迅猛增长，交通安全成为了无法忽视的问题。仅2021年一年，我国交通事故伤亡就达到了250723人。为了尽可能保护车主和乘客的安全，在对汽车结构进行设计时，应尽可能考虑，在汽车发生碰撞时，如何保证司机和乘客不会受伤。而耐撞性设计正是基于这种考虑。在耐撞性设计中，通过对汽车的吸能部件，如保险杠、吸能盒、B柱等，的结构进行合理设计，使得碰撞发生时，这些部件能够尽可能的吸收能量，从而避免乘客因碰撞造成伤害。

2)轻量化：轻量化主要考虑汽车的燃料消耗。众所周知，汽车的动力来源主要依赖于化石燃料的燃烧。然而，随着2022年初的能源危机的到来，化石燃料的价格急剧增长。显然，对于大多数车主而言，这会带来较大的经济压力。与此同时，化石燃料的燃烧还会引起一系列的环境问题，如空气污染、温室效应等。因此，面对着来自于经济和环境的双重压力下，节约汽车的燃料消耗也是汽车结构设计的一大主旋律。在这样的背景下，汽车结构的轻量化显得尤为重要。据统计，汽车车身每减重10％，汽车的燃料消耗将减少6％-8％。

事实上，在对车身结构进行设计时，需要同时考虑耐撞性和轻量化，即耐撞性和轻量化设计问题。整个设计过程通常按以下方式实现。首先，将整个设计过程描述为一个优化问题，并通过求解该优化问题来实现具体的结构设计。在所描述的优化问题中，一些部件的物理性能，例如碰撞吸能、碰撞峰值力、部件质量等，将被作为性能指标来衡量汽车的耐撞性、安全性等性能，而部件尺寸、结构、材料等参数则被视为设计参数。随后，通过调整设计参数，最大/最小化这些性能指标或让这些性能指标满足一定的设计需求，即可达到不降低汽车各项性能的同时实现汽车轻量化。耐撞性和轻量化设计问题通常具备以下两个特点：

1)黑盒：汽车轻量化所描述的优化问题通常不具备一个显示的表达式。这意味着，在求解这类优化问题时，往往只能知道对应于一组参数的目标函数响应，而无法获得诸如梯度、二阶导数等数学特性。

2)昂贵：对于很多性能指标，只能通过有限元分析等仿真工具或实际物理实验才能获得其具体的数值。这一过程将会消耗大量的时间和财力。因此，大量多次地对一些性能指标进行评价是不现实的。

在过去的十几年里，为了求解汽车耐撞性和轻量化设计问题，许多基于代理模型的优化算法被提出。然而，这些方法在处理耐撞性和轻量化问题时，通常需要上百次的函数评价才能有效的获得最优设计。事实上，在汽车工程领域，许多昂贵问题单次评价需要长达1天以上的时间，显然，使用上百次的函数评价获得最优解将消耗大量的时间，这在工程中是难以接受的。因此，如何进一步的限制优化过程所消耗的函数评价，提升优化效率是一个非常关键的研究点。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种汽车车身耐撞性和轻量化快速设计方法，对汽车车身结构进行优化，达到降低汽车重量、提升汽车耐撞性的目的。

为解决上述技术问题，本发明所采用的技术方案是：

一种汽车车身耐撞性和轻量化快速设计方法，包括以下步骤：

S1、建立汽车车身耐撞性和轻量化优化函数：

min：f(x)

s.t.c₁(x)≤T₁

c₂(x)≤T₂

x∈{(x₁，...，x_n)|L_i≤x_i≤U_i，i＝1，...，n}

其中，x为汽车侧身薄壁结构部件的厚度所构成的决策向量，f(x)为目标函数(如，若以减轻车身重量为目的，则目标函数为车身重量)，c₁(x)、c₂(x)分别为两个约束条件函数(如，若要求保证汽车侧身耐撞性满足预设安全指标，则约束条件可以为汽车B柱侵入量和侵入速度)，T₁和T₂分别为两个约束条件需要满足的指标(如，要求汽车B柱侵入量不超过50毫米，侵入速度不超过3米/秒，则T₁和T₂分别为50和3)，L_i和U_i为第i个厚度设计参数的取值下限和上限，n为待优化的厚度参数数目；

S2、在搜索空间{(x₁，...，x_n)|L_i≤x_i≤U_i，i＝1，...，n}中执行随机采样，得到N个样本，并对每个采样获得的样本采用有限元分析，获得每个样本解的目标函数值和约束函数值，最终获得数据集DB＝{[x_j，f(x_j)，c₁(x_j)，c₂(x_j)]|j＝1，...，N}；注意，此处x_j，(j＝1，...，N)的物理意义为：由汽车设计参数组合而成的向量。

S3、根据数据集DB构建先验分布：构建高斯分布p(x)＝N(m_t，C_t)，其中

此处x_j，(j＝1，...，N)的物理意义为：由汽车设计参数组合而成的向量，T表示对向量进行转置，N表示数据集DB所包含的数据规模；

S4、将汽车车身耐撞性和轻量化优化函数转换为以下无约束优化函数：

min：g(x)

x＝(x₁，...，x_n)

x∈{(x₁，...，x_n)|L_i≤x_i≤U_i，i＝1，...，n}

其中g(x)为f(x)、c₁(x)、c₂(x)由组合而成的函数，具体为f(x)+α·max{c₁(x)-T₁，0}+β·max{c₂(x)-T₂，0}，max{c₁(x)-T₁，0}表示计算c₁(x)-T₁的值以后将其与0作比较，并取最大值，α和β为两个预设的参数；

S5、根据数据集DB，针对目标函数和约束条件构建高斯过程模型，具体为：

其中

为针对g(x)的预测值，

为该预测值(即，

)的不确定性，k(·)为高斯核函数，k(x)＝(k(x，x₁)，...，k(x，x_N))^T，x表示待预测的参数向量(此处参数向量物理意义与优化问题中的参数物理意义相同)，K为由元素K_i，j＝k(x_i，x_j)构成的矩阵，f＝(f(x₁)，...，f(x_N))^T；

S6、将先验分布与期望提升结合，构建进化期望提升函数，即：

其中Φ(·)和φ(·)分别为高斯分布的概率累积函数和概率密度函数；EEI(x)为所构建的期望提升函数，p(x)表示S3中所构建的先验分布，f_min表示目前数据集DB中所存储的所有数据中最小的目标函数值，随后建立优化问题

采用梯度下降法求解优化问题

得到填充解x_q；使用有限元分析获得x_q的目标函数值和约束值，并将x_q存入到数据集DB中；

S7、利用x_q更新先验分布p(x)，具体为：

5)生成若干后代解x_i(i＝1，...，λ)；

6)采用S5中构建的高斯过程模型评估后代解的质量(即根据

预测得到的值，

值越小则质量越好)，并根据质量排序；

7)根据排序，选择出质量最好的k个解，并根据排序为这k个解分配权重：

w_j为根据上式计算得到的权重向量，rank_j表示根据质量排序后得到的序数；

8)利用这k个解的分配权重更新p(x)的期望和方差：

m_t+1表示第t+1代的先验分布的期望，m_t表示第t代的先验分布的期望，C_t+1表示第t+1代的先验分布的协方差矩阵，C_t表示第t代的先验分布的协方差矩阵。最终，若当前为迭代的第t代，则下一代的先验分布为高斯分布高斯分布p(x)＝N(m_t+1，C_t+1)

这里的字母主要是用于构建先验分布p(x)，该分布用于构建S6中的EEI(x)。而迭代循环中，更新DB主要在S5中发生，但是由于EEI(x)的构建需要用到p(x)，因此p(x)也需要更新。S7主要是用于更新p(x)。

S8、重复执行S5-S7，直到获得最优解。

与现有技术相比，本发明具备以下技术效果：

1.在步骤S3中，本发明建立了一个先验分布p(x)。该先验分布主要用于评估搜索空间中有潜力的区域。该先验分布将根据数据集中的数据，为搜索空间中更有可能拥有最优解的区域赋予更高的概率密度函数值。进而，在此先验分布的基础上，可以对搜索空间不同区域的潜力进行估算。

2.在步骤S6中，本发明将步骤S3中所建立的先验分布融入到期望提升准则中，进而构造出进化期望提升准则函数。通过对该函数进行优化，获得填充解。由于获得填充解的过程，同时考虑了先验分布和期望提升，因此本发明的优化效率更高。

3.在步骤S7中，随着迭代的执行，先验分布p(x)将不断的更新，进而使得该先验分布可以更好的描述搜索空间不同区域可能存在最优解的可能性。

与现有技术相比，本发明的技术效果为：先验分布的引入使得该方法相较于现有的方法，拥有更高的优化效率。可以在使用更少的函数评价的情况下获得满足实际需求的最优解。

附图说明

图1为本发明方法流程图；

图2为设计参数示意图；

图3为现有的方法(EI-BO)与本发明方法(EEI-BO)的收敛曲线对比图。

具体实施方式

现以图2所示的汽车车身结构轻量化设计为例对本发明所提出的方法进行说明。在该示例中，五个薄壁结构部件的厚度被设置为设计参数。本实施例的目的在于通过调整这五个薄壁结构部件的厚度，尽可能减小汽车B柱侵入量、侵入速度和重量。

本实施例实施步骤如下：

步骤1：建立优化问题；

步骤2：算法初始化；

步骤3：建立高斯过程模型；

步骤4：建立先验分布；

步骤5：建立进化期望提升函数；

步骤6：优化进化期望提升函数，获得填充解；

步骤7：使用有限元分析评估填充解，并将填充解加入到数据集中；

步骤8：不断执行3、4、5、6、7六个步骤，直至满足终止条件。

案例：本发明对如图2所示的汽车侧身结构进行耐撞性及轻量化设计的案例。图中，x₁-x₅五个薄壁结构部件的厚度为设计参数，设计目标为：在满足汽车重量、B柱侵入速度不超过一定的值的情况下，令B柱侵入量最小。其物理意义为，在保证汽车车身重量不增加的情况下提升汽车的侧身耐撞性。图3展示了分别使用经典的基于进化期望提升的贝叶斯优化方法(即，EI-BO)和本发明所提出的方法即，EEI-BO所获得的的收敛曲线，其中，OBJ为步骤S4所转化得到的g(x)的值。从图中可以观察到，本发明所提出的方法的收敛速度快于EI-BO，且得到的设计结果拥有更好的OBJ值，因此可知，本大名所提方法可以更为高效的获得更好的设计。

Claims (7)

1.一种汽车车身耐撞性和轻量化快速设计方法，其特征在于，包括以下步骤：

S1、建立汽车车身耐撞性和轻量化优化函数：

min:f(x)

s.t.c₁(x)≤T₁

c₂(x)≤T₂

x∈{(x₁,...,x_n)|L_i≤x_i≤U_i,i＝1,...,n}

其中，x为汽车侧身薄壁结构部件的厚度所构成的决策向量，f(x)为目标函数，c₁(x)、c₂(x)分别为两个约束条件函数，T₁和T₂分别为两个约束条件需要满足的指标，L_i和U_i为第i个厚度设计参数的取值下限和上限，n为待优化的厚度参数数目；

S2、在搜索空间{(x₁,...,x_n)|L_i≤x_i≤U_i,i＝1,...,n}中执行随机采样，得到N个样本，并对每个采样获得的样本采用有限元分析，获得每个样本解的目标函数值和约束函数值，最终获得数据集DB＝{[x_j,f(x_j),c₁(x_j),c₂(x_j)]|j＝1,...,N}；此处x_j,(j＝1,...,N)的物理意义为：第j个由汽车设计参数组合而成的向量；

S3、根据数据集DB构建先验分布；

S4、将汽车车身耐撞性和轻量化优化函数转换为无约束优化函数：

S5、根据数据集DB，针对目标函数和约束条件构建高斯过程模型，

S6、将先验分布与期望提升结合，构建进化期望提升函数，并更新数据集DB，得到更新后的数据集DB；

S7、利用x_q更新先验分布p(x)

S8、重复执行S5-S7，直到获得最优解。

2.根据权利要求1所述汽车车身耐撞性和轻量化快速设计方法，其特征在于，S3中，根据数据集DB构建先验分布的方法如下：构建高斯分布p(x)＝N(m,C_t)，其中

此处x_j,(j＝1,...,N)的物理意义为：由汽车设计参数组合而成的向量，T表示对向量进行转置，N表示数据集DB所包含的数据规模。

3.根据权利要求2所述汽车车身耐撞性和轻量化快速设计方法，其特征在于，S4中，无约束优化函数如下所示：

min:g(x)

x＝(x₁,...,x_n)

x∈{(x₁,...,x_n)|L_i≤x_i≤U_i,i＝1,...,n}

其中g(x)为f(x)、c₁(x)、c₂(x)由组合而成的函数，具体为f(x)+α·max{c₁(x)-T₁,0}+β·max{c₂(x)-T₂,0}，max{c₁(x)-T₁,0}表示计算c₁(x)-T₁的值以后将其与0作比较，并取最大值，α和β为两个预设的参数。

4.根据权利要求3所述汽车车身耐撞性和轻量化快速设计方法，其特征在于，S5中，构建的高斯过程模型具体如下：

具体为：

其中

为针对g(x)的预测值，

为

的不确定性，k(·)为高斯核函数，k(x)＝(k(x,x₁),...,k(x,x_N))^T，x表示待预测的参数向量，K为由元素K_i,j＝k(x_i,x_j)构成的矩阵，f＝(f(x₁),...,f(x_N))^T。

5.根据权利要求4所述汽车车身耐撞性和轻量化快速设计方法，其特征在于，S6中期望提升函数如下：

其中Φ(·)和φ(·)分别为高斯分布的概率累积函数和概率密度函数；EEI(x)为所构建的期望提升函数，p(x)表示S3中所构建的先验分布，f_min表示目前数据集DB中所存储的所有数据中最小的目标函数值，随后建立优化问题

采用梯度下降法求解优化问题

得到填充解x_q；使用有限元分析获得x_q的目标函数值和约束值，并将x_q存入到数据集DB中得到更新后的数据集DB。

6.根据权利要求5所述汽车车身耐撞性和轻量化快速设计方法，其特征在于，利用x_q更新先验分布p(x)的具体步骤如下：

1)生成若干后代解x_i(i＝1,...,λ)；

2)采用S5中构建的高斯过程模型评估后代解的质量即根据

预测得到的值，

值越小则质量越好，并根据质量排序；

3)根据排序，选择出质量最好的k个解，并根据排序为这k个解分配权重w_j：

w_j为第j个解的权重向量，rank_j表示根据质量排序后得到的序数；

4)利用k个解的分配权重更新p(x)的期望和方差：

m_t+1表示第t+1代的先验分布的期望，m_t表示第t代的先验分布的期望，C_t+1表示第t+1代的先验分布的协方差矩阵，C_t表示第t代的先验分布的协方差矩阵；若当前为迭代的第t代，则下一代的先验分布为高斯分布高斯分布p(x)＝N(m_t+1,C_t+1)。

7.一种汽车车身多材料结构匹配轻量化设计系统，其特征在于，包括计算机设备；所述计算机设备被配置或编程为用于执行权利要求1～6之一所述方法的步骤。

Images