CN116911144B - 基于机器学习的列车碰撞能量管理优化方法 - Google Patents
基于机器学习的列车碰撞能量管理优化方法 Download PDFInfo
- Publication number
- CN116911144B CN116911144B CN202311166630.1A CN202311166630A CN116911144B CN 116911144 B CN116911144 B CN 116911144B CN 202311166630 A CN202311166630 A CN 202311166630A CN 116911144 B CN116911144 B CN 116911144B
- Authority
- CN
- China
- Prior art keywords
- train
- model
- collision
- energy absorption
- machine learning
- 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.)
- Active
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000005457 optimization Methods 0.000 title claims abstract description 58
- 238000010521 absorption reaction Methods 0.000 claims abstract description 113
- 238000005096 rolling process Methods 0.000 claims abstract description 18
- 230000006399 behavior Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 59
- 238000007726 management method Methods 0.000 claims description 39
- 239000000463 material Substances 0.000 claims description 34
- 238000004088 simulation Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 18
- 238000013461 design Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000002790 cross-validation Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 229910000831 Steel Inorganic materials 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000003795 chemical substances by application Substances 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 239000010959 steel Substances 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000003050 experimental design method Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 241001669679 Eleotris Species 0.000 claims description 4
- 238000011835 investigation Methods 0.000 claims description 4
- 238000012805 post-processing Methods 0.000 claims description 4
- 238000007670 refining Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 21
- 238000007637 random forest analysis Methods 0.000 description 11
- 230000006872 improvement Effects 0.000 description 9
- 238000011160 research Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000013013 elastic material Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004570 mortar (masonry) Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- FESBVLZDDCQLFY-UHFFFAOYSA-N sete Chemical compound [Te]=[Se] FESBVLZDDCQLFY-UHFFFAOYSA-N 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 239000011345 viscous material Substances 0.000 description 1
Classifications
-
- 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]
- G06F30/10—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
- G06F30/27—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
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器学习的列车碰撞能量管理优化方法,包括:建立考虑列车能量吸收及轮轨滚动接触行为子系统的多编组列车碰撞有限元模型;建立列车碰撞能量吸收的机器学习数据库;构建列车碰撞能量吸收的机器学习多目标预测模型;基于机器学习的列车碰撞能量管理多目标优化;本发明借助机器学习方法能够更为准确且迅速地实现高速列车的碰撞能量分配,从而进一步提高轨道车辆的耐撞性和运行的安全性。
Description
技术领域
本发明涉及轨道车辆碰撞被动安全技术领域,特别是一种基于机器学习的列车碰撞能量管理优化方法。
背景技术
随着列车运行速度的不断提高,对列车的安全性和可靠性提出了更严格的要求。一旦发生列车碰撞事故,将造成巨大的人员伤亡和财产损失。因此,列车碰撞安全和冲击防护问题在轨道交通领域备受关注。列车的被动安全是在碰撞事故发生时,通过列车吸能结构的塑性变形来耗散和调节碰撞能量,从而有效的降低对司乘人员的冲击损伤。碰撞能量管理(CEM)是一种通过轨道车辆专用区域的坍塌来分散碰撞能量并将冲击分散到整个列车长度的设计方法,被认为是提高被动安全性能的有效途径。因此,研究CEM对保证高速列车的安全运行具有重要意义。
研究表明,与传统列车相比,具备CEM技术的列车具有更高的碰撞安全速度,更有效地保护了乘员生存空间,限制了车辆减速度,减小了爬车、脱轨等风险。然而,列车碰撞具有典型的材料、几何和接触非线性特征,碰撞场景和姿态同样具有多样性。这些复杂的碰撞问题大多是通过非线性有限元和多体动力学仿真来解决的,然而这些方法具有耗时长和局部最优解的缺点。机器学习是人工智能领域的一种预测方法,它可以快速准确地提取输入变量和输出目标之间的复杂关系。因此,近年来,机器学习因其优异的性能被广泛应用于解决列车碰撞问题,包括车辆碰撞过程中的速度/加速度动态响应预测以及响应姿态预测等。
但是,现有的列车碰撞能量管理技术仍存在以下问题:
1、在列车碰撞过程中,冲击载荷以应力波的形式从列车前端向后端传播,导致前方冲击界面承受了过多的冲击能量,而后续冲击界面几乎不受影响,且各碰撞界面不同的参数设置会对整车吸能效果影响较大;
2、现有技术中,针对长编动车组碰撞能量管理的研究大多集中在仿真研究,分析其耐撞性及碰撞动力学,虽然机器学习方法已被用于提高列车碰撞被动安全,但尚未被用于研究高速列车的CEM;
3、现有技术中,碰撞领域机器学习方法的应用大多基于简化的动力学模型或单车/三车编组有限元仿真数据,忽略了全编组列车碰撞过程中真实的轮轨滚动状态与横向、垂向效应,无法准确反映真实的列车碰撞响应;
4、现有技术中,碰撞领域机器学习研究大多是基于在大数据集上具有优异的预测性能的人工神经网络构建预测模型。而多编组列车碰撞有限元仿真的计算成本较高,且相关数据积累仍然有限。在对如此小的数据集进行拟合时,神经网络可能并不适用。
基于以上不足,提出了一种基于机器学习的长编组高速列车碰撞能量管理优化方法,以期进一步优化和提升列车碰撞被动安全防护性能,为高速列车被动安全性设计提供理论支撑。
发明内容
为解决现有技术中存在的问题,本发明的目的是提供一种基于机器学习的列车碰撞能量管理优化方法,本发明借助机器学习方法能够更为准确且迅速地实现高速列车的碰撞能量分配,从而进一步提高轨道车辆的耐撞性和运行的安全性。
为实现上述目的,本发明采用的技术方案是:一种基于机器学习的列车碰撞能量管理优化方法,包括以下步骤:
步骤1、建立考虑列车能量吸收及轮轨滚动接触行为子系统的多编组列车碰撞有限元模型;
步骤2、建立列车碰撞能量吸收的机器学习数据库;
步骤3、构建列车碰撞能量吸收的机器学习多目标预测模型;
步骤4、基于机器学习的列车碰撞能量管理多目标优化。
作为本发明的进一步改进,所述步骤1具体如下:
建立列车的吸能结构、车体、转向架、轨道有限元模型,根据列车几何结构特征,对列车实体模型进行抽取中面处理并采用4节点壳单元进行离散,且中面模型与实体模型各组成部分具有相同的连接方式,列车上设备采用质量单元模拟,并通过3节点梁单元与车体连接;根据转向架几何结构特征,对转向架构架、牵引装置、轴箱及相关结构采用4节点壳单元进行离散;采用离散梁材料模型模拟空气弹簧及轴箱弹簧,牵引座与车体枕梁之间采用刚性体与可变形体的连接方式进行连接;根据车轮踏面类型及轨道结构建立轮轨滚动接触有限元模型,采用8节点实体单元对钢轨和轮对进行离散处理,采用考虑应变率效应的弹塑性材料模型模拟车轮和钢轨材料,轮轨之间设置自动面-面接触,对轮轨接触区域网格进行局部细化;根据车钩缓冲装置力学性能,采用离散梁单元来模拟车钩缓冲装置,并将其搭配材料模型,同时给梁单元施加行程失效,当车钩缓冲装置行程大于额定行程时,梁单元自动失效;对轮对和车体均施加相同的平动速度,同时在车轮上施加相应的转动速度,从而获得考虑车体碰撞吸能结构与轮轨滚动接触行为的多编组列车碰撞有限元模型。
作为本发明的进一步改进,还包括建立车体材料应变率相关的动态本构关系,具体如下:
采用MTS万能试验机、高速材料试验机和分离式Hopkinson杆装置,对车体结构材料在宽应变率范围内的动态力学性能研究,建立车体材料应变率相关的动态本构关系,并将其引入车体有限元模型中。
作为本发明的进一步改进,所述步骤2具体如下:
基于碰撞能量管理CEM思想,在保证车头碰撞界面吸收更多能量的同时,使中间车碰撞界面的能量吸收尽可能平均;选取高速列车各吸能界面的平台力作为特征参数,选取车头碰撞界面的能量吸收E a 和中间车各碰撞界面的能量吸收标准差σ为标签;采用所述多编组列车碰撞有限元模型开展碰撞仿真分析,并采用最优拉丁超立方体实验设计方法用于生成列车各吸能界面的平台力采样点;使用LS-DYNA显式动力学软件对吸能系统在不同塑性平台力下的列车碰撞进行批量计算,通过仿真结果获得后处理数据,并进行特征提取,建立列车碰撞能量吸收数据库。
作为本发明的进一步改进,通过绘制学习曲线的方法确定所述列车碰撞能量吸收数据库的数据量大小。
作为本发明的进一步改进,所述步骤3具体如下:
选取集成学习回归算法在同一数据集的基础上,比较不同算法对能量吸收E a 和中间车各碰撞界面的能量吸收标准差σ的预测能力,选择合适的模型用于构建最终的机器学习多目标预测模型。
作为本发明的进一步改进,将所述列车碰撞能量吸收数据库按9:1的比例拆分为训练集和测试集,其中,训练集用于碰撞能量吸收机器学习预测模型的训练,即用于超参数调优,测试集被保留不参与模型训练,用于评估训练后最终的机器学习多目标预测模型。
作为本发明的进一步改进,采用十折交叉验证的方法对机器学习多目标预测模型的超参数进行调优,具体包括:
在训练过程中,将训练集分成10个相等的子集;选择每个子集来验证机器学习多目标预测模型,其他9个子集用于在每次迭代中构建模型;重复多次,训练多个模型,并获得多个训练模型在相应验证子集上的平均分数;通过网格搜索和交叉验证方法找到得分最高的超参数集后,在整个训练数据集上进行训练以构造最终的预测模型;最后,使用测试集验证最终的最优超参数模型的预测性能和准确性;其中模型预测精度的评估采用R 2 ,MAE, RMSE三个指标。
作为本发明的进一步改进,所述步骤4具体如下:
基于碰撞能量管理的思想,以列车各吸能界面的平台力作为设计变量,以头车碰撞界面能量吸收最大和中间车碰撞界面能量吸收标准差最小为优化目标,实现列车头部损伤程度最小化并保证碰撞能量的平均分配;利用列车碰撞能量吸收的机器学习多目标预测模型预测设计变量与优化目标、约束条件之间的非线性关系,并作为适应度函数,建立碰撞能量管理的多目标优化模型;采用NSGA-II方法对所拟合的机器学习代理模型进行优化,获取Pareto解集。
作为本发明的进一步改进,还包括:
基于专家打分的问卷调查结果,比较两个优化目标的不同权重对优化结果的影响,将优化结果与有限元仿真结果进行对比分析以验证机器学习代理模型预测结果的准确性,并将优化后的列车进行耐撞性的综合评估,验证能量管理方法的有效性。
本发明的有益效果是:
本发明能够更为准确且迅速的实现高速列车的碰撞能量管理,从而进一步提高轨道车辆的耐撞性和运行的安全性,对轨道交通的持续健康发展具有重要意义。
附图说明
图1为本发明实施例提供的基于机器学习的列车碰撞能量管理优化方法流程图;
图2为本发明实施例提供的8编标准动车组有限元模型图;图中:1、车钩子系统,2、主吸能结构子系统,3、车体,4、轨道,5、转向架子系统;
图3为本发明实施例提供的8编标准动车组能量管理吸收界面分布图;
图4为本发明实施例提供的确定数据量的学习曲线;
图5为本发明实施例提供的算法选择结果图;
图6为本发明实施例提供的机器学习能量吸收预测结果与误差分析;
图7是本发明实施例提供的Pareto解集图。
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
实施例1
一种基于机器学习的列车碰撞能量管理优化方法,包括以下步骤:
S1:建立考虑列车能量吸收及轮轨滚动接触行为子系统的多编组列车碰撞有限元模型;
S2:建立列车碰撞能量吸收的机器学习数据库;
S3:构建列车碰撞能量吸收的机器学习多目标预测模型;
S4:基于机器学习的列车碰撞能量管理多目标优化。
所述S1中建立考虑列车能量吸收及轮轨滚动接触行为子系统的多编组列车碰撞有限元模型的过程为:
建立列车的吸能结构、车体、转向架、轨道有限元模型,根据列车几何结构特征,对列车实体模型进行抽取中面处理并采用4节点壳单元进行离散,且中面模型与实体模型各组成部分具有相同的连接方式,列车上设备采用质量单元模拟,并通过3节点梁单元与车体连接;根据转向架几何结构特征,对转向架构架、牵引装置、轴箱及相关结构采用4节点壳单元进行离散;采用离散梁材料模型模拟空气弹簧及轴箱弹簧,牵引座与车体枕梁之间采用刚性体与可变形体的连接方式进行连接;根据车轮踏面类型及轨道结构建立轮轨滚动接触有限元模型,采用8节点实体单元对钢轨和轮对进行离散处理,采用考虑应变率效应的弹塑性材料模型模拟车轮和钢轨材料,轮轨之间设置自动面-面接触,对轮轨接触区域网格进行局部细化。
对轮对和车体均施加相同的平动速度,同时在车轮上施加相应的转动速度,从而获得考虑车体碰撞吸能结构与轮轨滚动接触行为的多编组列车碰撞有限元模型。
根据车钩缓冲装置力学性能,采用离散梁单元来模拟车钩缓冲装置,并将其搭配材料模型,同时给梁单元施加行程失效,当车钩缓冲装置行程大于额定行程时,梁单元自动失效;
所述建立车体材料应变率相关的动态本构关系的过程为:采用MTS万能试验机、高速材料试验机和分离式Hopkinson杆装置,对车体结构材料在宽应变率范围内的动态力学性能研究,建立车体材料应变率相关的动态本构关系,并将其引入车体有限元模型中。
所述S2中建立列车碰撞能量吸收的机器学习数据库的过程为:
由于列车碰撞时冲击载荷以应力波的形式从列车前端向后端传播,导致撞击点比后续的碰撞界面吸收更多的能量,且每个碰撞界面处的能量吸收差别很大,对于头车的碰撞界面,车钩和主吸能结构的吸能不足,导致头车体塑性变形。靠近头车碰撞端的中间车碰撞界面吸收能量较多,导致车钩失效,而远离头车碰撞端的后续碰撞界面几乎没有参与能量吸收。基于CEM的思想,在保证车头碰撞界面吸收更多能量的同时,中间车碰撞界面的能量吸收应尽可能平均。因此,选取高速列车各吸能界面的平台力作为特征参数,选取车头碰撞界面的能量吸收(E a )和中间车各碰撞界面的能量吸收标准差(σ)为标签。
采用S1中建立的多编组列车碰撞有限元模型开展碰撞仿真分析,列车碰撞场景根据EN15227设定,即一列运动的八编组列车与另一列静止的八编组列车在36km/h的速度下正面相撞。采用最优拉丁超立方体实验设计方法用于生成列车各吸能界面的平台力采样点。最优拉丁超立方体设计是一种多维分层抽样方法,它可以生成任意数量的样本点,从而使所有样本点在设计空间中均匀分布。参数研究需要多次迭代有限元模型,因此,使用LS-DYNA显式动力学软件对吸能系统在不同塑性平台力下的列车碰撞进行批量计算。通过仿真结果获得后处理数据,并进行特征提取,建立列车碰撞能量吸收数据库。将此数据库按9:1的比例拆分为训练集和测试集,训练集用于碰撞能量吸收机器学习预测模型的训练,测试集用于评估训练后的最终模型。
通过绘制学习曲线的方法确定列车碰撞能量吸收的机器学习数据库数据量的大小,随着样本数据量的增加,模型预测精度逐渐提高最后趋于稳定,当继续增加样本数据量对模型精度变化影响不大时,即确定了用于构建能量吸收预测模型的数据量的大小。
所述S3中构建列车碰撞能量吸收的机器学习多目标预测模型过程为:
选取四种常见的集成学习回归算法(XGBoost、GBDT、ExtraTrees、Randomforest),在同一数据集的基础上,比较不同算法对E a 和σ的预测能力,选择合适的预测模型用于构建最终的能量吸收预测模型。
将S2中建立的列车碰撞能量吸收的机器学习数据库按9:1的比例随机分为两组,即训练集和测试集。测试数据集被保留不参与模型训练以避免信息泄露,而训练集则单独用于超参数调优。为了最小化由于训练集随机抽样造成的潜在误差,防止模型的过拟合,采用十折交叉验证的方法对模型的超参数进行调优。在训练过程中,将训练集分成10个相等的子集。选择每个子集来验证模型,而其他9个子集用于在每次迭代中构建模型。此操作将重复10次,训练10个模型,并获得10个训练模型在相应验证子集上的平均分数。
探索超参数配置空间最常用的方法网格搜索策略也被用于寻找超参数的最优组合。通过网格搜索和交叉验证方法找到得分最高的超参数集后,在整个训练数据集上进行训练以构造最终的预测模型。最后,使用测试集验证最终的最优超参数模型的预测性能和准确性。其中模型预测精度的评估采用R 2,MAE,RMSE三个指标。
所述S4中基于机器学习的列车碰撞能量管理多目标优化的过程为:
基于碰撞能量管理的思想,以列车各吸能界面的平台力作为设计变量,以头车碰撞界面能量吸收最大和中间车碰撞界面能量吸收标准差最小为优化目标,实现列车头部损伤程度最小化并保证碰撞能量的平均分配。由于列车碰撞过程的多变量、非线性和强耦合的问题,采用传统的响应面模型并不能得到有效的拟合效果,提出一种基于机器学习和多目标优化方法相结合的混合框架,利用S3中建立的列车碰撞能量吸收的机器学习多目标预测模型预测设计变量与优化目标、约束条件之间的非线性关系,并作为适应度函数,建立碰撞能量管理的多目标优化模型。采用NSGA-II方法对所拟合的机器学习代理模型进行优化,获取Pareto解集。
基于专家打分的问卷调查结果,探讨两个优化目标的不同权重对优化结果的影响,将优化结果与有限元仿真结果进行对比分析以验证机器学习代理模型预测结果的准确性,并将优化后的列车进行耐撞性的综合评估,验证能量管理方法的有效性。
实施例2
如图1所示,本发明实施例提供的基于机器学习的列车碰撞能量管理优化方法包括以下步骤:
S1:建立考虑列车能量吸收及轮轨滚动接触行为子系统的多编组列车碰撞有限元模型;
S2:建立列车碰撞能量吸收的机器学习数据库;
S3:构建列车碰撞能量吸收的机器学习多目标预测模型;
S4:基于机器学习的列车碰撞能量管理多目标优化。
S1中建立考虑列车能量吸收及轮轨滚动接触行为子系统的多编组列车碰撞有限元模型的过程为:
建立列车的吸能结构、车体、转向架、轨道有限元模型,根据列车几何结构特征,对列车实体模型进行抽取中面处理并采用4节点壳单元进行离散,且中面模型与实体模型各组成部分具有相同的连接方式,列车上设备采用质量单元模拟,并通过3节点梁单元与车体连接;
根据车轮踏面类型及轨道结构建立轮轨滚动接触有限元模型,采用8节点实体单元对钢轨和轮对进行离散处理,采用考虑应变率效应的*MAT_PIECEWISE_LINEAR_PLASTICITY弹塑性材料模型模拟车轮和钢轨材料,轮轨之间设置自动面-面接触,对轮轨接触区域网格进行局部细化;如不考虑轮轨在碰撞过程中的变形,为节省计算成本,轮轨材料也可采用*MAT_RIGID刚性材料来模拟;
对于无砟轨道结构,轨道板及砂浆层可采用*MAT_ELASTIC材料模型进行模拟,采用弹簧–阻尼单元对扣件系统进行简化处理,并采用*MAT_SPRING_ELASTIC和*MAT_DAMPER_VISCOUS材料模型进行模拟;
对轮对和车体均施加相同的平动速度,同时在车轮上施加相应的转动速度,以实现模拟轮轨滚动接触行为,从而获得考虑车体碰撞吸能结构与轮轨滚动接触行为的多编组列车碰撞有限元模型。
S1中建立考虑列车能量吸收及轮轨滚动接触行为子系统的多编组列车碰撞有限元模型的过程中,根据车钩缓冲装置力学性能,采用离散梁单元来模拟车钩缓冲装置,并将其搭配*MAT_GENERAL_NONLINEAR_6DOF_DISCRETE_BEAM材料模型,同时给梁单元施加行程失效,当车钩缓冲装置行程大于额定行程时,梁单元自动失效。列车能量吸收子系统的基本参数如表1所示:
表1. 列车能量吸收系统基本参数
根据转向架几何结构特征,对转向架构架、牵引装置、轴箱及相关结构采用4节点壳单元进行离散;转向架主体结构的材料为Q345,为了降低计算量,缩短计算时间,在碰撞过程中不考虑转向架的变形,因此将其设置为刚体;采用离散梁材料模型*MAT_LINEAR_ELASTIC_DISCRETE_BEAM模拟空气弹簧及轴箱弹簧,牵引座与车体枕梁之间采用*CONSTRAINED_EXTRA_NODES_SET进行连接。
建立车体材料应变率相关的动态本构关系的过程为:
采用MTS万能试验机、高速材料试验机和分离式Hopkinson杆装置,对车体结构材料在宽应变率范围内的动态力学性能研究,建立车体材料应变率相关的动态本构关系,并将其引入车体有限元模型中。
S2中建立列车碰撞能量吸收的机器学习数据库的过程为:
由于列车碰撞时冲击载荷以应力波的形式从列车前端向后端传播,导致撞击点比后续的碰撞界面吸收更多的能量,且每个碰撞界面处的能量吸收差别很大。基于CEM的思想,在保证车头碰撞界面吸收更多能量的同时,中间车碰撞界面的能量吸收应尽可能平均。因此,选取高速列车各吸能界面的平台力作为特征参数,选取车头碰撞界面的能量吸收(E a )和中间车各碰撞界面的能量吸收标准差(σ)为标签,σ的计算公式如下:
;
式中,E mi 为中间车碰撞界面i处的能量吸收,E ma 为中间车各碰撞界面处的能量吸收平均值。
采用S1中建立的多编组列车碰撞有限元模型开展碰撞仿真分析,列车碰撞场景根据EN15227设定,即一列运动的八编组列车与另一列静止的八编组列车在36km/h的速度下正面相撞。采用最优拉丁超立方体实验设计方法用于生成列车各吸能界面的平台力采样点。最优拉丁超立方体设计是一种多维分层抽样方法,它可以生成任意数量的样本点,从而使所有样本点在设计空间中均匀分布。特征参数的取值范围如表2所示:
表2. 特征参数取值范围
参数研究需要多次迭代有限元模型,因此,使用LS-DYNA显式动力学软件对吸能系统在不同塑性平台力下的列车碰撞进行批量计算。通过仿真结果获得后处理数据,并进行特征提取,建立列车碰撞能量吸收数据库。将此数据库按9:1的比例拆分为训练集和测试集,训练集用于碰撞能量吸收机器学习预测模型的训练,测试集用于评估训练后的最终模型。
通过绘制学习曲线的方法确定列车碰撞能量吸收的机器学习数据库数据量的大小,随着样本数据量的增加,模型预测精度逐渐提高最后趋于稳定,当继续增加样本数据量对模型精度变化影响不大时,即确定了用于构建能量吸收预测模型的数据量的大小。
S3中构建列车碰撞能量吸收的机器学习多目标预测模型的过程为:
选取四种常见的集成学习回归算法(XGBoost、GBDT、Random forest、ExtraTrees),在同一数据集的基础上,比较不同算法对E a 和σ的预测能力,选择合适的预测模型用于构建最终的能量吸收预测模型。
XGBoost能够通过迭代和生成多个树,将多个弱学习机集成到一个强学习机中,具有可以自动利用CPU的多线程进行并行,同时改进算法以提高准确性、可以自动处理稀疏数据、根据块技术可以高速处理大量数据的特点。在XGBoost模型中,树模型采用加性模型:
;
其中。XGBoost算法使用逐步正向加性模型作为梯度提升算法。不同之处在于梯度提升算法是一个负梯度,它学习弱学习器来近似损失函数。XGBoost算法首先在该点找到损失函数的二阶泰勒近似,然后最小化近似损失函数以训练弱学习器。因此,目标函数可以表示为:
;
GBDT是一种基于梯度增强框架的集成学习算法,其基本模型为CART。对于GBDT,在每一步中,将训练一个CART模型来拟合中间GBDT模型损失函数的负梯度。下一步,在引入这个新的训练CART后,GBDT模型的损失函数在负梯度方向上被最小化,从而有效提升其性能。对于输入向量为x,目标输出为y的回归问题,总训练样本数为n。在GBDT训练迭代的某步t处,组合模型F t (x)可表示为:
;
其中F t (x)是由t-1个CART模型T i (x,θ i )组成的第t步的组合GBDT模型,θ是CART模型的超参数向量。然后,在第(t+1)步,一个新的CART模型T t (x;θ t )将根据负梯度进行训练F t (x)的损失函数r t (x):
;
其中L[f(x),y]为模型f(x)的损失函数。训练过程T t (x;θ t )等于最小化GBDT模型残余误差的过程。通过M个迭代步骤,M个CART模型依次组合得到一个泛化强度较强的GBDT模型:
;
Random forest算法和GBDT一样,其基本模型也是CART。然而,Random forest中的基本模型是并行训练的,彼此完全独立。对于回归问题,通过对所有CART的平均得到最终的预测结果:
;
在CART模型T t (x;θ t )的训练过程中,Random forest会从训练数据库{x 1, x 2, …, x m }中随机抽取m个样本,替换后首先生成一个新的数据库{x} t 。此外,Random forest中的CART模型不仅使用采样数据库{x} t 进行训练,还将随机选择输入特征[x 1 t , … , x k t ]1×k 的子集。然后,在训练CART的每个节点分裂时,在选择的k个特征上寻找分裂特征x tj ,而不是在x的原始n个特征上寻找分裂特征x tj 。在bootstrap采样的数据库{x} t 上,通过GBDT中相同的过程优化每个叶节点的拟合值θ j :
;
Random forest中的这两个随机过程有效地降低了每个CART之间的相关性,从而增加了Random forest的稳定性。
ExtraTrees是作为Random forest的扩展而发展起来的。额外树算法使用经典的自顶向下过程来构建未修剪的回归树的集合。ExtraTrees使用特征的随机子集来训练每个基估计器,这与Random forest算法采用的原理相同。然而,ExtraTrees并不是在每个节点中选择最具判别性的分割,而是随机选择最优特征及其对应的值来分割节点。此外,Randomforest使用自举复制来训练预测模型,而ExtraTrees使用整个训练数据集来训练森林中的每个回归树。
将S2中建立的列车碰撞能量吸收的机器学习数据库按9:1的比例随机分为两组,即训练集和测试集。测试数据集被保留不参与模型训练以避免信息泄露,而训练集则单独用于超参数调优。为了最小化由于训练集随机抽样造成的潜在误差,防止模型的过拟合,采用十折交叉验证的方法对模型的超参数进行调优。在训练过程中,将训练集分成10个相等的子集。选择每个子集来验证模型,而其他9个子集用于在每次迭代中构建模型。此操作将重复10次,训练10个模型,并获得10个训练模型在相应验证子集上的平均分数。
探索超参数配置空间最常用的方法网格搜索策略也被用于寻找超参数的最优组合。以具有两个超参数的模型为例,参数α和β有四种可能。将所有的可能性列出来,即得到一个的表格,循环过程是在每个网格中遍历和搜索。通过网格搜索和交叉验证方法找到得分最高的超参数集后,在整个训练数据集上进行训练以构造最终的预测模型。最后,使用测试集验证最终的最优超参数模型的预测性能和准确性。其中模型预测精度的评估采用R 2 ,MAE,RMSE三个指标,表达式如下所示:
;
对比四种模型在训练集上十折交叉验证的结果以评估模型精度,根据十折交叉验证结果的R 2 分布以评估模型的鲁棒性,综合选取适用于不同能量吸收目标的机器学习预测模型。
S4中基于机器学习的列车碰撞能量管理多目标优化的过程为:
基于碰撞能量管理的思想,以列车各吸能界面的平台力作为设计变量,以头车碰撞界面能量吸收最大和中间车碰撞界面能量吸收标准差最小为优化目标,实现列车头部损伤程度最小化并保证碰撞能量的平均分配。由于列车碰撞过程的多变量、非线性和强耦合的问题,采用传统的响应面模型并不能得到有效的拟合效果,提出一种基于机器学习和多目标优化方法相结合的混合框架,利用S3中建立的列车碰撞能量吸收的机器学习多目标预测模型预测设计变量与优化目标、约束条件之间的非线性关系,并作为适应度函数,建立碰撞能量管理的多目标优化模型。采用NSGA-II方法对所拟合的机器学习代理模型进行优化,获取Pareto解集。
基于专家打分的问卷调查结果,探讨两个优化目标的不同权重对优化结果的影响以确定最优权重。将优化结果与有限元仿真结果进行对比分析以验证机器学习代理模型预测结果的准确性,并将优化后的列车进行耐撞性的综合评估,验证能量管理方法的有效性。
下面以某型号8编组标准动力组为例对本发明作进一步描述。
如图2所示,构建8编标准动车组多体有限元模型,以动车组各吸能界面的平台力为特征参数,选取车头碰撞界面的能量吸收(E a )和中间车各碰撞界面的能量吸收标准差(σ)为标签,运用最优拉丁超立方实验设计方法对特征参数进行采样,在图3所示的碰撞工况下开展有限元仿真。
根据仿真结果构建机器学习碰撞能量吸收数据库,采用绘制学习曲线的方法确定数据量的大小,结果如图4所示。
基于建立好的机器学习数据库,采用四种集成学习方法分别对E a 和σ进行预测,对比不同模型十折交叉验证结果的精度及R 2分布,结果如图5所示。最终选用XGBoost用于E a 和σ的预测。
XGBoost在测试集上最终的预测结果如图6所示,E a 和σ的预测精度分别达到0.958和0.943,且测试集上最大误差不超过5%,表明所构建的能量吸收预测模型具有足够的精度。
将上述建立的机器学习能量吸收预测模型作为多目标优化算法的适应度函数,以表示输入变量与输出目标之间复杂的非线性关系。以动车组各吸能界面的平台力为自变量,E a 的最大化和σ的最小化设置为优化目标,建立优化理论模型,如下所示:
;
其中,F i (i=1,2,...,6)表示第i个吸能界面的平台力,F 1-F 6分布示意图如图2所示。
采用NSGA-II方法对所拟合的机器学习模型进行优化,获取Pareto解集。通过对比优化结果与现有方案结果,可得,优化后的方案具有更好的碰撞能量管理性能,如图7所示。
基于专家打分的问卷调查结果,赋予两个优化目标的5组不同权重,不同权重下的优化结果如表3所示,当E a 和σ的权重分别为0.7和0.3时具有最好的优化结果。
表3. 不同目标权重下的优化结果
对优化结果与仿真结果进行验证,如表4所示,误差分别为3.81%和3.01%均在允许范围内,对比现有方案,优化方案碰撞后的E a 提高了10.51%,σ降低了12.59%,说明了本发明在碰撞能量管理研究上的可靠性。
表4. 优化结果与仿真结果验证
以上所述实施例仅表达了本发明的具体实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (6)
1.一种基于机器学习的列车碰撞能量管理优化方法,其特征在于,包括以下步骤:
步骤1、建立考虑列车能量吸收及轮轨滚动接触行为子系统的多编组列车碰撞有限元模型;
所述步骤1具体如下:
建立列车的吸能结构、车体、转向架、轨道有限元模型,根据列车几何结构特征,对列车实体模型进行抽取中面处理并采用4节点壳单元进行离散,且中面模型与实体模型各组成部分具有相同的连接方式,列车上设备采用质量单元模拟,并通过3节点梁单元与车体连接;根据转向架几何结构特征,对转向架构架、牵引装置、轴箱及相关结构采用4节点壳单元进行离散;采用离散梁材料模型模拟空气弹簧及轴箱弹簧,牵引座与车体枕梁之间采用刚性体与可变形体的连接方式进行连接;根据车轮踏面类型及轨道结构建立轮轨滚动接触有限元模型,采用8节点实体单元对钢轨和轮对进行离散处理,采用考虑应变率效应的弹塑性材料模型模拟车轮和钢轨材料,轮轨之间设置自动面-面接触,对轮轨接触区域网格进行局部细化;根据车钩缓冲装置力学性能,采用离散梁单元来模拟车钩缓冲装置,并将其搭配材料模型,同时给梁单元施加行程失效,当车钩缓冲装置行程大于额定行程时,梁单元自动失效;对轮对和车体均施加相同的平动速度,同时在车轮上施加相应的转动速度,从而获得考虑车体碰撞吸能结构与轮轨滚动接触行为的多编组列车碰撞有限元模型;
步骤2、建立列车碰撞能量吸收的机器学习数据库;
所述步骤2具体如下:
基于碰撞能量管理CEM思想,在保证车头碰撞界面吸收更多能量的同时,使中间车碰撞界面的能量吸收尽可能平均;选取高速列车各吸能界面的平台力作为特征参数,选取车头碰撞界面的能量吸收Ea和中间车各碰撞界面的能量吸收标准差σ为标签;采用所述多编组列车碰撞有限元模型开展碰撞仿真分析,并采用最优拉丁超立方体实验设计方法用于生成列车各吸能界面的平台力采样点;使用LS-DYNA显式动力学软件对吸能系统在不同塑性平台力下的列车碰撞进行批量计算,通过仿真结果获得后处理数据,并进行特征提取,建立列车碰撞能量吸收数据库;
步骤3、构建列车碰撞能量吸收的机器学习多目标预测模型;
所述步骤3具体如下:
选取集成学习回归算法在同一数据集的基础上,比较不同算法对能量吸收Ea和中间车各碰撞界面的能量吸收标准差σ的预测能力,选择合适的模型用于构建最终的机器学习多目标预测模型;
步骤4、基于机器学习的列车碰撞能量管理多目标优化;
所述步骤4具体如下:
基于碰撞能量管理的思想,以列车各吸能界面的平台力作为设计变量,以头车碰撞界面能量吸收最大和中间车碰撞界面能量吸收标准差最小为优化目标,实现列车头部损伤程度最小化并保证碰撞能量的平均分配;利用列车碰撞能量吸收的机器学习多目标预测模型预测设计变量与优化目标、约束条件之间的非线性关系,并作为适应度函数,建立碰撞能量管理的多目标优化模型;采用NSGA-II方法对所拟合的机器学习代理模型进行优化,获取Pareto解集。
2.根据权利要求1所述的基于机器学习的列车碰撞能量管理优化方法,其特征在于,还包括建立车体材料应变率相关的动态本构关系,具体如下:
采用MTS万能试验机、高速材料试验机和分离式Hopk inson杆装置,对车体结构材料在宽应变率范围内的动态力学性能研究,建立车体材料应变率相关的动态本构关系,并将其引入车体有限元模型中。
3.根据权利要求1所述的基于机器学习的列车碰撞能量管理优化方法,其特征在于,通过绘制学习曲线的方法确定所述列车碰撞能量吸收数据库的数据量大小。
4.根据权利要求1所述的基于机器学习的列车碰撞能量管理优化方法,其特征在于,将所述列车碰撞能量吸收数据库按9:1的比例拆分为训练集和测试集,其中,训练集用于碰撞能量吸收机器学习预测模型的训练,即用于超参数调优,测试集被保留不参与模型训练,用于评估训练后最终的机器学习多目标预测模型。
5.根据权利要求4所述的基于机器学习的列车碰撞能量管理优化方法,其特征在于,采用十折交叉验证的方法对机器学习多目标预测模型的超参数进行调优,具体包括:
在训练过程中,将训练集分成10个相等的子集;选择每个子集来验证机器学习多目标预测模型,其他9个子集用于在每次迭代中构建模型;重复多次,训练多个模型,并获得多个训练模型在相应验证子集上的平均分数;通过网格搜索和交叉验证方法找到得分最高的超参数集后,在整个训练数据集上进行训练以构造最终的预测模型;最后,使用测试集验证最终的最优超参数模型的预测性能和准确性;其中模型预测精度的评估采用R2,MAE,RMSE三个指标。
6.根据权利要求1所述的基于机器学习的列车碰撞能量管理优化方法,其特征在于,还包括:
基于专家打分的问卷调查结果,比较两个优化目标的不同权重对优化结果的影响,将优化结果与有限元仿真结果进行对比分析以验证机器学习代理模型预测结果的准确性,并将优化后的列车进行耐撞性的综合评估,验证能量管理方法的有效性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311166630.1A CN116911144B (zh) | 2023-09-11 | 2023-09-11 | 基于机器学习的列车碰撞能量管理优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311166630.1A CN116911144B (zh) | 2023-09-11 | 2023-09-11 | 基于机器学习的列车碰撞能量管理优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116911144A CN116911144A (zh) | 2023-10-20 |
CN116911144B true CN116911144B (zh) | 2023-11-21 |
Family
ID=88351448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311166630.1A Active CN116911144B (zh) | 2023-09-11 | 2023-09-11 | 基于机器学习的列车碰撞能量管理优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116911144B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657112A (zh) * | 2017-09-25 | 2018-02-02 | 大连交通大学 | 一种轨道列车多级能量吸收的耐冲击优化设计方法 |
CN108446477A (zh) * | 2018-03-14 | 2018-08-24 | 中南大学 | 吸能结构耐撞性能优化方法、系统与可读存储介质 |
CN110309601A (zh) * | 2019-07-04 | 2019-10-08 | 中南大学 | 一种用于长编动车组碰撞能量管理的优化方法及系统 |
WO2020173436A1 (zh) * | 2019-02-26 | 2020-09-03 | 中车长春轨道客车股份有限公司 | 车辆及其车体碰撞吸能装置 |
WO2021217975A1 (zh) * | 2020-04-28 | 2021-11-04 | 湖南大学 | 一种高效的汽车侧面碰撞安全可靠性设计优化方法 |
CA3198618A1 (en) * | 2020-10-27 | 2022-05-05 | Crrc Qingdao Sifang Co., Ltd. | Vehicle body collision energy absorption structure and rail vehicle |
CN115481488A (zh) * | 2022-09-21 | 2022-12-16 | 中南大学 | 基于机器学习的方锥式吸能结构耐撞性能多目标优化方法 |
CN115828709A (zh) * | 2023-01-10 | 2023-03-21 | 西南交通大学 | 一种轨道车辆碰撞有限元假人及仿真系统建模方法 |
-
2023
- 2023-09-11 CN CN202311166630.1A patent/CN116911144B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657112A (zh) * | 2017-09-25 | 2018-02-02 | 大连交通大学 | 一种轨道列车多级能量吸收的耐冲击优化设计方法 |
CN108446477A (zh) * | 2018-03-14 | 2018-08-24 | 中南大学 | 吸能结构耐撞性能优化方法、系统与可读存储介质 |
WO2020173436A1 (zh) * | 2019-02-26 | 2020-09-03 | 中车长春轨道客车股份有限公司 | 车辆及其车体碰撞吸能装置 |
CN110309601A (zh) * | 2019-07-04 | 2019-10-08 | 中南大学 | 一种用于长编动车组碰撞能量管理的优化方法及系统 |
WO2021217975A1 (zh) * | 2020-04-28 | 2021-11-04 | 湖南大学 | 一种高效的汽车侧面碰撞安全可靠性设计优化方法 |
CA3198618A1 (en) * | 2020-10-27 | 2022-05-05 | Crrc Qingdao Sifang Co., Ltd. | Vehicle body collision energy absorption structure and rail vehicle |
CN115481488A (zh) * | 2022-09-21 | 2022-12-16 | 中南大学 | 基于机器学习的方锥式吸能结构耐撞性能多目标优化方法 |
CN115828709A (zh) * | 2023-01-10 | 2023-03-21 | 西南交通大学 | 一种轨道车辆碰撞有限元假人及仿真系统建模方法 |
Non-Patent Citations (3)
Title |
---|
Multistage Impact Energy Distribution for Whole Vehicles in High-Speed Train Collisions: Modeling and Solution Methodology;Honghao Zhang 等;IEEE Transactions on Industrial Informatics;第16卷(第4期);全文 * |
高速列车前端多胞吸能结构的耐撞性优化;张秧聪;许平;彭勇;邓雯苑;车全伟;;振动与冲击(12);全文 * |
高速列车碰撞过程中的能量吸收研究;秦睿贤;中国博士学位论文全文数据库工程科技Ⅱ辑(第(2020)08期);C033-2 * |
Also Published As
Publication number | Publication date |
---|---|
CN116911144A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | Multi-parameter and multi-objective optimisation of articulated monorail vehicle system dynamics using genetic algorithm | |
Zhao et al. | Vibration signal analysis and fault diagnosis of bogies of the high-speed train based on deep neural networks | |
Li et al. | Dynamic response prediction of vehicle-bridge interaction system using feedforward neural network and deep long short-term memory network | |
Ye et al. | MBSNet: A deep learning model for multibody dynamics simulation and its application to a vehicle-track system | |
Zhang et al. | Vehicle crash accident reconstruction based on the analysis 3D deformation of the auto-body | |
CN112597702B (zh) | 基于径向基函数的气动建模生成式对抗网络模型训练方法 | |
Zhang et al. | An adaptive surrogate model approach for random vibration analysis of the train–bridge system | |
Wang et al. | Global reliability analysis of running safety of a train traversing a bridge under crosswinds | |
Jiang et al. | A systematic optimization design method for complex mechatronic products design and development | |
Lei et al. | Multiobjective discrete optimization using the TOPSIS and entropy method for protection of pedestrian lower extremity | |
Xu et al. | Vehicle running attitude prediction model based on Artificial Neural Network-Parallel Connected (ANN-PL) in the single-vehicle collision | |
Sharma et al. | Multi-objective design optimization of locomotive nose | |
CN108920757A (zh) | 一种基于计算机仿真的汽车碰撞事故再现方法 | |
Huang et al. | Development of surrogate models for evaluating energy transfer quality of high-speed railway pantograph-catenary system using physics-based model and machine learning | |
Sun et al. | Modelling of periodic slab track using time-frequency hybrid Green's function method and its application to vehicle-track dynamic interaction | |
CN116911144B (zh) | 基于机器学习的列车碰撞能量管理优化方法 | |
CN117669389B (zh) | 基于深度学习的地震-车-桥系统随机振动分析方法 | |
Zhou et al. | Effects of uncertain suspension parameters on dynamic responses of the railway vehicle system | |
He et al. | A bridge damage detection approach using train-bridge interaction analysis and GA optimization | |
Dong et al. | Nonlinear Spring‐Mass‐Damper Modeling and Parameter Estimation of Train Frontal Crash Using CLGAN Model | |
CN115481488B (zh) | 基于机器学习的方锥式吸能结构耐撞性能多目标优化方法 | |
CN102999672B (zh) | 基于汽车耐撞性的并行支持向量机近似模型优化方法 | |
Zheng et al. | Crash energy management optimization of high-speed trains by machine learning methods | |
Müller et al. | The testing of pneumatic tyres for the interpretation of tyre behaviour for road/rail vehicles when operating on rails | |
Gupta et al. | Numerical simulation of contact behavior between rail wheel and rails of a new road cum rail vehicle |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |