一、副车架的性能开发
副车架可以承受发动机悬置的振动载荷和来自路面的各种冲击，并能够减弱路面和发动机带来的震动和噪音，保证行驶舒适性和稳定性。除此之外，副车架能提高汽车悬挂系统的连接刚度，装有副车架的汽车能够明显感觉到底盘更扎实紧凑。副车架的设计既需要考虑零件本身的安装和布置要求，同时还需要保证结构的性能，前副车架设计重点考虑的几个性能包括NVH性能、刚度性能、耐久性能及安全性能等。
1.1 安装和布置要求
副车架作为连接底盘悬挂和车身的结构，需要为动力总成、转向机、稳定杆等部件提供安装界面，因此，在早期设计阶段，需要根据安装硬点来确定基本结构，并需保证与周边零件的静/动态间隙。
副车架模态需要避开发动机激振频率，以免引起共振。不同车型定义的目标值有差异，需要根据车型定位来制定。
副车架与车身、悬架控制臂、转向机等安装点的局部静刚度和动刚度是保证整车耐久、操纵稳定性和NVH性能的基础指标，在副车架结构设计中同样不可忽视。
副车架与车身连接点的耐久性能直接决定了汽车底盘的寿命，复杂的道路情况使前副车架时刻承受着来自路面的冲击载荷，在循环载荷的作用下，副车架可能会发生疲劳失效，因此需要进行严格的疲劳耐久仿真，并进行相应的台架试验和整车道路试验，避免出现疲劳开裂问题。
汽车前舱正面碰撞路径主要有三条：1）上路径：前防撞梁-前纵梁-纵梁延伸梁；2）中路径：shotgun-A柱上边梁；3）下路径：前副车架-纵梁延伸梁-中央通道，全框式副车架为正面碰撞多提供了一条传力路径，在车辆发生正面碰撞时能吸收部分能量，使碰撞力分散更均匀。某些前副车架的纵臂结构上会设计局部凹槽来诱导变形，使碰撞压溃更充分，从而更好的保护乘员安全。
二、副车架优化设计方法
2.1 拓扑优化设计
在早期概念设计阶段，首先需要确定前副车架的框架设计，比如整体的长宽高尺寸、加强板的个数及走向等。拓扑优化是一种常见的优化设计方法。根据周边部件的包络确定拓扑设计空间，设置相应目标和约束，通过材料的堆积程度来识别重要路径，对薄弱区域进行针对性加强设计，对性能贡献程度低的区域进行材料去除或厚度减薄设计，做到材料利用最大化，在结构性能提升的同时还能减轻重量。
概念设计阶段确定拓扑结构形式后，在详细设计阶段需要对结构断面形式、材料厚度等进行进一步的细化设计。多目标参数化优化设计方法区别于传统CAD-CAE设计思路，全参数化模型结合自动化优化工具，在有限的设计周期内能更快速地进行方案迭代，并能解决NVH、耐久等矛盾性能的多目标优化问题，有效避免了设计的盲目性。
副车架的性能分析包括强度分析、模态分析、动刚度分析、疲劳分析等。
强度分析采用惯性释放法，考察工况根据公司内部规范进行，一般包括常规工况和极限工况。首先进行初始性能分析，然后根据受力状态和分析结果进行筛选用于多学科优化分析中的分析工况（当然不进行工况筛选包络，用全部工况用于多学科优化亦可以）。本例中为工况5、8用于多学科优化分析。
副车架采用自由模态分析，校核第一阶模态。
本例中副车架共考察6个接附点动刚度。具体多学科优化分析时需要考察哪些安装点的动刚度值，需要根据变量位置进行评估，当然如果不确定是否有影响，可以把所有安装点的动刚度作为多学科优化时考察的性能。
副车架疲劳分析可以进行基于道路谱载荷或台架载荷。疲劳性能可以作为校核性能，不在多学科优化时考虑。（当然亦可以在多学科优化时考虑疲劳性能，具体方法如车轮多学科系列文章所述）。本例中多学科优化时不考虑疲劳分析。疲劳分析作为校核工况在进行分析。
SFE可参对象包括：InfluencePoints(IP点)：包括基点/辅助点的空间坐标；线上点的曲线特征参数。Lines(线)：切角。BaseSections(基础截面)：截面点的坐标；片段切角。LocalSections(局部截面)：沿基线的曲线特征参数；沿三轴的转动；沿三个方向的移动；面内两方向的缩放。PID/MAT(属性/材料)：壳单元厚度，材料属性。
通过对以上对象进行参数化，可以优化截面形状，梁系位置\形状，关键接头尺寸，部件厚度，材料等。
本例中对副车架前横梁直径、中间横梁直径、连接板宽度、前支架厚度、后支架厚度、连接板厚度、中间横梁厚度等创建7个参数。
需要注意的是，本例模态分析、动刚度分析使用的求解器是optistruct，强度分析使用的求解器是ABAQUS。因此在SFE后台导出FE模型需要同时导出.nas模型和.inp模型。这个需要在.con文件中直接修改即可。
使用LS-OPT的带有域缩减的迭代优化算法，该方法支持Adaptive Sampling。在每轮优化迭代过程中会不断更新代理模型的精度。
LS-OPT现在被Ansys收购后，也引入了Ansys OptiSLang的一些优势算法。如Metamodel of Optimal Prognosis (MOP)。当选择元模型方法选择MOP时，优化过程可以自动选择元模型质量最好的一个进行优化，
LS-OPT Pro 2021 R1版本支持Linear、Quadratic、Kriging三种方法
。（本文即选择使用LS-OPT Pro 2021 R1）。下个版本
LS-OPT Pro 2022 R2会增加Feed Forward Neural Networks (FFNN) 、Radial Basis Function Networks (RBFN) 、Support Vector Regression (SVR) 、Support Vector Classification (SVC)
。这个优化策略可以大大提升优化效率。
当然，如modefrontier、optimus等也支持多种元模型方法，在进行完DOE分析创建元模型时可以选择不同的方法创建元模型，再根据创建完的模型质量来选择用于优化的模型。但LS-OPT将这个方法集成在SRSM优化策略中，具有比较明显的优势。
相关系数矩阵图
在满足所有性能约束的基础上，将优化方案带入疲劳分析模型进行更新，然后验证疲劳性能结果。最终满足所有性能要求，减重1.3kg。
文章来源CAE数值优化轻量化
