直播预告-基于机器学习的车辆行人保护头部仿真研究

直播预告-基于机器学习的车辆行人保护头部仿真研究的图1

精彩直播预告

汽车行业市场的竞争激烈性和用户消费理念的不断升级驱使汽车产品需要快速迭代。用户对安全及舒适性的高度需求、研发周期的压缩、车辆造型、材料等各方面的不断推陈出新,都给整车仿真工作带来了巨大的挑战。

直播预告-基于机器学习的车辆行人保护头部仿真研究的图2

如何更好的进行行人保护是整车仿真中需要重点考虑的问题也是激烈市场环境中一个有力的竞争点。针对汽车行业行人保护仿真分析问题复杂、仿真时间长等痛点,海克斯康带来了智能实时仿真平台ODYSSEE,以助力汽车行人保护的设计开发流程。ODYSSEE是一款跨学科、跨领域、跨专业的软件产品,基于机器学习模型,能够实现秒级实时的CAE静态、动态仿真、图像识别、智能预测等,显著缩短计算分析周期,提高生产效率。ODYSSEE为工程、制造和质量提供了实时解决方案。

本期海克斯康直播讲堂请到了岚图汽车科技有限公司整车轻量化仿真专家段文立,联合海克斯康技术专家常诚为我们分享ODYSSEE基于机器学习应用于行人保护头部碰撞仿真快速精确预测,通过实际案例从概念阶段SFE-Concept参数化建模、机器学习快速预测行人保护头碰加速度和HIC值、多学科优化平衡各性能矛盾等方面,为我们全面讲解如何应用ODYSSEE应对当前挑战。赶快预约报名吧!

2月28日 14:00 

直播预告-基于机器学习的车辆行人保护头部仿真研究的图3

▲ 扫码参与报名

立即预定

直播案例抢先看

市场竞争激烈和消费理念升级决定着汽车产品需要快速迭代,各大主机厂都在尽量压缩整车研发周期,以期在更短的时间内开发出更加优秀的产品。消费端则随着整体的消费升级,汽车由增量市场向存量市场转化。安全作为一个重要的竞争点,包括主动安全和被动安全两个方面。据欧盟国家统计,交通事故中行人的死亡率是乘员的9倍。而目前常见的较激进造型、贯穿式大灯、塑包钢风道等以及铝合金材料的应用,对行人保护的仿真和设计提出更多的挑战。

直播预告-基于机器学习的车辆行人保护头部仿真研究的图4

无论是项目周期的压缩还是法规更加严苛,亦或车辆造型、材料各方面的不断推陈出新,都给整车仿真工作提出了更大的挑战。这也促进整车仿真行业方法更新换代和效率的不断提升。

概念阶段SFE参数化建模

概念阶段常用的分析手段为基于隐式参数化建模工具SFE Concept进行参数化模型搭建和性能优化。该方法基于主要断面、发罩与车身分缝、造型及总布置数据进行发动机罩模型搭建。根据布置等需求,挑选内板倾斜角度、加强筋间距、宽度等作为参数化研究的对象。其中内板前后端腔体大小变化(倾斜角)创建2个变量;主筋高度为1个变量;主筋间距为2个变量;主筋宽度为2个变量(左右对称);共计9个形状变量。

直播预告-基于机器学习的车辆行人保护头部仿真研究的图5图1. 发罩内板参数示意模型

基于上述9个形状设计变量,采用最优拉丁超立方方法进行DOE(实验设计)分析,共计划分120组发动机罩CAE模型,装配后进行行人保护头碰分析。


SFE模型与CAE 模型仿真及对标

行人保护头部碰撞分析建模满足整车CAE仿真网格建模规范和整车碰撞模型CAE搭建设计规范要求,包括:车身、外饰、动力总成、电子电器。行人保护头部碰撞点必须在行人保护头部碰撞区域内选择,碰撞点为头部模型与车体模型的接触点。

直播预告-基于机器学习的车辆行人保护头部仿真研究的图6

图2. 行人保护头部碰撞点模型及对标点示意

考虑对称性及撞击点位于发罩上,选择位于发罩上的左侧76个点进行仿真分析。为了加强对比性,选择位于内板加强筋部位的57号点和76号点对比。对比结果表明,SFE参数化模型与传统CAE网格模型的加速度曲线对比精度满足仿真需求,达到90%以上。因此可以利用该SFE参数化模型进行头部碰撞分析。

直播预告-基于机器学习的车辆行人保护头部仿真研究的图7

图3. SFE 参数化模型与传统CAE 模型加速度精度对标


机器学习模型训练和验证

SFE参数化模型搭建的头碰模型精度达标后,可以使用其对DOE分出的120组模型分别计算,作为机器学习训练样本。选择其中110组作为训练集样本点,5组作为验证集样本点,剩余5组为预测集样本点。使用ODYSSEE 软件,可以在一分钟的时间内完成上述76组、每组110条曲线的训练。

选择两个不同位置(35号点和47号点)的曲线进行精度验证:其中35号点位于内板加强筋位置,训练加速度曲线分布较为发散;47号点位于发罩边缘处,训练加速度曲线分布相对收敛。随机选择35号点的113组验证组数据和47号点的114组验证组数据进行验证。

直播预告-基于机器学习的车辆行人保护头部仿真研究的图8图4. 35和47号点验证集加速度曲线精度验证

结果表明:ODYSSEE 预测加速度精度很高;训练数据越发散,其预测精度越低。

加速度曲线预测

随机选择35号点的119组参数和47号点的117组参数对应的加速度曲线预测,并与仿真计算结果进行对比。对比结果表明:预测集加速度曲线预测结果和验证集精度一致。碰撞分析作为高度非线性的分析工况,其预测精度可以达到90%以上。其对比优化软件的近似模型的精度要高很多。同时机器学习能够在极短的时间内(秒级)对加速度曲线预测并达到相当高的精度。

直播预告-基于机器学习的车辆行人保护头部仿真研究的图9图5. 35和47号点预测加速度曲线精度对比

应用价值

整车开发项目中采用ODYSSEE 软件的机器学习方法,在仿真效率的提升方面效果非常明显,对项目开发周期和性能平衡具有很好的促进作用。

对于碰撞安全、约束系统和行人保护作为高度非线性的工况,目前面临仿真精度相对低和计算量大等现实困难。借助ODYSSEE 软件的机器学习方法,不仅可以提高仿真效率;同时其可以对曲线、后处理动画等进行学习,对于快速直观地了解碰撞状态具有非常大的意义。

直播预告-基于机器学习的车辆行人保护头部仿真研究的图10

段文立

岚图汽车科技有限公司整车轻量化仿真专家

2021年加入岚图汽车,主要负责整车及平台的概念阶段性能开发,车身轻量化数值优化以及轻量化,同时负责新仿真和优化技术的研究及应用。

直播预告-基于机器学习的车辆行人保护头部仿真研究的图11

常诚

海克斯康工业软件技术专家

毕业于清华大学工程力学系,在汽车零部件、航天航空、能源建筑等领域有丰富的仿真分析经验。目前关注于集成材料计算工程的应用,包括材料数据的管理、复合材料多尺度仿真分析、人工智能加速新材料研发和应用等方面,为客户提供各种材料应用及CAE解决方案。

直播预告-基于机器学习的车辆行人保护头部仿真研究的图12

默认 最新
当前暂无评论,小编等你评论哦!
点赞 评论 收藏
关注