机器学习在汽车CAE分析中应用 —— 以料厚变化的白车身刚度分析为例
长久以来，一直有一个梦想，就是：少干活，多拿钱。或者降低一点标准：提高工作质量和效率，不做错误重复低效的工作。因此针对平时汽车CAE分析工作中各项任务（前处理/分析计算/后处理/优化），开发了各种程序来提高工作效率和质量。但是这些专用的程序事实上只是部分实现了目标，因为有的任务实在太复杂，无法开发出专用的程序（例如整车NVH分析和整车碰撞分析），就算能开发出专用的程序，也还需要后期维护更新（例如动力总成悬置布置与解耦）。那么有没有一个通用的“程序”来应对所有任务，或者说这个通用的“程序”可以自主学习规则后根据新的输入来输出结果？这个就是本人应用机器学习（Machine Learning）到汽车CAE分析中的初衷。
在进行汽车研发时，新产品的工程设计中将会一直面对设计修改（材料+结构）后如何影响整车性能的这个问题，这需要性能部门进行评估（实车出来前，主要由CAE负责；实车出来后，主要由测试负责）。每个子系统的设计新方案，通常不会有实车来进行验证。不可能一出个新方案就会有相应的实物产品出来进行测试验证，因为不仅成本上无法承受，在时间上也不可能，更何况项目前期也没有实车，只能使用CAE分析。
但汽车CAE分析碰到两大问题是：准确性受到质疑；准时性无法保证。而机器学习应用在汽车CAE分析工作后，这两个问题将迎刃而解（特别是后者）。这篇文章将讨论如何解决准时性的问题。
机器学习介入前的研发流程：
机器学习介入后的研发流程：
机器学习技术介入后，CAE工程师只需将基于大量CAE分析结果数据训练来的模型提供给设计工程师即可，而设计工程师在进行设计更改时，将新的设计参数输入给模型后就直接得到结果（这个过程时间是瞬时的，而且这个结果与实际CAE分析结果相差极小），如此可以彻底脱离CAE分析工程师介入和免除长时间的等待，提高了研发效率，更快地进行研发迭代。现在问题的核心是存在这样的模型吗？
现在以白车身刚度分析来验证这条技术路径。白车身刚度分为扭转刚度和弯曲刚度，是整车的重要性能指标。
白车身扭转刚度与弯曲刚度加载方式如下
白车身扭转刚度与弯曲刚度计算公式是：扭转刚度=扭矩/扭转角（N.M/DEG）；弯曲刚度=力/位移（N/MM）。
影响白车身刚度的因素有料厚、结构（整车尺寸、接头形式、关键断面）和材料（钢、铝合金、碳纤维）。为了减少计算规模，这个示例仅考虑料厚因素，但基本过程都是一样的。其中使用的CAE计算软件是Nastran，程序开发语言是Python。
示例中钣金件数为368个，对应同样数目的料厚PSHELL变量。就算每个件料厚只考虑最小和最大两种情况，以及对称件情况，则所有料厚组合方案大约为2^200，数量巨大，根本不可能用CAE软件计算一遍，因此首先需要进行灵敏度分析，筛选出12个料厚变量（对应21个件，因为对称件料厚是一致的）。相对于2^200个方案，现在只需要计算2^12=4096个方案即可。实际应用中，如果不属于这21个件范围内的部件料厚改变，可以直接认为对白车身刚度影响极小。
示例白车身中灵敏度最高的21个钣金件分布如下：
在4096个料厚方案自动计算完毕后，将变量和结果输入到机器学习程序中进行训练，输出规则模型并保存。然后输入新的料厚方案（10组、不包含在4096方案内、甚至输入大于5mm完全不合理的料厚值）到模型中进行计算，输出结果（AI）与实际CAE分析结果进行对比，对比列表如下：
扭转刚度列表：
扭转刚度（N.M/DEG） |
|||
方案 |
CAE |
AI |
误差 |
1 |
9402.4 |
9335.8 |
0.71% |
2 |
9095.9 |
9049.8 |
0.51% |
3 |
8492.7 |
8455.1 |
0.44% |
4 |
8647.6 |
8617.9 |
0.34% |
5 |
9516.9 |
9484.0 |
0.35% |
6 |
8170.0 |
8127.9 |
0.52% |
7 |
9329.1 |
9356.2 |
0.29% |
8 |
9251.6 |
9269.6 |
0.19% |
9 |
8943.5 |
8947.7 |
0.05% |
10 |
8366.4 |
8500.9 |
1.61% |
弯曲刚度列表：
弯曲刚度（N/mm） |
|||
方案 |
CAE |
AI |
误差 |
1 |
8323.7 |
8169.0 |
1.86% |
2 |
8566.8 |
8433.2 |
1.56% |
3 |
7488.0 |
7430.0 |
0.77% |
4 |
7962.6 |
7828.0 |
1.69% |
5 |
8812.2 |
8675.6 |
1.55% |
6 |
7142.1 |
7048.9 |
1.30% |
7 |
9642.4 |
9628.5 |
0.14% |
8 |
7614.2 |
7638.7 |
0.32% |
9 |
9052.0 |
9094.9 |
0.47% |
10 |
6968.2 |
6999.5 |
0.45% |
可见误差基本不超过2%，这个误差有点高的原因是：本人涉足机器学习领域时间不长，导致模型参数还没调整好的缘故，但已经能满足实际应用的要求了。
由此判断，这条技术路径是可行的。可见机器学习介入后，CAE分析工程师主要职责将是保证CAE分析的准确和机器学习模型的训练，相应的设计工程师将为CAE分析工程师提供设计数据（包括结构形式和参数范围）。
通过这种方式将同平台车型的大部分CAE分析转换完成机器学习模型后，可以缩减现有大部分CAE分析和优化工作。但个人认为更为重要的是：这些模型随着训练量的增加，会变得越来越强大和智能，以后机器学习将是汽车研发领域的核心工具，其应用不仅是自动驾驶和CAE分析，也将彻底变革汽车研发流程。
转自本人公众号： 汽车研发CADCAE
查看更多评论 >