基于變復雜度近似模型的汽車安全性優(yōu)化設計研究.pdf

1、隨著計算機軟件的不斷更新和計算機仿真理論的不斷完善，構建車身的有限元模型的精度也越來越高，其采樣耗時長和硬件的更新?lián)Q代快等問題尤為突出。目前的車身結構優(yōu)化設計有兩種方法。一種是直接對整車進行采樣，精度高，響應值可信，但是耗時長。另一種就是采用簡化模型技術對部分總成或部件進行定性優(yōu)化，再將結果代入整車計算，雖然耗時短，針對性強，但理論性不強，優(yōu)化結果的好壞主要依賴于研究者的經驗。針對上述問題，本文借用變復雜度優(yōu)化思想，將兩種方法的優(yōu)點結合

2、起來用于車身結構優(yōu)化設計中，主要研究內容如下：
　　（1）通過測試函數(shù)和工程實例，比較了三種近似模型在不同優(yōu)化問題中建模的擬合精度。研究表明：RBF近似模型在線性、弱非線性和強非線性的情況下比其它兩種近似模型的擬合精度要高，且魯棒性更強，更適合于工程實例建模問題。
　?。?）基于簡化模型技術在整車正面碰撞分析優(yōu)化中的應用條件，研究了縱梁的材料、板厚和截面三種因素對縱梁在碰撞過程中的變形以及乘員艙的影響。研究表明，材料和截面等

3、不可控因素對縱梁吸能變形方式的影響較大，而板厚主要在碰撞過程中對汽車B柱加速度峰值和輕量化設計更加有效。最終按成本控制的原則，選擇更換材料方案改進縱梁。
　?。?）針對汽車車身安全性優(yōu)化設計，提出了基于變復雜度優(yōu)化的RBF近似模型方法。該方法采用最優(yōu)拉丁超立方試驗設計，利用較少的樣本點數(shù)據(jù)在簡化模型和高精度模型中建立一個差值補償近似模型，在此模型和簡化模型基礎上構造新的樣本點數(shù)據(jù)，利用RBF神經網絡建立新的近似模型。利用該方法對以