基于机器学习的副车架多学科轻量化优化策略

前言：

副车架需要考察的性能包括强度、模态、安装点动刚度、疲劳等性能。轻量化优化需要在满足以上所有性能要求的基础上进行优化设计。多学科优化可以在同时考虑以上所有性能约束的基础上进行轻量化优化设计。对副车架建立全参数化模型，全参模型包括料厚、形状、特征等等所有可参对象。（如果需要同时考虑碰撞性能，可以增加材料牌号参数）

求解器：Nastran（模态、动刚度）、ABAQUS（强度）、Femfat/Ncode（疲劳）、LSDYNA（碰撞）

前后处理：ANSA、META（HyperView/HyperGraph）、Python

优化软件：LSOPT（Isight、modefrontier、optimus、heeds）

之前介绍过如何通过使用商用的优化软件进行副车架多学科轻量化优化，本文介绍如何通过自编程实现基于机器学习的人工智能多学科轻量化优化过程。

**分析数据准备**

一、副车架全参数化模型创建

使用ansa-morph进行形状参数的创建，包括7个关键位置的形状参数。

二、副车架性能分析及结果提取

2.1 强度分析

强度分析包括一般的典型工况，如加速、制动、转弯、下掉、过坑过坎等等。通常对于底盘件而言往往某几个工况就可以包络其他的全部工况，针对与不同的部件受力状态，在进行多学科优化时进行强度性能约束时，没有必要把所有工况都作为性能约束。这需要工程师的经验以及对部件受力状态的分析。

通常情况下，对于底盘件的载荷加载都是通过刚性单元进行加载，这会在从节点位置产生一定的应力失真。所以一般在后处理时不考虑这一层单元结果的影响。

2.1.1 Meta提取强度响应

1.首先隐藏刚性单元和与之相连的单元。

2.添加一个Annotation，在Advanced Filter中选择Visible Max 1.

3.导出ses文件，用于meta调用生成结果文件
 

4.批处理运行meta生成结果

2.1.2 H yperview提取强度响应

1.首先隐藏刚性单元和与之相连的单元。

2.添加一个Note，将应力结果输出到stress_L5.txt文件中

3.操作完后保存session文件，如GetStress_L5.mvw

4.创建一个hwc文件，通过hwc命令读取上一步生成的session文件。

5.设置批处理命令运行hwc文件用于提取结

2.2 模态分析
副车架一般只需要考虑一阶模态，因此不需要进行模态追踪，如果设置提取了刚体模型，则第一阶模态为模态7。因此不需要进行模态追踪，如果需要进行模态追踪，可以参考以前的文章。

2.2.1 Meta提取模态结果

1.读取模态分析结果

2.通过内置函数提取第7阶模态频率值，找到对应阶次的结果，点击Ok则会自动复 制该函数

3.通过函数创建设计响应

4.导出ses文件，用于meta调用生成结果文件

5.批处理运行meta生成结果

2.2.2 Hyperview提取模态响应

1.读入结果，添加一个note，将模态频率结果输出到freq7.txt文件中。

2.操作完后保存session文件，如getfreq.mvw

3.创建一个hwc文件，通过hwc命令读取上一步生成的session文件。

4.设置批处理命令运行hwc文件用于提取结果

2.3 动刚度分析

动刚度的计算方法有很多种，本例中使用其中的一种，即通过公式：IPI=Area_Target/A_Curve*TargetValue换算得到。其他方法可以参考相同的处理方式。

2.3.1 Meta提取动刚度结果

1.读取动刚度分析结果

2.添加目标值曲线，并通过获取目标值曲线面积和分析结果曲线面积来计算动刚度值

3.通过曲线函数Area得到曲线的面积值，后续通过这些面积值计算动刚度。

4.通过内置函数提取3中曲线的面积

5.通过函数创建设计响应

6.导出ses文件，用于meta调用生成结果文件

7.批处理运行meta生成结果

注

：正如上文所述，一些结果的提取需要结合二次开发来完成，如对于动刚度结果的提取，往往有3N个结果，如果通过手动操作来提取结果会花费一些时间，且容易出错。如果通过二次开发来完成，就是秒级操作。

2.3.2 Hypergraph提取动刚度响应

1.读入结果，添加一个目标值曲线

2.添加一个note，将动刚度结果输出到IPI_results.txt文件中

3.操作完后保存session文件，创建一个hwc文件，通过hwc命令读取上一步生成的session文件。

4.设置批处理命令运行hwc文件用于提取结果。

2.4 疲劳分析

     在做轻量化优化时，第一步是考察当前的性能结果，并更加当前性能结果选择对应的优化策略。包括选择多学科优化时考虑的工况，变量的选择，性能的约束值等等内容。本例中，初始疲劳分析结果很小，因此在多学科优化时没有考虑疲劳工况，疲劳工况作为验证性能而不作为多学科优化分析性能。

如果需要同时考虑疲劳性能，操作的方法和上面强度、模态等方法类似。

      以上参数化模型生成、性能分析求解和结果后处理均可以批处理的方式完成。用于进行机器学习数据准备。

**机器学习多学科轻量化优化**

一、机器学习数据集生成

     使用拉丁方试验设计生成副车架形状参数试验点：

将生成的试验设计数据点更新为参数化模型的参数控制文件：

以上生成了52数据点：

每个数据点中均按试验设计中的设计变量值更新了参数化模型控制文件。

调用ansa、ABAQUS、nastran、optistruct、meta等CAE软件进行模型生成，求解计算和结果提取。

以上获得了用于机器学习的数据集：

二、机器学习模型训练

     使用步骤一中的数据集进行机器学习模型训练：

质量机器学习模型结果验证：

机器学习质量预测值最大误差仅为0.1%。

应力机器学习模型

结果验证：

机器学习应力预测值

最大误差仅为1.1%。

模态机器学习模型

结果验证：

机器学习应力预测值

最大误差仅为0.2%。

动刚度机器学习模型

结果验证：

机器学习动刚度预测值

最大误差仅为0.38%。

三、基于机器学习模型的多学科轻量化优化

优化结果：

优化目标和设计约束：

最终在满足所有性能约束的条件下，副车架质量从22Kg减到20.4Kg，减重约7%。

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删