机器学习赋能汽车CAE:料厚变化下白车身刚度分析新视角

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:

机器学习在汽车CAE分析中应用 —— 以料厚变化的白车身刚度分析为例的图1

机器学习介入后的研发流程:

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的图2

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

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的图3

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的图4



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:

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的图5

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CAEAI误差
19402.49335.80.71%
29095.99049.80.51%
38492.78455.10.44%
48647.68617.90.34%
59516.99484.00.35%
68170.08127.90.52%
79329.19356.20.29%
89251.69269.60.19%
98943.58947.70.05%
108366.48500.91.61%

弯曲刚度列表:

弯曲刚度(N/mm)
方案CAEAI误差
18323.78169.01.86%
28566.88433.21.56%
37488.07430.00.77%
47962.67828.01.69%
58812.28675.61.55%
67142.17048.91.30%
79642.49628.50.14%
87614.27638.70.32%
99052.09094.90.47%
106968.26999.50.45%

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。


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

QR Code
微信扫一扫,欢迎咨询~

联系我们
武汉格发信息技术有限公司
湖北省武汉市经开区科技园西路6号103孵化器
电话:155-2731-8020 座机:027-59821821
邮件:tanzw@gofarlic.com
Copyright © 2023 Gofarsoft Co.,Ltd. 保留所有权利
遇到许可问题?该如何解决!?
评估许可证实际采购量? 
不清楚软件许可证使用数据? 
收到软件厂商律师函!?  
想要少购买点许可证,节省费用? 
收到软件厂商侵权通告!?  
有正版license,但许可证不够用,需要新购? 
联系方式 155-2731-8020
预留信息,一起解决您的问题
* 姓名:
* 手机:

* 公司名称:

姓名不为空

手机不正确

公司不为空