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。
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