林 翔,嚴(yán) 波,,牟哲岳,文 楠,黃桂灶
(重慶大學(xué) a.汽車協(xié)同創(chuàng)新中心;b.航空航天學(xué)院,重慶 400044)
汽車碰撞屬于嚴(yán)重的交通事故,一旦發(fā)生對(duì)人們的生命以及財(cái)產(chǎn)安全都將構(gòu)成極大的威脅,所以研究汽車碰撞安全性問題一直是汽車發(fā)展的熱點(diǎn)問題之一。提升汽車的碰撞安全性,設(shè)計(jì)更加合理的結(jié)構(gòu),對(duì)減少碰撞事故帶來的危害具有重要意義[1]。
自1889年美國(guó)紐約街頭發(fā)生第一次汽車碰撞事故以來,已有不少采用實(shí)車碰撞實(shí)驗(yàn)研究汽車碰撞安全性的報(bào)道[2,3]。隨著計(jì)算機(jī)硬件和計(jì)算力學(xué)方法和軟件的發(fā)展,數(shù)值模擬已成為研究汽車碰撞的重要手段[4,5]。1986年LS-DYNA首次成功模擬了整車碰撞變形全過程[6]。黃金陵等[7]以閉口等截面薄壁直梁件為研究對(duì)象進(jìn)行了汽車正面碰撞仿真和數(shù)值模擬,并將研究成果應(yīng)用于紅旗轎車車身結(jié)構(gòu)正面碰撞仿真模擬中。Hu等[8]以長(zhǎng)安SC6350汽車為研究對(duì)象,采用數(shù)值模擬和實(shí)驗(yàn)相結(jié)合的方法,改進(jìn)了該汽車的正面碰撞性能。由于汽車結(jié)構(gòu)極為復(fù)雜,碰撞過程數(shù)值模擬代價(jià)依然高昂。
近年,隨著人工智能技術(shù)的發(fā)展,機(jī)器學(xué)習(xí)方法在工程領(lǐng)域的應(yīng)用研究受到越來越多的重視。張曉云[9]首次將有限元和神經(jīng)網(wǎng)絡(luò)技術(shù)與汽車碰撞事故再現(xiàn)相結(jié)合,分析了事故發(fā)生瞬間的事故車輛關(guān)鍵點(diǎn)的測(cè)量值,對(duì)汽車結(jié)構(gòu)安全設(shè)計(jì)提供指導(dǎo)。聶隱愚等[10]針對(duì)高速列車,將Kriging模型和Legendre多項(xiàng)式回歸應(yīng)用于車輛動(dòng)力學(xué)建模與仿真分析,提出了一種基于數(shù)據(jù)驅(qū)動(dòng)的列車建模和仿真方法,優(yōu)化了車輛多體動(dòng)力學(xué)表達(dá)高度非線性力學(xué)行為的計(jì)算精度。Tang等[11]利用有限元仿真獲得列車碰撞響應(yīng)數(shù)據(jù),建立了一種以數(shù)據(jù)驅(qū)動(dòng)的列車碰撞動(dòng)力學(xué)模型。
以某型皮卡車為對(duì)象,建立三維實(shí)體有限元模型,采用ABAQUS有限元軟件,模擬該汽車與剛性墻壁碰撞和兩車相向碰撞的動(dòng)態(tài)響應(yīng)過程??紤]5種不同初始速度的情況,模擬結(jié)果為代理模型的建立提供數(shù)據(jù)。
汽車結(jié)構(gòu)復(fù)雜,且碰撞過程涉及大變形非線性動(dòng)態(tài)問題,計(jì)算模擬代價(jià)高。先在本節(jié)中建立某型皮卡車的有限元模型。為了提高計(jì)算效率,在保證精度的前提下對(duì)結(jié)構(gòu)進(jìn)行簡(jiǎn)化。整車模型主要包括白車身、動(dòng)力總成、車門總成、車輪等,由226個(gè)部件組成,如圖1(a)所示。其中白車身主要由薄壁板件組成,為保證模擬結(jié)果的正確性和精度,模型中對(duì)關(guān)鍵部位和部件僅對(duì)小的細(xì)節(jié)進(jìn)行簡(jiǎn)化[12]。動(dòng)力總成主要包括發(fā)動(dòng)機(jī)和變速器兩大部件,其結(jié)構(gòu)極其復(fù)雜,微小部件多,忽略它們的變形在碰撞過程中對(duì)整體結(jié)構(gòu)的影響,將其簡(jiǎn)化成剛體。
建立的有限元模型見圖1(b)。車身采用四節(jié)點(diǎn)殼單元、六面體單元、梁?jiǎn)卧?、桿單元等進(jìn)行離散,單元總數(shù)為194 924個(gè)。各部之間的連接方式為點(diǎn)焊連接、螺栓連接、鉸鏈連接、粘合等。其中點(diǎn)焊連接采用Beam單元進(jìn)行模擬,螺栓連接采用耦合連接進(jìn)行處理,鉸鏈連接采用joints連接關(guān)系進(jìn)行簡(jiǎn)化,采用Adhesive單元模擬部件之間的粘合。
圖1 某皮卡車整車分析模型Fig.1 Analytical model of a pickup truck
該車車身大部分構(gòu)件采用鋼和鋁。輪胎由橡膠和多種材料組成,但不是模擬所關(guān)注的重點(diǎn),將其簡(jiǎn)化為各向同性均勻材料。當(dāng)材料發(fā)生塑性變形時(shí),均采用雙線性各項(xiàng)同性材料模型,其本構(gòu)關(guān)系如下
if |ε|≤εs,σ=Eε,if |ε|≤εs,σ=[σs+E′(|ε|-εs)]signσs,
(1)
式中:σ為應(yīng)力,ε為應(yīng)變,σs為屈服應(yīng)力,εs為屈服應(yīng)變,E為楊氏模量,E′為強(qiáng)化楊氏模量。材料的參數(shù)如表1所示。
表1 某皮卡車的材料參數(shù)Table 1 Material parameters of a pickup truck
汽車對(duì)剛性墻的碰撞模型如圖2所示,汽車以不同速度正面與剛性墻碰撞。采用ABAQUS/Explicit模擬汽車分別以36,54,72,90,108 km/h等5種初始速度碰撞剛性墻面的情況。圖3所示為汽車與剛性墻面碰撞典型時(shí)刻的變形。
圖2 皮卡車與剛性墻的碰撞模型Fig.2 Collision model of a truck colliding against a rigid wall
圖3 兩種不同速度下汽車與剛性墻碰撞典型時(shí)刻的變形Fig.3 Deformation of the pickup truck colliding against a rigid wall with different initial velocities at typical time
圖4 汽車以不同速度與剛性墻碰撞時(shí)的碰撞力位移曲線Fig.4 Collision force-displacement curves of the pickup truck colliding against a rigid wall
兩車相向相撞是指兩輛相同的汽車以大小相同、方向相反的初始速度發(fā)生正面碰撞,模型如圖5所示。
圖5 兩車相向碰撞Fig.5 Collision between two trucks
初始速度仍然選擇36, 54, 72, 90, 108 km/h等5種速度。汽車的材料參數(shù)不變。典型初始速度下碰撞過程中典型時(shí)刻的變形如圖6所示。
圖6 典型速度下兩車相向碰撞過程中典型時(shí)刻的變形Fig.6 Deformation of trucks during collision with two different initial velocities at typical time
圖7 不同速度下兩車相向碰撞過程中碰撞力位移曲線Fig.7 Collision force-displacement curves during collision between two trucks with different initial velocities
神經(jīng)網(wǎng)絡(luò)是一種機(jī)器學(xué)習(xí)方法,其在對(duì)輸入數(shù)據(jù)進(jìn)行學(xué)習(xí)和誤差修正的基礎(chǔ)上,建立一個(gè)基于數(shù)據(jù)的回歸模型[13]。人工神經(jīng)網(wǎng)絡(luò)擁有多種不同結(jié)構(gòu),包括BP神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等。這里采用BP神經(jīng)網(wǎng)絡(luò),其具有分層結(jié)構(gòu),如圖8所示。BP神經(jīng)網(wǎng)絡(luò)包括正向傳播和誤差的反向傳播兩個(gè)過程,其中正向傳播過程每一層的神經(jīng)元從上一層接收數(shù)據(jù),經(jīng)過計(jì)算產(chǎn)生輸出數(shù)據(jù),輸出到下一層神經(jīng)元繼續(xù)處理,最后一層神經(jīng)元輸出的是神經(jīng)網(wǎng)絡(luò)最終的輸出值,而誤差的反向傳播主要是神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法,其目的在于對(duì)權(quán)值和閥值的調(diào)整,從而調(diào)整正向傳播中的計(jì)算誤差,使神經(jīng)網(wǎng)絡(luò)達(dá)到最優(yōu)[14]。
圖8 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.8 BP neural network structure
神經(jīng)網(wǎng)絡(luò)的構(gòu)建包括網(wǎng)絡(luò)設(shè)計(jì)、參數(shù)配置以及優(yōu)化算法選擇。網(wǎng)絡(luò)設(shè)計(jì)包括輸入層、隱含層和輸出層,輸入層節(jié)點(diǎn)數(shù)應(yīng)與輸入變量個(gè)數(shù)相同,輸出層節(jié)點(diǎn)數(shù)應(yīng)與輸出變量個(gè)數(shù)保持一致。這里建立的汽車碰撞BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的隱含層包括3層神經(jīng)元,每層128個(gè)節(jié)點(diǎn)。采用Dropout方法防止過擬合現(xiàn)象,Dropout原理是在前向傳播的時(shí)候,讓某個(gè)神經(jīng)元的激活值以一定的概率停止工作,有利于增強(qiáng)模型的泛化能力,不會(huì)過于依賴某些局部特征。神經(jīng)網(wǎng)絡(luò)的激活函數(shù)描述上層節(jié)點(diǎn)輸出和下層節(jié)點(diǎn)輸入之間關(guān)系的函數(shù),對(duì)于識(shí)別率以及收斂速度都有顯著影響,這里采用了relu激活函數(shù),relu函數(shù)不存在梯度消失問題,會(huì)使得模型的收斂速度維持在一個(gè)穩(wěn)定的狀態(tài)。
神經(jīng)網(wǎng)絡(luò)訓(xùn)練的目的在于對(duì)權(quán)值和閥值的不斷調(diào)整,在保證模型精度的前提下,使模型進(jìn)行盡可能多的訓(xùn)練,直到模型的損失函數(shù)值達(dá)到收斂,誤差達(dá)到最小[16]。對(duì)訓(xùn)練數(shù)據(jù)采用重采樣方法和K-Flod交叉驗(yàn)證使數(shù)據(jù)充分學(xué)習(xí)并且得到驗(yàn)證。
針對(duì)汽車與剛性墻壁碰撞和兩車相向碰撞問題,利用前述方法分別建立相應(yīng)的代理模型,模型訓(xùn)練的收斂性如圖9所示,可見,建立的兩個(gè)神經(jīng)網(wǎng)絡(luò)模型均具有良好的收斂性。
圖9 BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練收斂性Fig.9 Training convergence of BP neural network models
圖10 汽車碰撞代理模型預(yù)測(cè)及誤差Fig.10 Prediction by the surrogate model and its errors for collisions of a truck against a rigid wall and between two trucks at an initial velocity of 72km/h
值得一提的是,在建立該代理模型時(shí),模擬的訓(xùn)練樣本的參數(shù)選擇基于汽車設(shè)計(jì)規(guī)范的取值范圍,即對(duì)于該型汽車,設(shè)計(jì)中考慮的汽車發(fā)生碰撞的初始速度是在36~108 km/h范圍內(nèi),所以沒有討論該速度范圍以外模型的預(yù)測(cè)精度。
利用ABAQUS有限元軟件建立某皮卡車有限元模型,模擬在不同初始速度下汽車對(duì)剛性墻碰撞以及兩車相向碰撞的動(dòng)態(tài)過程,基于數(shù)值模擬結(jié)果和BP神經(jīng)網(wǎng)絡(luò)算法,建立了代理模型。得到如下結(jié)論:
2)針對(duì)汽車與剛性墻碰撞和兩車相向碰撞問題,基于數(shù)值模擬結(jié)果和BP神經(jīng)網(wǎng)絡(luò)算法建立的代理模型合理。
3)得到的代理模型在給定的初始碰撞速度范圍36~108 km/h內(nèi)具有足夠的預(yù)測(cè)精度。然而,由于沒有討論碰撞初始速度在該范圍之外的泛化能力,因此不能保證碰撞初始速度在該速度范圍之外的預(yù)測(cè)精度。