基于AI深度学习技术的发罩性能分析和方案设计
以下文章来源于CAE数值优化轻量化 ，作者方永利
本文介绍一个基于深度学习进行发罩行保分析和设计的案例。其中为了提高机器学习模型预测的精度使用了GAN技术优化了神经网络结构。验证了AI技术在CAE仿真分析领域应用的可行性。
在发罩开发的过程中需要考虑的性能包括刚度、强度、模态、疲劳耐久以及行人保护等。其中对于行人保护的性能开发尤为重要，它涉及到车型CNCAP星级评定。而且就计算量和达成难度上来讲都要比其他性能困难些。因此在传统的开发过程中行人保护性能开发是发罩性能最重要的一个环节。
传统的CAE分析包括网格划分、边界条件设置、求解计算等一系列的过程。这一过程会花费很长的时间。
当前的开发流程是初始结构设计→CAE分析校核优化→方案性能验证→试验→设计完成。
为了缩短开发周期，这里通过人工智能利用机器学习的方法建立代理模型，可以对结构数据及时地完成性能的初始评定进而指导改进设计，然后对改进的设计进行CAE性能验证分析，在进行试验然后完成设计过程。
选取22款车型，包括所有设计过程数据共1674个数据样本。 每个样本包含了发罩外板、内板框架、内外板差异部分和其他支架等四个信息。这些信息是以2D图片数据形式输入的。这些输入的图片信息对应的输出就是CAE分析的行保结果。
Ø模型训练
整个模型的训练是通过Pytorch库实现的。首先通过两层卷积神经网络（CNN）处理为高维向量，然后将四个高维向量相加再传递给全连接层，这里的全连接层取一层，后面再接一个3层的卷积神经网络作为解码层，最终输出为HIC结果图片。
模型训练后通过交叉验证的方法验证训练模型的精度。
对紧凑型SUV、SUV和轿车发罩通过机器学习模型进行HIC结果预测，整个过程从原来的CAE分析几十个小时缩短为10s。
从预测结果可以看到，有些车型的预测结果精度低于80%，最小仅为61%。因此需要改善预测模型的精度。
平均预测精度：83%
最高预测精度：96%
最小预测精度：61%
AI预测的精度较低的原因主要是由于训练数据集数量太少，而CNN深度学习模型的预测精度又非常依赖于数据量，通常每个标签需要大于1000个数据。
而原始试验数据的积累又是一个长期的过程，只有随着更多车型的开发来不断增加数据，这不是短期内可以解决的问题。
由于数据量不足，通过对训练模型进行超参优化也很难提高模型的预测精度。
同样由于数据不足的问题，采用更深层的神经网络如InceptionV3会让过拟合的情况更加严重。
数据量不足不是一个可以短期内解决的问题，因此选取了GAN技术来重构神经网络，用于改善模型预测精度。
采用了WGAN-gp结构，并增加了梯度惩罚项，用于约束判别器的参数变化量，使得判别器的参数变化曲线比较平衡，保证高质量的输出。
判别器由三层的全连接层构成。
评价预测精度提高了1%。精度较低的模型从7个降低为4个。且精度均有提高。
二.AI模型应用思路拓展
前面的AI模型是对发罩的设计数据进行HIC性能预测，用于取代CAE仿真分析。在此基础上可以拓展为将HIC值做为输入，通过AI来根据HIC值进行对应发罩内板框架结构的生成。即通过AI进行基于性能的结构设计。 这里，AI的功能不在是性能预测和方案评估。而是根据设置的HIC值性能要求来自动生成设计方案。这一过程使用了pix2pix技术来实现发罩内板方案的输出。
将HIC值分布和发罩外板作为输入，内板结构设计作为输出。
从测试结果可以发现，大部分通过AI生成的发罩内板的设计方案和实际结构是一样的。但也有一些和实际结构有很大的差异，为了验证这些差异结构的HIC值，需要对这些差异结构方案进行性能评估。因此还要用到之前生成的预测模型进行HIC值计算。
通过验证发现，虽然通过AI给出的发罩内板设计方案与实际结构不一致，但是两个差异结构的HIC值性能是一致的。进而验证了这一思路的可行性。
总结：
1.使用了深度学习（AI）预测了行保性能，对方案数据进行评估3.通过使用GAN技术，将CNN模型预测精度提高了1%
4.通过使用pix2pix技术，可以通过发罩外形和预设的HIC值来进行发罩内板的方案设计
后记：深度学习模型精度往往依赖数据集量，而CAE结构性能仿真分析一般都是高耗计算资源的，往往很难短期内积累大量的训练数据用于提升AI模型的精度。数据集的积累可以包括以往开发车型的所有方案，仿真分析方案，试验方案等所有数据。可以通过一些变形技术实现方案数据的创建和积累。
