基于机器学习的副车架多学科轻量化优化

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。

二、副车架性能分析及结果提取

2.1.1 Meta提取强度响应

4.批处理运行meta生成结果

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文件用于提取结果

2.2 模态分析

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.操作完后保存session文件，如getfreq.mvw

2.3 动刚度分析

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

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。

      使用拉丁方试验设计生成副车架形状参数试验点：

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。

二、机器学习模型训练

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：

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%。