基于代理模型的整车多学科优化及轻量化优化
上一篇介绍了如何建立车身模态分析的机器学习模型和代理模型的建立方法,本文介绍基于代理模型的整车多学科优化及轻量化优化分析。
本例中考察弯曲刚度、弯扭模态、正碰三个工况。约束弯曲刚度、弯曲模态、扭转模态、B柱加速度和防火墙侵入量性能,以质量最小为设计目标。分别建立以上所有设计响应的代理模型。最后使用遗传算法进行整车多学科及轻量化优化。

模态:

FRB:

DOE分析选择拉丁方法,刚度和模态分析使用nastran求解器,因此调用pyNastran进行bdf求解文件的修改,并后台调用nastran完成所有DOE样本的求解。正碰分析使用LSDYNA求解器,调用qd.dyna进行k文件的参数修改,并后台调用LSDYNA完成所有DOE样本的求解。以上调用求解器进行DOE分析时通过pool函数来并行计算DOE样本。



对质量、刚度、模态、加速度和侵入量分别创建riging模型,并定义R2值计算函数校核代理模型的精度。

进行模型训练,并计算R^2值

Kriging模型训练结果:
质量代理模型:

弯曲模态代理模型:

扭转模态代理模型:

弯曲刚度代理模型:

B柱加速度代理模型:

防火墙侵入量代理模型:

代理模型精度结果:







最终在满足所有性能要求的前提下获得了质量最小最优解。总结:
1.通过建立的代理模型进行多学科优化,以质量最小为设计目标,在满足所有性能要求的基础上得到了最优质量最小解。
2.以上所有过程均通过Python环境实现,相比较商业优化软件,具有更大的灵活性和高效性。
Isight整车多学科优化链接:基于Isight多学科优化及轻量化优化
modefrontier多学科优化链接:基于modeFrontier整车多学科优化及轻量化优化
optimus多学科优化链接:基于optimus整车多学科数值优化及轻量化优化
LS-OPT多学科优化链接:基于LS-OPT的整车多学科优化及轻量化优化分析
3.在进行代理模型创建时,需要根据DOE样本数据进行创建并进行精度验证,关于DOE样本点个数的选择至关重要,且对于如结构碰撞分析完成一次计算需要大量的时间,因此如何选择满足代理模型精度所需的最少DOE样本点个数是至关重要的。目前解决的办法是通过Adaptive DOE技术。
在Isight(2020)、optimus(2019)、modefrontier(2020R3)、LS-OPT(7.0)(以上版本软件均有实际测试)的版本中均有AdaptiveDOE方法可以实现。下期介绍基于机器学习的整车多学科优化及轻量化优化案例。