【技术实现步骤摘要】
本专利技术属于车身零部件选材方法领域，尤其涉及一种基于神经网络代理模型的车身零部件快速选材方法。
技术介绍
1、在汽车设计制造领域，轻量化技术一直是一个重要的研究方向。随着环保法规的日益严格和消费者对燃油效率、续航里程和碳排放的关注不断增加，汽车制造商越来越关注如何降低车辆的整体重量，以提高燃油效率、降低排放、增长续航里程，并在节能的同时增强车辆性能。因此，轻量化材料的选材在汽车设计制造中扮演着至关重要的角色。车身零部件数量众多，如果采用单一材料往往无法获得最优性能，而多材料车身通过合理的选材则可以发挥不同材料的性能优势。
2、传统的汽车零部件选材方法通常基于经验和试错，这不仅导致了时间和资源的浪费，同时难以充分利用新材料和先进技术。孙焱等在中国专利技术公开专利cn116595820a中公开了“一种基于代理模型的飞机结构强度分析方法及系统”，提出了使用代理模型表征飞机结构有限元模型的方法，其采用4阶多项式响应面模型作为代理模型，相较于深度神经网络代理模型，但多项式响应面模型对于车身、飞机这类具有复杂结构，强非线性特征的对象拟合精度较为有限，不能满足需求。
技术实现思路
1、本专利技术揭示了一种基于深度神经网络代理模型的车身多材料关键零部件轻量化快速选材方法，旨在克服传统选材方法的局限性，提供一种更快速、精确的解决方案，以满足汽车对轻量化的需求。这种方法可以加速材料选材过程，在保证准确性的同时，大幅提高效率，降低经济、时间成本。
2、为实现本专利技术目的，本专
3、数据采集阶段：
4、步骤一、构建车身关键零部件装配体cae模型：将关键零部件装配体的cad设计转化为可用于cae分析的模型。
5、步骤二、建立合适的备选材料库：选取车辆零部件常用的轻量化材料作为备选材料。
6、步骤三、cae计算获取力学性能结果：通过cae软件对车身关键零部件装配体施加载荷、约束。施加的载荷与约束应考虑此零部件装配体的工作工况而合理添加，例如模拟零部件发生碰撞、受压，除了机械载荷，部分零部件可能还需要考虑热载荷等。分析内容根据实际工况主要为模态分析、静态结构分析等。通过参数化仿真功能计算多组材料组合的总变形、应变、应力以及质量结果，计算的材料组合数要足够多，以保证神经网络训练有充足的数据。
7、代理模型训练阶段：
8、步骤四、构建数据集：将cae计算结果数据进行处理，定义输入输出标签，将每组数据按照列向量的结构进行储存，并按一定的比例将所有数据分为训练集和验证集，用于深度神经网络的训练。
9、步骤五、选取合适的深度神经网络并进行训练：通过合适结构以及适度规模大小的深度神经网络作为代理模型进行训练。
10、步骤六、设计代价函数：基于轻量化选材时所关心的性能指标，构建选材代价函数；
11、快速选材阶段：
12、步骤七、选取材料组合：从备选材料库中选取不同的组合，输入到深度神经网络代理模型中快速计算强度等结果，再通过选择代价函数计算这组结果的代价值，直到寻找下列最优化问题的解。
13、进一步地，构建车身关键零部件装配体cae模型时，简化模型元素，将关键零部件装配体的cad设计转化为cae软件中的模型。
14、进一步地，所述建立备选材料库时，选取车辆零部件常用的材料作为备选材料，并将备选材料的材料属性输入有限元分析软件中作为备选材料库。如常见的结构钢、合金结构钢、高强度钢、双相钢、复相钢、马氏体钢、奥氏体钢、铝合金、钛合金、镁合金、高强度碳纤、玻璃纤维复合材料等。
15、进一步地，所述数据集的输入为材料组合的力学特性，包括每个零件的杨氏模量、质量密度、泊松比、载荷大小，输出数据为力学性能计算结果，包括材料的总变形、总等效应变、等效应力，零件接合处的变形、应变、应力以及关键位置上的变形、应变、应力。
16、进一步地，得到力学性能计算结果的步骤包括：在ansys的在求解分析部分添加总变形、总等效应变、等效应力，零件接合处的变形、应变、应力以及关键位置上的变形、应变、应力为求解目标，并将以上仿真特性及零件材料均定义为参数以实现参数化仿真，从备选材料库中随机选取材料组合，输入到仿真参数集进行批量求解，得到力学性能计算结果。
17、进一步地，通过matlab的深度网络设计器搭建深度神经网络。
18、进一步地，构建数据集时，将得到的力学性能计算结果另存为csv文件，通过matlab读取后转换为数值矩阵，然后将数据划分为训练集和验证集。
19、进一步地，所述深度神经网络为深度全连接神经网络、径向基(rbf)神经网络，长短期记忆网络(lstm)中的任一种。
20、进一步地，采用深度全连接网络架构时，采用relu激活函数，全连接层不低于20层。使用l2正则化以防止过拟合问题，神经网络的代价函数为：
21、
22、训练完成后零部件代理模型的计算复杂度将远小于cae计算。
23、进一步地，所述选材代价函数为：
24、jselect＝w×p
25、其中p＝[p1，p2，...，pn]t为零部件强度、刚度、质量、价格成本、制造加工时间成本结果，w＝[w1，w2，...，wn]为对应性能指标的权重向量。
26、min jselect
27、与现有技术相比，本专利技术的有益效果至少如下：
28、(1)本专利技术建立的基于深度神经网络代理模型的车身多材料关键零部件轻量化快速选材方法，可以通过深度神经网络作为代理模型表征零部件装配体的结构特征，进而可以通过输入材料参数来获取预测的力学性能，为车身多材料关键零部件轻量化的选材提供参考。
29、(2)本专利技术避免了进行大量cae仿真计算，从而降低了选材任务所需要的时间和经济成本，在车辆轻量化选材领域具有实际应用意义。
30、(3)本专利技术可以实现从备选材料中找到最优组合，并且通过调整选择代价函数的权重向量实现不同零部件的轻量化任务的侧重点合理设置。
31、(4)本专利技术通过深度神经网络代理模型来学习大量的材料数据和设计参数，识别最佳的材料组合，以实现轻量化目标。
本文档来自技高网...【技术保护点】
1.一种基于神经网络代理模型的车身零部件快速选材方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于神经网络代理模型的车身零部件快速选材方法，其特征在于，构建车身关键零部件装配体CAE模型时，简化模型元素，将关键零部件装配体的CAD设计转化为CAE软件中的模型。
3.根据权利要求2所述的一种基于神经网络代理模型的车身零部件快速选材方法，其特征在于，所述简化模型元素的方式包括但不限于将部分非关键位置的孔洞去除、合并较小的曲面。
4.根据权利要求1所述的一种基于神经网络代理模型的车身零部件快速选材方法，其特征在于，所述建立备选材料库时，选取车辆零部件常用的材料作为备选材料，并将备选材料的材料属性输入有限元分析软件中作为备选材料库。
5.根据权利要求4所述的一种基于神经网络代理模型的车身零部件快速选材方法，其特征在于，所述备选材料包括但不限于35号钢，合金结构钢Q295，双相钢DP800、DP1000，复相钢CP800，铝合金AL5000、AL6000、AL7000系列部分材料，钛合金，镁合金AZ31C、ZK60，高强度碳纤
6.根据权利要求1所述的一种基于神经网络代理模型的车身零部件快速选材方法，其特征在于，所述数据集的输入为材料组合的力学特性，包括每个零件的杨氏模量、质量密度、泊松比、载荷大小，输出数据为力学性能计算结果，包括材料的总变形、总等效应变、等效应力，零件接合处的变形、应变、应力以及关键位置上的变形、应变、应力。
7.根据权利要求1所述的一种基于神经网络代理模型的车身零部件快速选材方法，其特征在于，得到力学性能计算结果的步骤包括：在Ansys的在求解分析部分添加总变形、总等效应变、等效应力，零件接合处的变形、应变、应力以及关键位置上的变形、应变、应力为求解目标，并将以上仿真特性及零件材料均定义为参数以实现参数化仿真，从备选材料库中随机选取材料组合，输入到仿真参数集进行批量求解，得到力学性能计算结果。
8.根据权利要求1所述的一种基于神经网络代理模型的车身零部件快速选材方法，其特征在于，通过深度全连接神经网络作为车身零部件代理模型。
9.根据权利要求8所述的一种基于神经网络代理模型的车身零部件快速选材方法，其特征在于，所述深度全连接神经网络中的输入层需要进行归一化，Relu函数作为激活函数，并加入批量归一化层，全连接层不低于20层，使用L2正则化，代价函数为
10.根据权利要求1-9任一所述的一种基于神经网络代理模型的车身零部件快速选材方法，其特征在于，所述选材代价函数为：
...【技术特征摘要】
1.一种基于神经网络代理模型的车身零部件快速选材方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于神经网络代理模型的车身零部件快速选材方法，其特征在于，构建车身关键零部件装配体cae模型时，简化模型元素，将关键零部件装配体的cad设计转化为cae软件中的模型。
3.根据权利要求2所述的一种基于神经网络代理模型的车身零部件快速选材方法，其特征在于，所述简化模型元素的方式包括但不限于将部分非关键位置的孔洞去除、合并较小的曲面。
4.根据权利要求1所述的一种基于神经网络代理模型的车身零部件快速选材方法，其特征在于，所述建立备选材料库时，选取车辆零部件常用的材料作为备选材料，并将备选材料的材料属性输入有限元分析软件中作为备选材料库。
5.根据权利要求4所述的一种基于神经网络代理模型的车身零部件快速选材方法，其特征在于，所述备选材料包括但不限于35号钢，合金结构钢q295，双相钢dp800、dp1000，复相钢cp800，铝合金al5000、al6000、al7000系列部分材料，钛合金，镁合金az31c、zk60，高强度碳纤，玻璃纤维复合材料。
6.根据权利要求1所述的一种基于神经网络代理模型的车身零部件快速选材方法，其特征在于，所述数据集的输入...
【专利技术属性】
技术研发人员：谢正超，吕颂明，刘锦灿，李双，赵晶，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。