【技术实现步骤摘要】
本专利技术涉及车辆碰撞安全，尤其涉及一种车辆吸能盒制备方法、装置、电子设备及存储介质。
技术介绍
1、近年来，汽车行业碰撞安全法规持续加严。在新的安全法规测试工况下，车身碰撞区域关键结构件将承受更大的碰撞能量，在碰撞过程中发生损伤失效的风险大大增加。车辆的前防撞梁吸能盒是车辆发生碰撞事故时，吸收能量的核心部件，特别是对于纯电动新能源汽车，其动力电池极易在碰撞损坏中起火自燃，为了保护电池系统和整车的安全，吸能盒的吸能能力设计至关重要。
2、吸能盒的设计大部分关注于更改吸能盒的结构，从结构出发，通过创新结构布置并依赖于大量的仿真、实验、设计人员的经验，从而得到最终满足需求的吸能设计。这种方法耗费大量时间和资源，而在现在的新能源汽车极短的设计研发周期背景下，需求一种更快速更准确更直接的研发方案。
技术实现思路
1、为解决现有车辆吸能盒的结构设计周期长的技术问题，本专利技术实施例提供一种车辆吸能盒制备方法、装置、电子设备及存储介质。
2、本专利技术实施例的技术方案是这样实现的：
3、本专利技术实施例提供了一种车辆吸能盒制备方法，方法包括：
4、确定车辆吸能盒设计结构对象，基于所述结构对象的结构特征生成结构参数；
5、将所述结构参数输入第一神经网络模型，获得所述第一神经网络模型输出的相似结构参数，将所述结构参数与所述相似结构参数拼接，获得新的结构参数；
6、对所述新的结构参数进行建模，并基于建模后的空间实体几何进行体素化
7、确定所述车辆吸能盒设计结构对象所需的比吸能性能，将所述比吸能性能输入第二神经网络模型，获得所述第二神经网络模型输出的预测结构参数；
8、将所述空间坐标信息输入第三神经网络模型，并将所述预测结构参数作为所述第三神经网络模型的条件标签，获得所述第三神经网络模型输出的新的坐标信息；
9、将所述新的坐标信息发送至显示装置进行快速建模，并对建模结果进行观测；所述建模结果反映所述第二神经网络模型输出的预测结构参数的输出质量；
10、在所述建模结果满足预设输出质量的情况下，对所述预测结构参数进行几何建模，并将所述几何建模结果发送至金属3d打印设备进行打印制造，制备满足所述所需的比吸能性能的车辆吸能盒。
11、在一实施例中，所述确定车辆吸能盒设计结构对象，基于所述结构对象的结构特征生成结构参数，包括：
12、在确定所述车辆吸能盒设计结构对象为三周期极小曲面时，利用如下吸能盒建模公式生成结构参数：
13、 计算式（1）
14、其中，为吸能盒结构，由四个子结构构成，为不同位置的子结构，d为控制结构壁厚，t为控制结构单元大小，为控制点，控制每个子结构的分布位置。
15、在一实施例中，所述基于所述结构对象的结构特征生成结构参数之后，所述方法还包括：
16、将所述结构参数输入遗传算法模块进行选择、交叉和变异，获得生成结构参数；
17、将所述生成结构参数并入所述结构参数中。
18、在一实施例中，所述第二神经网络模型的训练过程包括：
19、将所述新的结构参数输入第四神经网络模型，获得所述第四神经网络模型输出的所述新的结构参数的预测比吸能性能结果；
20、对所述新的结构参数进行前向的噪声添加，得到加噪结构参数；
21、将所述加噪结构参数输入待训练的第二神经网络模型中，将所述预测比吸能性能结果通过预设层后的输出结果作为所述第二神经网络模型的条件标签，获得所述第二神经网络模型输出的还原结构参数；将所述还原结构参数与所述加噪结构参数进行比对，对所述第二神经网络模型进行调整，多次训练后完成所述第二神经网络模型的训练。
22、在一实施例中，所述第四神经网络模型的训练过程包括：
23、对所述结构参数进行几何建模，并输入有限元模块进行仿真，获得所述结构参数对应几何模型的力学性能数据，对所述力学性能数据进行处理后，获得比吸能数据；
24、将所述结构参数与所述比吸能数据作为训练数据，训练第四神经网络模型，以使训练后的第四神经网络模型能够基于输入的结构参数输出预测的比吸能性能结果。
25、在一实施例中，所述制备满足所述所需的比吸能性能的车辆吸能盒之后，所述方法还包括：
26、对所述车辆吸能盒进行实验验证，获得所述车辆吸能盒的实际比吸能结果；
27、将所述实际比吸能结果与所述所需的比吸能性能进行比对，判断是否达到所述车辆吸能盒的批量化生产条件。
28、在一实施例中，所述将所述实际比吸能结果与所述所需的比吸能性能进行比对，判断是否达到所述车辆吸能盒的批量化生产条件，包括：
29、将所述实际比吸能结果与所述所需的比吸能性能利用如下计算式进行计算，判断是否达到所述车辆吸能盒的批量化生产条件：
30、 计算式（2）
31、其中，sea_experiment为实际比吸能结果，sea_require为所需的比吸能性能，为实际工业设计时，所允许的最大误差。
32、本专利技术实施例还提供了一种车辆吸能盒制备装置，所述车辆吸能盒制备装置包括：
33、生成模块，用于确定车辆吸能盒设计结构对象，基于所述结构对象的结构特征生成结构参数；
34、拼接模块，用于将所述结构参数输入第一神经网络模型，获得所述第一神经网络模型输出的相似结构参数，将所述结构参数与所述相似结构参数拼接，获得新的结构参数；
35、建模模块，用于对所述新的结构参数进行建模，并基于建模后的空间实体几何进行体素化处理，获得空间坐标信息，所述空间坐标信息用于表征所述空间实体几何的离散结构；
36、预测模块，用于确定所述车辆吸能盒设计结构对象所需的比吸能性能，将所述比吸能性能输入第二神经网络模型，获得所述第二神经网络模型输出的预测结构参数；
37、输出模块，用于将所述空间坐标信息输入第三神经网络模型，并将所述预测结构参数作为所述第三神经网络模型的条件标签，获得所述第三神经网络模型输出的新的坐标信息；
38、观测模块，用于将所述新的坐标信息发送至显示装置进行快速建模，并对建模结果进行观测；所述建模结果反映所述第二神经网络模型输出的预测结构参数的输出质量；
39、制备模块，用于在所述建模结果满足预设输出质量的情况下，对所述预测结构参数进行几何建模，并将所述几何建模结果发送至金属3d打印设备进行打印制造，制备满足所述所需的比吸能性能的车辆吸能盒。
40、本专利技术实施例还提供了一种电子设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，处理器用于运行计算机程序时，执行上述任一方法的步骤。
41、本专利技术实施例还提供了一种存储介质，存储介质中存储有计算机程序，计算机程本文档来自技高网...
【技术保护点】
1.一种车辆吸能盒制备方法，其特征在于，所述方法包括：
2.根据权利要求1所述的车辆吸能盒制备方法，其特征在于，所述确定车辆吸能盒设计结构对象，基于所述结构对象的结构特征生成结构参数，包括：
3.根据权利要求1所述的车辆吸能盒制备方法，其特征在于，所述基于所述结构对象的结构特征生成结构参数之后，所述方法还包括：
4.根据权利要求1所述的车辆吸能盒制备方法，其特征在于，所述第二神经网络模型的训练过程包括：
5.根据权利要求4所述的车辆吸能盒制备方法，其特征在于，所述第四神经网络模型的训练过程包括：
6.根据权利要求1所述的车辆吸能盒制备方法，其特征在于，所述制备满足所述所需的比吸能性能的车辆吸能盒之后，所述方法还包括：
7.根据权利要求6所述的车辆吸能盒制备方法，其特征在于，所述将所述实际比吸能结果与所述所需的比吸能性能进行比对，判断是否达到所述车辆吸能盒的批量化生产条件，包括：
8.一种车辆吸能盒制备装置，其特征在于，所述车辆吸能盒制备装置包括：
9.一种电子设备，其特征在于，包括：处
10.一种存储介质，所述存储介质中存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至7任一项所述方法的步骤。
...【技术特征摘要】
1.一种车辆吸能盒制备方法，其特征在于，所述方法包括：
2.根据权利要求1所述的车辆吸能盒制备方法，其特征在于，所述确定车辆吸能盒设计结构对象，基于所述结构对象的结构特征生成结构参数，包括：
3.根据权利要求1所述的车辆吸能盒制备方法，其特征在于，所述基于所述结构对象的结构特征生成结构参数之后，所述方法还包括：
4.根据权利要求1所述的车辆吸能盒制备方法，其特征在于，所述第二神经网络模型的训练过程包括：
5.根据权利要求4所述的车辆吸能盒制备方法，其特征在于，所述第四神经网络模型的训练过程包括：
6.根据权利要求1所述的车辆吸能盒制备方法，其特征在于，所述制备满足所述所需的...
【专利技术属性】
技术研发人员：李洲，李俊豪，田佳豪，陆炳全，李凯，夏士奇，周元生，
申请(专利权)人：中南大学，
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。