吸能结构耐撞性能优化方法、系统与可读存储介质与流程

本发明涉及交通安全技术领域，尤其涉及一种吸能结构耐撞性能优化方法、系统与可读存储介质。

背景技术：

2012年11月22日，韩国釜山一列地铁列车发生故障，随后赶来的列车由于速度过快而撞上前车，导致追尾事故，造成100余人受伤。为了减少碰撞损失，在地铁车端安装吸能结构至关重要。近几十年，相关学者和研究人员已经对不同吸能结构进行了试验、仿真和理论研究。

金属薄壁构件在碰撞过程中的塑性变形可以耗散大部分的能量，利用金属薄壁结构作为主要吸能部件已成为一种普遍现象。与此同时，铝蜂窝是一种高强重比、高吸能效率的材料，目前也大量用于吸能结构设计中。因此，本发明对薄壁结构和铝蜂窝结构进行了改善并将两者耦合以进一步提高整体性能以有效地保障车内人员的安全。

目前，对吸能结构的优化研究主要是集中在金属薄壁管或者是填充泡沫材料的金属薄壁管；就优化算法而言，大多都采用单一代理模型和已有的启发式算法进行求解，其显著的缺点在于由代理模型拟合得到的复杂的数学模型可能会导致算法陷入局部最优。

技术实现要素：

本发明的主要目的在于公开一种吸能结构耐撞性能优化方法、系统与可读存储介质，以进一步提升性能。

为达上述目的，本发明公开一种吸能结构耐撞性能优化方法，包括：

步骤s1、确定耐撞性优化代理模型；

步骤s2、对所述耐撞性优化代理模型基于混合算法求解，所述混合算法以粒子群算法为主体，随着迭代次数增加，算法的深度搜索能力逐渐下降，在不破坏粒子种间协作的前提下引入烟花算法的爆炸操作，把个体极值作为爆炸烟花来加强算法的局部搜索能力和多样性。

优选地，在烟花爆炸操作中，每个烟花的爆炸个数及爆炸半径由所有个体极值的适应度函数值决定，为了自适应调整烟花爆炸半径从而适应不同决策变量以及增加扰动的精度，个体极值的爆炸更新如下述公式：

上述公式中，t为迭代次数，代表粒子l的个体极值在第α次爆炸的第i维位置，代表粒子l的个体极值的第i维位置，ω^t代表惯性权重；a^l,t是粒子l个体极值的爆炸半径，和是粒子的第i维的最大和最小位置，s^l,t是粒子l的个体极值的爆炸数量，sizepop是种群规模，是烟花爆炸半径常数，m是爆炸数量常数，f(pbest^t)^max和f(pbest^t)^min分别是个体极值的最大和最小适应度值，round(·)代表取整，rands(-1,1)是[-1,1]的随机数，ε是一个无穷小的实数，其中，s^max和s^min分别是控制爆炸数量的上、下限参数，f(pbest^l,t)是在t次迭代中粒子l个体极值的适应度值。

进一步的，本发明方法为了避免算法早熟，还在上述步骤s2对全局极值做混沌映射处理，帮助种群跳出局部最优。

可选地，本发明上述混合算法具体包括：

步骤s21：初始化，包括：随机初始化粒子的速度vs^t和位置xs^t，以及计算粒子适应度值f(xs^t)，令个体极值pbest^t＝xs^t，根据pbest^t更新全局极值gbest^t；

步骤s22：令t＝t+1，根据下述公式更新粒子的速度vs^t和位置xs^t：

步骤s23：比较pbest^t-1和被更新的粒子xs^t两者适应度函数值的大小，判断个体极值是否被更新；

步骤s24：根据下述公式把pbest^t作为烟花进行爆炸更新，计算适应度值并更新pbest^t；

步骤s25:比较gbest^t-1和步骤s24中更新的pbest^t的适应度函数值，从而更新gbest^t；

步骤s26:使用下述公式对步骤s25中的gbest^t进行混沌映射，计算适应度值并再次更新gbest^t；

步骤s27：判断t＜t，返回步骤s22；否则，终止循环，输出全局最优解；

其中，上述公式中，t为迭代次数，和分别代表粒子l的第i维的速度和位置；ω^max和ω^min分别是最大和最小惯性系数，代表全局极值的第i维的位置，和分别代表粒子的第i维的最大和最小速度，μ是一个控制参数，是第k次映射的第i维混沌变量，n是最大混沌映射次数，t为最大迭代次数，代表粒子l的个体极值在第α次爆炸的第i维位置，代表粒子l的个体极值的第i维位置，ω^t代表惯性权重；a^l,t是粒子l个体极值的爆炸半径，和是粒子的第i维的最大和最小位置，s^l,t是粒子l的个体极值的爆炸数量，sizepop是种群规模，是烟花爆炸半径常数，m是爆炸数量常数，f(pbest^t)^max和f(pbest^t)^min分别是个体极值的最大和最小适应度值，round(·)代表取整，rands(-1,1)是[-1,1]的随机数，ε是一个无穷小的实数，其中，s^max和s^min分别是控制爆炸数量的上、下限参数，c1、c2为学习因子。

优选地，本发明确定耐撞性优化代理模型具体包括：

建立用于碰撞分析有限元模型，确定耐撞性优化分析的数学模型，并选取训练样本拟合出至少两种不同的代理模型，然后选择测试样本验证各代理模型的精度，从中筛选出精度最高的耐撞性优化代理模型。

为达上述目的，本发明还公开一种吸能结构耐撞性能优化系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。与之对应的，本发明还公开一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述方法的步骤。

可选地，本发明吸能结构为下述的复合式吸能结构，包括：

前端板；

后端板；

并排于前端板与后端板之间的隔板；

通过隔板中央并与前端板相连接的导杆；

填充于隔板间隙的铝蜂窝；以及

连接于前端板与后端板以包覆隔板和铝蜂窝的薄壁方锥管。

藉此，本发明具有以下有益效果：

1、复合式吸能结构组合了铝蜂窝和金属薄壁管的吸能优势，强化了整体吸能性能。

2、在对复合式吸能结构的尺寸优化上，可以基于精度最高的耐撞性优化代理模型和混合算法的结合，确保了收敛速度快且寻优精度高。而且，优化后的结构sea、fip及cfe等指标性能都能得以显著提升，同时，优化后的结构对材料和冲击载荷的利用率大、不会引起结构吸能量降低及冲击力不平稳、以及还会产生较小的减速度。

下面将参照附图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明实施例公开的地铁复合式吸能结构拆解示意图；

图2为本发明实施例公开的混合算法对复合式吸能结构寻优的详细流程图。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

实施例1

本实施例公开一种地铁复合式吸能结构，该吸能结构安装于地铁底架前端两侧。如图1所示，包括：

前端板7；后端板1；并排于前端板与后端板之间的隔板4；通过隔板中央并与前端板相连接的导杆6；填充于隔板间隙的铝蜂窝；以及连接于前端板与后端板以包覆隔板和铝蜂窝的薄壁方锥管3。

优选地，如图1所示，薄壁方锥管内部由两种轴向尺寸不同的铝蜂窝组成，具体分布为：轴向尺寸大的铝蜂窝2临近前端板部署，轴向尺寸小的铝蜂窝5临近后端板部署，且同一规格的铝蜂窝关于导杆对称分布。例如：所有铝蜂窝截面尺寸为150mm×90mm，轴向尺寸分别为97mm与62mm的a型与b型铝蜂窝，铝蜂窝这样排布可避免结构在承受轴向载荷时发生失稳。

优选地，本实施例还在薄壁方锥管在接近前端板的地方开有诱导槽，用以防初始撞击力峰值过大。

本实施例中，复合式吸能结构组合了铝蜂窝和金属薄壁管的吸能优势，强化了整体吸能性能。

实施例2

本实施例公开一种复合式吸能结构耐撞性能优化方法，以在类似上述实施例1的吸能结构上对相关构件的尺寸等做进一步的优化。

本实施例公开一种复合式吸能结构耐撞性能优化方法，包括：

步骤s1、确定耐撞性优化代理模型。

在该步骤可具体是：建立用于碰撞分析有限元模型，确定耐撞性优化分析的数学模型，并选取训练样本拟合出至少两种不同的代理模型，然后选择测试样本验证各代理模型的精度，从中筛选出精度最高的耐撞性优化代理模型。

可选的：在该步骤中，可以在非线性有限元软件ansys/ls-dyna中建立了用于结构耐撞性优化的碰撞分析模型。其中，薄壁方锥管和隔板用shell163单元进行离散，前后端板及导杆用solid164单元进行离散。薄壁方锥管与隔板、前后端板间的焊接用节点耦合进行模拟。为了高效准确的完成该结构耐撞性优化，蜂窝芯采用具有各向异性力学性能的type126蜂窝等效材料进行定义，并用solid164单元进行离散。

在该步骤中，针对提1所示的复合式吸能结构，其优化的数学模型为：

其中，sea为比吸能，t1为方锥管壁厚，t2为铝蜂窝胞元壁厚，b为铝蜂窝的胞元边长，cfe为冲击力效率，s为结构变形的压缩位移，fip为初始撞击力峰值，favg为结构平均撞击力。

本实施例中，采用比吸能、初始撞击力峰值、撞击力峰值、平均撞击力、冲击力效率等指标评估结构耐撞性优劣。其中，比吸能是衡量结构吸能能力的重要指标，它等于结构单位质量吸收的能量，如下式所示：

上式中，f表示的是撞击力，s是撞击力行程，m为结构的质量。

平均撞击力是衡量吸能结构缓冲变形的能力，等于吸能量(ea)除以压缩位移s，具体计算公式如下：

冲击力效率(crushingforceefficiency，cfe)也称载荷利用率，它等于结构平均撞击力favg与碰撞峰值力fp的比值。cfe越大，结构的冲击力越平稳，计算公式如下：

另外，需要特别关注初始撞击力峰值(fip)这一指标。如果fip超过了某一个临界值，就会引起过大的初始减速度，给乘员的安全带来威胁，所以应尽可能降低fip。

另一方面，在该步骤中，近似代理是利用已知的有限样本来构造一个易于求解的代理模型，并对代理模型进行分析和寻优来逼近结构吸能特性响应目标值，这种模型在数学上可以通过拟合与插值来实现。为了减少有限元仿真时间和过多的分析次数，在结构耐撞性优化设计中采用代理模型的方法。例如：本实施例分别采用多项式响应面(prs)、径向基函数(rbf)、克里金(kriging)和支持向量机回归(svr)四种代理模型对选定的训练样本数据进行插值或者拟合，然后通过误差分析从中选出精度最高的代理模型。

本实施例中，代理模型构造好后还应建立一套有效的评价指标，利用数理统计或其他数学方法对模型精度及有效性进行评估。为了评估代理模型的精度，从样本空间随机选取了20组测试样本来验证它们的精度。平均相对误差(mre)用来衡量被测模型局部精度，均方根误差(rmse)用来衡量全局精度，mre与rmse越小，模型精度越高。

基于上述数学模型，由于正交试验设计可以用较少的实验次数找出能够反映全面试验情况的最优搭配和分析信息，因此可基于3因素5水平的正交试验设计选取了25个训练样来拟合不同的代理模型。同时，随机选取20个测试样本来验证各模型的精度。

在该步骤中，经过本案申请人的大量研究，确定svr模型对四个耐撞性指标预测精度是最高的，因此选用svr模型作为后续优化的代理模型。

步骤s2、对所述耐撞性优化代理模型基于混合算法求解，所述混合算法以粒子群算法为主体，随着迭代次数增加，算法的深度搜索能力逐渐下降，在不破坏粒子种间协作的前提下引入烟花算法的爆炸操作，把个体极值作为爆炸烟花来加强算法的局部搜索能力和多样性。

优选地，在烟花爆炸操作中，每个烟花的爆炸个数及爆炸半径由所有个体极值的适应度函数值决定，为了自适应调整烟花爆炸半径从而适应不同决策变量以及增加扰动的精度，个体极值的爆炸更新如下述公式：

上述公式中，t为迭代次数，代表粒子l的个体极值在第α次爆炸的第i维位置，代表粒子l的个体极值的第i维位置，ω^t代表惯性权重；a^l,t是粒子l个体极值的爆炸半径，和是粒子的第i维的最大和最小位置，s^l,t是粒子l的个体极值的爆炸数量，sizepop是种群规模，是烟花爆炸半径常数，m是爆炸数量常数，f(pbest^t)^max和f(pbestt)min分别是个体极值的最大和最小适应度值，round(·)代表取整，rands(-1,1)是[-1,1]的随机数，ε是一个无穷小的实数，其中，s^max和s^min分别是控制爆炸数量的上、下限参数，f(pbest^l,t)是在t次迭代中粒子l个体极值的适应度值。

进一步的，本实施例方法中，为了避免算法早熟，对全局极值做混沌映射(例如：logsitic映射)处理，帮助种群跳出局部最优。

参照图2，具体的，本实施例针对上述步骤s2的混合算法的一个具体流程包括如下步骤：

步骤s21：初始化，包括：随机初始化粒子的速度vs^t和位置xs^t，以及计算粒子适应度值f(xs^t)，令个体极值pbest^t＝xs^t，根据pbest^t更新全局极值gbest^t。

步骤s22：令t＝t+1，根据下述公式更新粒子的速度vs^t和位置xs^t：

步骤s23：比较pbest^t-1和被更新的粒子xs^t两者适应度函数值的大小，判断个体极值是否被更新。

步骤s24：根据下述公式把pbest^t作为烟花进行爆炸更新，计算适应度值并更新pbest^t；

步骤s25:比较gbest^t-1和步骤s24中更新的pbest^t的适应度函数值，从而更新gbest^t。

步骤s26:使用下述公式对步骤s25中的gbest^t进行混沌映射，计算适应度值并再次更新gbest^t。

步骤s27：判断t＜t，返回步骤s22；否则，终止循环，输出全局最优解。

其中，上述公式中，t为迭代次数，和分别代表粒子l的第i维的速度和位置；ω^max和ω^min分别是最大和最小惯性系数，代表全局极值的第i维的位置，和分别代表粒子的第i维的最大和最小速度，μ是一个控制参数，是第k次映射的第i维混沌变量，n是最大混沌映射次数，t为最大迭代次数，代表粒子l的个体极值在第α次爆炸的第i维位置，代表粒子l的个体极值的第i维位置，ω^t代表惯性权重；a^l,t是粒子l个体极值的爆炸半径，和是粒子的第i维的最大和最小位置，s^l,t是粒子l的个体极值的爆炸数量，sizepop是种群规模，是烟花爆炸半径常数，m是爆炸数量常数，f(pbest^t)^max和f(pbest^t)^min分别是个体极值的最大和最小适应度值，round(·)代表取整，rands(-1,1)是[-1,1]的随机数，ε是一个无穷小的实数，其中，s^max和s^min分别是控制爆炸数量的上、下限参数，c1、c2为学习因子。

本实施例中，为了公平和其他算法性能进行比较，运用函数评价次数反映算法效率。其中，本实施例算法仅需要少量的函数评价次数即可找到最优解，明显优于其它算法。检测每次获得的结果，本实施例混合算法寻优性能稳定，且可应用于拉压弹簧优化等经典工程问题的处理上，其收敛速度快，寻优精度高。

在一本实施例的具体应用实例中，将svr方法与本实施例混合算法相结合对上述数学模型进行寻优，得到最优组合是薄壁方锥管厚度t1＝2.77mm，蜂窝胞元边长b＝1.00mm，胞元壁厚t2＝0.16mm，由最优参数组合建立有限元模型所得比吸能sea＝20.4271kj/kg，与原始设计相比，优化后的sea、fip及cfe分别增加了165.14％、6.92％和113.79％。然而，压缩行程s＝305.99mm，比初始设计的压缩量减少了46.88％。优化结果表明：该结构对材料和冲击载荷的利用率大，不会引起结构吸能量降低及冲击力不平稳；从fip的增幅可以看出，结构会产生较小的减速度。该结构的设计方法是有优势的，优化后的复合吸能结构在地铁车辆耐撞性应用中有很重要的意义。

实施例3

本实施例公开一种复合式吸能结构耐撞性能优化系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法实施例的步骤。

实施例4

本实施例公开一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述方法实施例的步骤。

综上，本发明上述各实施例所分别公开的吸能结构耐撞性能优化方法、系统与可读存储介质，具有以下有益效果：

1、复合式吸能结构组合了铝蜂窝和金属薄壁管的吸能优势，强化了整体吸能性能。

2、在对复合式吸能结构的尺寸优化上，可以基于精度最高的耐撞性优化代理模型和混合算法的结合，确保了收敛速度快且寻优精度高。而且，优化后的结构sea、fip及cfe等指标性能都能得以显著提升，同时，优化后的结构对材料和冲击载荷的利用率大、不会引起结构吸能量降低及冲击力不平稳、以及还会产生较小的减速度。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。