一种汽车侧面结构的优化方法技术

该发明专利技术公开了一种汽车侧面结构的优化方法，属于结构优化领域。首先确定优化目标：B柱内侧的厚度x1、B柱加强件的厚度x2、地板内侧的厚度x3、横梁的厚度x4、门梁的厚度x5、车门带线的厚度x6、车顶纵梁的厚度x7、垫B柱内侧的材料x8、垫地板内侧的材料x9；护栏高度x

【技术实现步骤摘要】
一种汽车侧面结构的优化方法


[0001]本专利技术属于结构优化领域，尤其涉及一种汽车侧面结构的优化设计方法。

技术介绍

[0002]随着汽车行业的快速发展，汽车越来越普及,交通事故也很频发。在汽车碰撞事故中,侧面柱碰撞是经常发生的交通事故。侧面柱碰撞对车门的压力以及对人体的反馈力都很大,车门对人体胸部的伤害很大。因此在汽车设计时要进行模拟汽车侧面柱碰撞试验,根据试验得到的数据来改进汽车,从而设计出更加安全可靠的汽车。
[0003]但由于碰撞试验的时间、经济成本普遍较高，在进行碰撞试验前，计算机仿真研究具有不可替代的作用，它不仅能够减少碰撞试验次数，节省开发成本，同时还能够在概念设计阶段进行虚拟碰撞试验，缩短研发周期。本专利技术通过改进的并行遗传算法求解其通用的数学模型，为碰撞模拟试验关键零部件设计参数提供理论依据与参考。

技术实现思路

[0004]专利技术目的：为了克服现有技术中存在的不足，本专利技术提供一种改进遗传算法的汽车侧面碰撞结构优化方法，提高了汽车侧面碰撞结构优化的效率以及精度。
[0005]本专利技术技术方案为：一种汽车侧面结构的优化方法，该方法包括：
[0006]步骤1：确定优化目标包括：B柱内侧的厚度x1、B柱加强件的厚度x2、地板内侧的厚度x3、横梁的厚度x4、门梁的厚度x5、车门带线的厚度x6、车顶纵梁的厚度x7、垫B柱内侧的材料x8、垫地板内侧的材料x9；
[0007]护栏高度x
10
、护栏撞击的位置x
11
为非设计变量，为符合N～(0,100)正态分布随机变量，即在
‑
30mm～30mm之间连续变化；
[0008]步骤2：确定目标函数和约束条件：
[0009]Weight＝1.98+4.9x1+6.67x2+6.98x3+4.01x4+1.78x5+2.73x7[0010]F
Adbom
＝1.16
‑
0.3717x2x4‑
0.00931x2x
10
‑
0.484x3x9+0.01343x6x
10
[0011]Def
nb_u
＝28.98+3.818x3‑
4.2x1x2+0.0207x5x
10
+6.63x6x9‑
7.7x7x8+0.32x9x
10
[0012]Def
nb_m
＝33.86+2.95x3+0.1792x
10
‑
5.057x1x2‑
11x2x8‑
0.0215x5x
10
ꢀ‑
9.98x7x8+22x8x9[0013]Def
nb_l
＝46.36
‑
9.9x2‑
12.9x1x8+0.1107x3x
10
[0014]VC
up
＝0.261
‑
0.0159x1x2‑
0.188x1x8‑
0.019x2x7+0.0144x3x
5 +0.0008757x5x
10
+0.08045x6x9+0.00139x8x
11
+0.00001575x
10
x
11
[0015]VC
mid
＝0.214+0.00817x5‑
0.131x1x8‑
0.0704x1x9+0.03099x2x6‑
0.018x2x7+0.0208x3x
8 +0.121x3x9‑
0.00364x5x6+0.0007715x5x
10
‑
0.0005354x6x
10
+0.00121x8x
11
[0016][0017][0018]Vel
B
‑
pillar
＝10.58
‑
0.674x1x2‑
1.95x2x8+0.02054x3x
10
‑
0.0198x4x
10
+0.028x6x
10
[0019][0020]式中：
[0021]Weight表示试验模型的总质量，F
Adbom
表示试验假人所受腹部载荷，Def
nb_u
表示胸部上方肋骨的形变量；Def
nb_m
表示胸部中间肋骨的形变量；Def
nb_l
表示胸部下方肋骨的形变量； VC
up
表示胸部上方的粘性伤害指标；VC
mid
表示胸部中间的粘性伤害指标；VC
low
表示胸部下方的粘性伤害指标；Force
public
表示耻骨联合力；Vel
B
‑
pillar
表示B柱中点处的速度；Vel
door
表示前门靠近B柱处的速度；
[0022]步骤3：采用第二代非支配排序进化算法(NSGA
‑
II)计算总质量最小时的优化目标，得到优化结果；
[0023][1]第二代非支配排序进化算法的交叉算子为：
[0024][0025][0026]其中，p
1i
，p
2i
分别为第i次交叉过程中父代的两个染色体基因，x
1i
，x
2i
分别为第i次交叉过程中子代的两个染色体基因；
[0027][2]变异算子为：
[0028][0029]其中，Fit
m
为最大适应度值，为每代的适应度均值，Fit＝
‑
Weight为变异个体适应度值；P
m1
，P
m2
分别为初始变异概率和最终变异概率；
[0030]当时，P
m
随适应度的增大而减小；反之，则保持不变；
[0031][3]新的目标函数及适应度函数构建如下：
[0032][0033]Fit(x
i
)＝G(x
i
)
[0034]式中：
[0035][0036][0037][0038][0039]其中：i表示种群中序号为i的个体，G(x
i
)为个体新的目标函数值；Fit(x
i
)为对应的个体适应度值；F(x
i
)为对应的原目标函数值；f(x
i
)为对应的惩罚函数值；为整体目标函数均值；g
j
(x
i
)为对应偏离约束条件的情况；m是约束条件个数；α为惩罚因子常数。
[0040]本专利技术提出使用内点罚函数法对目标函数进行无约束化处理；采用了基于正态分布的交叉算子；采用了自适应度变化的变异算子，采用常用的测试函数，例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种汽车侧面结构的优化方法，该方法包括：步骤1：确定优化目标包括：B柱内侧的厚度x1、B柱加强件的厚度x2、地板内侧的厚度x3、横梁的厚度x4、门梁的厚度x5、车门带线的厚度x6、车顶纵梁的厚度x7、垫B柱内侧的材料x8、垫地板内侧的材料x9；护栏高度x
10
、护栏撞击的位置x
11
为非设计变量，为符合N～(0,100)正态分布随机变量，即在
‑
30mm～30mm之间连续变化；步骤2：确定目标函数和约束条件：Weight＝1.98+4.9x1+6.67x2+6.98x3+4.01x4+1.78x5+2.73x7F
Adbom
＝1.16
‑
0.3717x2x4‑
0.00931x2x
10
‑
0.484x3x9+0.01343x6x
10
Def
nb_u
＝28.98+3.818x3‑
4.2x1x2+0.0207x5x
10
+6.63x6x9‑
7.7x7x8+0.32x9x
10
Def
nb_m
＝33.86+2.95x3+0.1792x
10
‑
5.057x1x2‑
11x2x8‑
0.0215x5x
10
‑
9.98x7x8+22x8x9Def
nb_l
＝46.36
‑
9.9x2‑
12.9x1x8+0.1107x3x
10
VC
up
＝0.261
‑
0.0159x1x2‑
0.188x1x8‑
0.019x2x7+0.0144x3x5+0.0008757x5x
10
+0.08045x6x9+0.00139x8x
11
+0.00001575x
10
x
11
VC
mid
＝0.214+0.00817x5‑
0.131x1x8‑
0.0704x1x9+0.03099x2x6‑
0.018x2x7+0.0208x3x8+0.121x3x9‑
0.00364x5x6+0.0007715x5x
10
‑
0.0005354x6x
10
+0.00121x8x
1111

【专利技术属性】
技术研发人员：唐樟春，李凌云，夏艳君，刘亚鹏，岳涧洲，周斌，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：