【技术实现步骤摘要】
本专利技术涉及汽车计算机辅助设计领域，具体涉及一种面向碰撞仿真分析的实时仿真方法及系统。
技术介绍
1、一个完整的整车碰撞仿真分析模型，往往有几百万个网格单元。因此，完成一次整车碰撞分析，需要消耗一定的软硬件资源。以目前国内主流的新车型开发项目为例，一般需要使用128核cpu，调用商用碰撞求解器，连续计算10多个小时才能获取整车碰撞仿真分析结果。碰撞仿真计算非常耗时，不仅需要硬件资源还需要软件资源。而一款新车型的开发，往往需要完成几十种碰撞仿真工况分析。另外，为了获取满足碰撞性能要求的车身结构，针对每个碰撞分析工况，仿真工程师一般需要进行数十次到几百次的碰撞迭代计算。对于主机厂而言，每年需要投入大量的资金来租赁碰撞软件、建设高性能计算机群及聘用庞大的工程师团队，才能满足新车开发中的碰撞仿真需求。
2、一般而言，仿真工程师完成某个碰撞分析工况的仿真基础模型搭建及调试后，后续所有的迭代优化工作都是基于仿真基础模型。为了保证仿真结果满足性能指标或获取对应工况的最优性能，仿真工程师需要在仿真基础模型的基础上进行大量的手工迭代时间，这个过程耗时耗力，而且不一定能获取满足性能指标或者是最佳的优化方案。此外，碰撞仿真性能的评价内容繁多，包括仿真模型能量曲线、车身结构关键部件变形过程、关键位置的侵入量和侵入速度等，需要仿真工程师通过cae后处理工具运行每个计算方案的仿真结果模型，才能获取相应的性能评价结果。对于仿真工程师而言，如果可以快速获取整车碰撞仿真分析模型的性能评价结果，则可以显著提高研发速度，从而大幅度节省新车型的开发费用。
技术实现思路
1、本专利技术的目的在于，提供一种面向碰撞仿真分析的实时仿真方法及系统。本专利技术提供的面向碰撞仿真分析的实时仿真方法通过降维算法和机器学习算法预测碰撞仿真分析工况的性能曲线及变形轮廓，通过少量的训练样本数据，建立机器学习训练模式，之后就可以对设计空间内的所有结果进行实时仿真。该专利技术方法普遍适用于各类碰撞仿真分析工况性能优化，对其他非线性仿真工况性能优化也有很强的指导意义和借鉴作用。
2、为了达到上述目的，本专利技术提供了一种面向碰撞仿真分析的实时仿真方法，包括：
3、步骤s1，根据整车碰撞试验工况要求，建立整车碰撞仿真分析模型；
4、步骤s2，基于步骤s1中所建立的整车碰撞仿真分析模型，定义设计变量及取值范围、试验设计采样方式和采样数量，建立训练样本仿真模型并生成对应的训练样本输入数据集；
5、步骤s3，完成步骤s2中所建立的训练样本仿真模型的仿真分析，获取仿真结果，其中，仿真结果包括：关键位置的性能曲线数据或关键零件的最终时刻变形轮廓数据；
6、步骤s4，根据步骤s3中所获取的仿真结果建立映射关系，输入预测样本输入数据集，并根据建立的映射关系获取预测结果以生成预测曲线，其中，生成预测曲线包括：生成预测样本的性能曲线或生成预测样本的最终时刻变形轮廓。
7、在一个实施例中，所述生成预测样本的性能曲线，包括：
8、步骤s411：提取仿真结果中关键位置的性能曲线数据，并生成性能曲线数据集；
9、步骤s412：对性能曲线数据集进行数据分解及数据降维，以获得第一降维特征矩阵数据集；
10、步骤s413：构建训练样本输入数据集与第一降维特征矩阵数据集的映射关系；
11、步骤s414：输入预测样本输入数据集，根据步骤s413中所构建的映射关系生成预测样本输入数据集对应的第二降维特征矩阵数据集；
12、步骤s415：对第二降维特征矩阵数据集进行重建以完成数据恢复，获取预测样本的性能曲线数据集；
13、步骤s416：根据获取的预测样本的性能曲线数据集，生成预测样本的性能曲线。
14、在一个实施例中，所述步骤s412，包括：
15、步骤s4121：通过svd奇异值分解对性能曲线数据集y1进行数据分解，获得特征矩阵u1、s1、v1t，公式如下：
16、y1＝u1·s1·v1t；
17、其中，y1为n×p1维的性能曲线数据集，p1为关键位置的性能曲线的输出节点数，n为训练样本数，u1是n×n阶酉矩阵，v1t是v1的共轭转置的p1×p1阶酉矩阵，s1是半正定n×p1阶对角矩阵，s1对角线上的元素si为y1的奇异值；
18、步骤s4122：对性能曲线数据集y1进行数据降维，并生成性能曲线降维数据集y1reduce，公式如下：
19、y1reduce＝u1reduce·s1reduce·v1treduce；
20、其中，u1reduce·s1reduce为第一降维特征矩阵数据集，降维维度为l1，并且l1＝n，v1treduce为主成分特征矩阵，选自v1t的前l1个向量。
21、在一个实施例中，所述步骤s413包括：利用机器学习算法构建训练样本输入数据集x与第一降维特征矩阵数据集u1reduce·s1reduce的映射关系f1，公式如下：
22、
23、其中，x为n×m维的训练样本输入数据集，n是训练样本数，m为设计变量数；
24、所述步骤s414包括：输入预测样本输入数据集xn，根据映射关系f1生成预测样本输入数据集xn对应的第二降维特征矩阵数据集u1nreduce·s1nreduce，公式如下：
25、
26、其中，xn为k×m维的预测样本输入数据集，k为预测样本数，m为设计变量数；
27、所述步骤s415包括：对第二降维特征矩阵数据集u1nreduce·s1nreduce进行svd重建以完成数据恢复，获取k×p1维的预测样本的性能曲线数据集y1n，公式如下：
28、y1n＝u1nreduce·s1nreduce·v1treduce。
29、在一个实施例中，所述步骤s4中生成预测样本的最终变形轮廓，包括：
30、步骤s421：提取仿真结果中关键零件的最终变形轮廓数据，并生成变形轮廓数据集；
31、步骤s422：对变形轮廓数据集进行数据降维，并生成第一变形轮廓降维数据集；
32、步骤s423：构建训练样本输入数据集与第一变形轮廓降维数据集的映射关系；
33、步骤s424：输入预测样本输入数据集，根据步骤s423中所构建的映射关系生成预测样本输入数据集对应的第二变形轮廓降维数据集；
34、步骤s425：对第二变形轮廓降维数据集进行重建，获取预测样本的变形轮廓数据集；
35、步骤s426：根据获取的预测样本的变形轮廓数据集，生成预测样本的最终变形轮廓。
36、在一个实施例中，所述步骤s422包括：
37、步骤s4221：基于变形轮廓数据集y2生成协方差矩阵数据covy2，公式如下：
38、covy2＝y2t·y2；
39、其中，y2为n×p2维的变形轮廓数据集，n为训练本文档来自技高网...
【技术保护点】
1.一种面向碰撞仿真分析的实时仿真方法，其特征在于，包括：
2.根据权利要求1所述的面向碰撞仿真分析的实时仿真方法，其特征在于，所述生成预测样本的性能曲线，包括：
3.根据权利要求2所述的面向碰撞仿真分析的实时仿真方法，其特征在于，所述步骤S412，包括：
4.根据权利要求3所述的面向碰撞仿真分析的实时仿真方法，其特征在于，所述步骤S413包括：利用机器学习算法构建训练样本输入数据集X与第一降维特征矩阵数据集U1reduce·S1reduce的映射关系f1，公式如下：
5.根据权利要求1所述的面向碰撞仿真分析的实时仿真方法，其特征在于，所述步骤S4中生成预测样本的最终变形轮廓，包括：
6.根据权利要求5所述的面向碰撞仿真分析的实时仿真方法，其特征在于，所述步骤S422包括：
7.根据权利要求6所述的面向碰撞仿真分析的实时仿真方法，其特征在于，所述步骤S423包括：利用机器学习算法建立训练样本输入数据集X和第一变形轮廓降维数据集Y2reduce的映射关系f2，公式如下：
8.根据权利要求7所述的面向
9.根据权利要求1所述的面向碰撞仿真分析的实时仿真方法，其特征在于，所述设计变量包括B柱加强板和B柱加强板贴板的厚度参数及变化范围。
10.一种面向碰撞仿真分析的实时仿真系统，其特征在于，包括控制器和存储器，所述存储器上存储有计算机程序，所述控制器执行计算机程序以实现如权利要求1-9中任一项所述的面向碰撞仿真分析的实时仿真方法。
...【技术特征摘要】
1.一种面向碰撞仿真分析的实时仿真方法，其特征在于，包括：
2.根据权利要求1所述的面向碰撞仿真分析的实时仿真方法，其特征在于，所述生成预测样本的性能曲线，包括：
3.根据权利要求2所述的面向碰撞仿真分析的实时仿真方法，其特征在于，所述步骤s412，包括：
4.根据权利要求3所述的面向碰撞仿真分析的实时仿真方法，其特征在于，所述步骤s413包括：利用机器学习算法构建训练样本输入数据集x与第一降维特征矩阵数据集u1reduce·s1reduce的映射关系f1，公式如下：
5.根据权利要求1所述的面向碰撞仿真分析的实时仿真方法，其特征在于，所述步骤s4中生成预测样本的最终变形轮廓，包括：
6.根据权利要求5所述的面向碰撞仿真分析的实时仿真方法，其特征在于，所述步骤s422包括：
7.根据权利要求6所述的面向碰撞仿真分析的实时仿真方法，其特征在于，所述...
【专利技术属性】
技术研发人员：张继游，吴峻岭，郑宁昆，
申请(专利权)人：上汽大众汽车有限公司，
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。