基于空间映射布点模式的高维代理模型构造方法研究及其在车身耐撞性优化中的应用

Because of the multiply nonlinearities of crashworthiness design, it is a complex problem in engineering optimization. According to the features of crashworthiness, the project proposes a space mapping sampling-based self-organized surrogate modeling method. The characteristics of the proposed strategy can be summarized as: continua, discrete and logic design variables are integrated in the same design space by using parameter system investigation (PSI) method by considering variety of design parameters in crashworthiness; a time-based dynamical objective function should be constructed by addressing the time related crashworthiness procedure; the structural stability of surrogate model should be the primary principle for modeling due to uncertainties and complexity of crashworthiness simulation. The space mapping is also integrated for generating samples by the relaxing convergence criterion; group method for data handling (GMDH) is used for constructing model due to its' self-organized characteristic. Moreover, to guarantee the reliability of the surrogate model, ensemble surrogate model method is used for finding the max error zone. All strategies proposed in this project focus on crashworthiness optimization in vehicle design. If all strategies are completed, they should be potential for improving the utility, reliability and extensibility and applied to real engineering applications.

车身耐撞性设计是具有多重非线性的复杂的工程优化问题，本项目针对车身耐撞性的特点，拟建立一种基于空间映射布点模式的自组织代理模型构造的优化方法。本方法的主要特点在于：考虑车身耐撞性设计中参数类型的多样性，通过参数空间研究方法将连续、离散和逻辑三种类型的设计变量统一于同一设计空间；考虑耐撞性问题的时序性，拟建立更为完善的基于时间历程的动态目标函数；考虑耐撞性仿真的不确定性，将模型的结构稳定性作为建模的首要准则，结合空间映射方法，在弱化严格收敛的条件的同时，保证布点的准确性和收敛性；考虑耐撞性问题的高维非线性，为了降低建模的复杂度，选择具有自组织特性的数据处理分组方法作为基本框架，采用多种模型集合的方式确定误差最大区域，提高模型的稳定性。本项目的研究内容是车身耐撞性优化设计的工程需求，如顺利完成，希望能提高代理模型优化方法的可用，可信和可扩展性，真正用于工程实践。

项目在空间映射的框架下，建立了基于重分析计算理论的空间映射计算方法，同目前国际上其他主流方法相比，降低了对空间映射理论的要求，但计算精度和应用范围有了大幅度提高；在近似模型框架下，充分考虑了模型的稳定性和效率，以EI(Expected improvement)条件为基础，提出了双向Kriging-HDMR(High dimensional modal representation)建模方法，在提高HDMR理论建模能力同时，大幅提升了其优化能力；考虑模型构造的不确定性，结合差分进化方法和GMDH(Group method of data handling)理论，建立了双层模式的自组织全局高维优化方法，同主流全局优化方法相比，算法包含布点的随机性和模型确定性，性能有所提高。近年来，电动汽车车身的轻量化设计收到广泛的关注，而多参数设计是重中之重。因此，本项目提出的方法的主要目的在于提高优化方法处理高阶问题的能力。数值算例表明：以上方法对工程中的非线性问题有效，尤其是碰撞、冲压成形以及复合材料铺层和纤维角度的设计，对于目前电动汽车的车身轻量化设计具有一定指导意义。