一种汽车吸能盒耐撞性设计与优化方法

1.本发明涉及汽车耐撞性技术领域，尤其涉及一种汽车吸能盒耐撞性设计与优化方法。


背景技术：

2.汽车耐撞性是汽车被动安全领域的主要研究内容之一。汽车吸能盒主要用于吸收正面碰撞时的碰撞能量。目前，汽车吸能盒耐撞性设计方法主要为：利用有限元软件建立汽车吸能盒仿真模型，并通过响应面模型建立吸能盒长宽高及厚度等尺寸参数与初始峰值力、吸能量、碰撞力效率等吸能盒耐撞性评价指标之间的数学表达式。利用这种方法对汽车吸能盒耐撞性进行设计与优化的缺点是：忽略了变形形式作为噪声对尺寸参数与耐撞性评价指标关系产生的干扰，导致需要更多的试验数据才能获得准确可信的预测。
3.因此，亟需提供一种技术方案解决上述技术问题。


技术实现要素：

4.为解决上述技术问题，本发明提供了一种汽车吸能盒耐撞性设计与优化方法。
5.本发明的一种汽车吸能盒耐撞性设计与优化方法的技术方案如下：
6.基于copras方法，从多个具有不同诱导孔的汽车吸能盒的耐撞性数值中，将最接近预设优化目标条件的耐撞性数值所对应的汽车吸能盒确定为目标汽车吸能盒，并根据所述目标汽车吸能盒的诱导孔数量和每个诱导孔的位置，构建第一汽车吸能盒耐撞性设计与优化模型；
7.将所述目标汽车吸能盒的每个诱导孔的长度和宽度作为所述第一汽车吸能盒耐撞性设计与优化模型的优化参数，并利用opt-lhd方法对所有的优化参数进行试验设计，得到第二汽车吸能盒耐撞性设计与优化模型；
8.对所述第二汽车吸能盒耐撞性设计与优化模型进行虚拟仿真，得到并将多组耐撞性评价指标数据划分为训练集与测试集，将所述训练集分别输入多个用于汽车吸能盒耐撞性影响效果预测的原始机器学习模型中进行训练，得到多个训练好的第一机器学习模型，并基于所述测试集，将误差最小的第一机器学习模型确定为目标机器学习模型；
9.基于所述目标机器学习模型、所述预设优化目标条件和预设约束条件，得到优化后的汽车吸能盒耐撞性设计方案。
10.本发明的一种汽车吸能盒耐撞性设计与优化方法的有益效果如下：
11.本发明的方法通过在汽车吸能盒耐撞性设计与优化过程中增加约束条件，在降低模型仿真时间的同时，也能够准确地预测吸能盒受冲击的响应过程，以此提升吸能盒耐撞性。
12.在上述方案的基础上，本发明的一种汽车吸能盒耐撞性设计与优化方法还可以做如下改进。
13.进一步，所述耐撞性数值包括：初始峰值力、吸能量和碰撞力效率，所述预设优化
目标条件为：所述初始峰值力最小、所述吸能量最大且所述碰撞力效率最大。
14.进一步，所述基于copras方法，从多个具有不同诱导孔的汽车吸能盒的耐撞性数值中，将最接近预设优化目标条件的耐撞性数值所对应的汽车吸能盒确定为目标汽车吸能盒的步骤，包括：
15.基于所述copras方法，对每个汽车吸能盒的初始峰值力、吸能量和碰撞力效率按照所述预设优化目标条件进行综合评分，并对每个汽车吸能盒的综合评分进行降序排序，得到目标序列，并将目标序列的首个综合评分对应的汽车吸能盒确定为所述目标汽车吸能盒。
16.进一步，任意一组耐撞性评价指标数据包括：汽车吸能盒的变形形式、初始峰值力、吸能量和碰撞力效率、诱导孔长度和诱导孔宽度；所述将所述训练集分别输入多个用于汽车吸能盒耐撞性影响效果预测的原始机器学习模型中进行训练，得到多个训练好的第一机器学习模型的步骤，包括：
17.将所述训练集中的每组耐撞性评价指标数据输入任一原始机器学习模型中进行拟合训练，得到该原始机器学习模型对应的训练好的第一机器学习模型，直至得到每个原始机器学习模型对应的训练好的第一机器学习模型；其中，每个第一机器学习模型中包括：所述诱导孔长度、所述诱导孔宽度与所述初始峰值力的第一拟合关系，所述诱导孔长度、所述诱导孔宽度与所述吸能量的第二拟合关系，所述诱导孔长度、所述诱导孔宽度与所述碰撞力效率的第三拟合关系，所述诱导孔长度、所述诱导孔宽度与所述汽车吸能盒的变形形式的第四拟合关系。
18.进一步，所述基于所述测试集，将误差最小的第一机器学习模型确定为目标机器学习模型的步骤，包括：
19.将所述测试集中的每个耐撞性评价指标数据分别输入任一第一机器学习模型，得到该第一机器学习模型的耐撞性数值误差，直至得到每个第一机器学习模型的耐撞性数值误差，并将耐撞性数值误差最小的第一机器学习模型确定为所述目标机器学习模型。
20.进一步，所述约束条件为：汽车吸能盒的变形形式为渐进式压缩，汽车吸能盒的诱导孔长度和诱导孔宽度均保留一位小数；
21.所述优化后的汽车吸能盒耐撞性设计方案包括：汽车吸能盒的诱导孔长度的目标值和诱导孔宽度的目标值。
22.进一步，多个原始机器学习模型包括：knn模型、svm模型和rf模型。
23.本发明的一种汽车吸能盒耐撞性设计与优化系统的技术方案如下：
24.包括：第一构建模块、第二构建模块、第三构建模块和优化模块；
25.所述第一构建模块用于：基于copras方法，从多个具有不同诱导孔的汽车吸能盒的耐撞性数值中，将最接近预设优化目标条件的耐撞性数值所对应的汽车吸能盒确定为目标汽车吸能盒，并根据所述目标汽车吸能盒的诱导孔数量和每个诱导孔的位置，构建第一汽车吸能盒耐撞性设计与优化模型；
26.所述第二构建模块用于：将所述目标汽车吸能盒的每个诱导孔的长度和宽度作为所述第一汽车吸能盒耐撞性设计与优化模型的优化参数，并利用opt-lhd方法对所有的优化参数进行试验设计，得到第二汽车吸能盒耐撞性设计与优化模型；
27.所述第三构建模块用于：对所述第二汽车吸能盒耐撞性设计与优化模型进行虚拟
仿真，得到并将多组耐撞性评价指标数据划分为训练集与测试集，将所述训练集分别输入多个用于汽车吸能盒耐撞性影响效果预测的原始机器学习模型中进行训练，得到多个训练好的第一机器学习模型，并基于所述测试集，将误差最小的第一机器学习模型确定为目标机器学习模型；
28.所述优化模块用于：基于所述目标机器学习模型、所述预设优化目标条件和预设约束条件，得到优化后的汽车吸能盒耐撞性设计方案。
29.本发明的一种汽车吸能盒耐撞性设计与优化系统的有益效果如下：
30.本发明的系统通过在汽车吸能盒耐撞性设计与优化过程中增加约束条件，在降低模型仿真时间的同时，也能够准确地预测吸能盒受冲击的响应过程，以此提升吸能盒耐撞性。
31.在上述方案的基础上，本发明的一种汽车吸能盒耐撞性设计与优化系统还可以做如下改进。
32.进一步，所述耐撞性数值包括：初始峰值力、吸能量和碰撞力效率，所述预设优化目标条件为：所述初始峰值力最小、所述吸能量最大且所述碰撞力效率最大。
附图说明
33.图1示出了本发明提供的一种汽车吸能盒耐撞性设计与优化方法的实施例的流程示意图；
34.图2示出了本发明提供的一种汽车吸能盒耐撞性设计与优化方法的实施例中的多个汽车吸能盒的结构示意图；
35.图3示出了本发明提供的一种汽车吸能盒耐撞性设计与优化方法的实施例中的多个汽车吸能盒的耐撞性数值的示意图；
36.图4示出了本发明提供的一种汽车吸能盒耐撞性设计与优化方法的实施例中的初始峰值力的误差分析图；
37.图5示出了本发明提供的一种汽车吸能盒耐撞性设计与优化方法的实施例中的吸能量的误差分析图；
38.图6示出了本发明提供的一种汽车吸能盒耐撞性设计与优化方法的实施例中的碰撞力效率的误差分析图；
39.图7示出了本发明提供的一种汽车吸能盒耐撞性设计与优化方法的实施例中的变形形式的auc曲线图；
40.图8示出了本发明提供的一种汽车吸能盒耐撞性设计与优化方法的实施例中的汽车吸能盒的变形形式的结构示意图；
41.图9示出了本发明提供的一种汽车吸能盒耐撞性设计与优化方法的实施例中的目标汽车吸能盒的具体示意图；
42.图10示出了本发明提供的一种汽车吸能盒耐撞性设计与优化系统的实施例的结构示意图。
具体实施方式
43.图1示出了本发明提供的一种汽车吸能盒耐撞性设计与优化方法的实施例的流程
示意图。如图1所示，包括如下步骤：
44.步骤110：基于copras方法，从多个具有不同诱导孔的汽车吸能盒的耐撞性数值中，将最接近预设优化目标条件的耐撞性数值所对应的汽车吸能盒确定为目标汽车吸能盒，并根据所述目标汽车吸能盒的诱导孔数量和每个诱导孔的位置，构建第一汽车吸能盒耐撞性设计与优化模型。
45.其中，
①
在本实施例中，包含9组不同的汽车吸能盒(共计61个)，每个汽车吸能盒的诱导孔数量及位置均不相同。如图2所示，第一组汽车吸能盒为无诱导孔的吸能盒baseline(图2a)；第二组汽车吸能盒为单层一个孔的吸能盒modela_n(图2b)；第三组汽车吸能盒为单层两个孔的吸能盒modelb_n(图2c)；第四组汽车吸能盒为单层三个孔的吸能盒modelc_n(图2d)；第五组汽车吸能盒为单层四个孔的吸能盒modeld_n(图2e)；第六组汽车吸能盒为双层各一个孔的吸能盒modela_n_m(图2f)；第七组汽车吸能盒为双层各两个孔的吸能盒modelb_n_m(图2g)；第八组汽车吸能盒为双层各三个孔的吸能盒modela_n_m(图2h)；第九组汽车吸能盒为双层各四个孔的吸能盒modela_n_m(图2i)。在上述9组汽车吸能盒中，n表示第一层孔上边界距离吸能盒顶部的距离；m表示第二层孔上边界距离限额和隔阂顶部的距离；n取值范围为：15mm，45mm，75mm，105mm，135mm；m取值范围为：45mm，75mm，105mm，135mm，且m＞n。
②
对每个汽车吸能盒进行仿真分析，分别得到每个汽车吸能盒的耐撞性数值。
③
耐撞性数值包括：初始峰值力、吸能量和碰撞力效率。
④
预设优化目标条件为：初始峰值力最小、吸能量最大且碰撞力效率最大。
⑤
copras方法为复杂比例评估方法。如图3所示，由于9组吸能盒初始峰值力、吸能量、碰撞力效率变化趋势并不完全相同，无法直接选取出满足预设优化目标条件的汽车吸能盒，故采用copras方法对9组吸能盒的耐撞性数值进行综合评分，然后可以按这个综合分数由高到低进行排序。
⑥
目标汽车吸能盒为：采用copras方法所选取出的分数最高的汽车吸能盒，即最接近预设优化目标条件的耐撞性数值所对应的汽车吸能盒。在本实施例中，目标汽车吸能盒的诱导孔数量为8个，其中4个距离目标吸能盒顶端15mm，另外4个距离目标吸能盒顶端45mm。
⑦
第一汽车吸能盒耐撞性设计与优化模型为：根据目标汽车吸能盒的诱导孔的相关参数所构建的模型。
46.步骤120：将所述目标汽车吸能盒的每个诱导孔的长度和宽度作为所述第一汽车吸能盒耐撞性设计与优化模型的优化参数，并利用opt-lhd方法对所有的优化参数进行试验设计，得到第二汽车吸能盒耐撞性设计与优化模型。
47.其中，
①
opt-lhd方法为：超拉丁方试验设计方法，可利用该方法对所有的优化参数进行试验设计。
②
第二汽车吸能盒耐撞性设计与优化模型为：根据超拉丁方试验设计方法设计出来的样本点建立的多个模型的统称。
48.步骤130：对所述第二汽车吸能盒耐撞性设计与优化模型进行虚拟仿真，得到并将多组耐撞性评价指标数据划分为训练集与测试集，将所述训练集分别输入多个用于汽车吸能盒耐撞性影响效果预测的原始机器学习模型中进行训练，得到多个训练好的第一机器学习模型，并基于所述测试集，将误差最小的第一机器学习模型确定为目标机器学习模型。
49.其中，
①
耐撞性评价指标数据包括：汽车吸能盒的变形形式、初始峰值力、吸能量和碰撞力效率、诱导孔长度和诱导孔宽度。
②
在本实施例中，多组耐撞性评价指标数据选取150组，并按照训练集和测试集9：1的方式进行划分。
③
原始机器学习模型包括：knn模型、svm模型和rf模型。
④
第一机器学习模型为：原始机器学习模型经过训练所得到的机器学习
模型。
⑤
目标机器学习模型为：耐撞性评价指标数据和预测结果之间的误差最小的第一机器学习模型。
50.需要说明的是，
①
图4示出了三个机器学习模型关于预测的初始峰值力与实际的初始峰值力之间的误差分析图；图5示出了三个机器学习模型关于预测的吸能量与实际的吸能量之间的误差分析图；图6示出了三个机器学习模型关于预测的碰撞力效率与实际的碰撞力效率之间的误差分析图；从图中可以分别获取每个机器学习模型关于不同耐撞性评价指标的r2。在本实施例中，可以设定一个误差阈值，即r2大于等于0.9。当任一模型的r2大于等于0.9，则选择误差最小的机器学习模型作为第一机器学习模型，否则继续调整机器学习模型的参数以提高模型预测效果。
②
如图7所示，汽车吸能盒的变形形式预测则用受试者工作特性曲线(简称为roc)的测量曲线下面积(简称为auc)，roc的auc越大越好，这里的评定阈值默认设置为0.9。
③
如图8所示，汽车吸能盒的变形形式一般为两种，具体为：渐进式压缩(图8a)和欧拉变形(图8b)。
④
对于任一原始机器学习模型，训练集中的每个耐撞性评价指标数据中的诱导孔长度可作为x，诱导孔宽度作为y，初始峰值力作为z1、吸能量z2、碰撞力效率z3和汽车吸能盒的变形形式z4，然后拟合x、y与z1之间的关系，得到第一拟合关系；拟合x、y与z2之间的关系，得到第二拟合关系；拟合x、y与z3之间的关系，得到第三拟合关系，拟合x、y与z4的关系，得到第四拟合关系。简单之，对于这些机器学习模型，输入x和y，能够得到预测的z1、z2，z3和z4。
⑤
由于copras方法所选择的目标汽车吸能盒是model d 15-45这个模型，这是一个双层四孔模型，所以选择自变量x和y是这个图9中的a、b、c和d，并利用opt-lhd进行实验设计，设计出150组样本点，然后根据这150组样本点的自变量进行建模和仿真，获得模型的结果中的因变量为z1、z2、z3和z4。
51.步骤140：基于所述目标机器学习模型、所述预设优化目标条件和预设约束条件，得到优化后的汽车吸能盒耐撞性设计方案。
52.其中，
①
预设约束条件为：汽车吸能盒的变形形式为渐进式压缩，汽车吸能盒的诱导孔长度和诱导孔宽度均保留一位小数。
②
优化后的汽车吸能盒耐撞性设计方案包括：汽车吸能盒的诱导孔长度的目标值和诱导孔宽度的目标值，目标值即为最佳的取值。
53.较优地，所述基于copras方法，从多个具有不同诱导孔的汽车吸能盒的耐撞性数值中，将最接近预设优化目标条件的耐撞性数值所对应的汽车吸能盒确定为目标汽车吸能盒的步骤，包括：
54.基于所述copras方法，对每个汽车吸能盒的初始峰值力、吸能量和碰撞力效率按照所述预设优化目标条件进行综合评分，并对每个汽车吸能盒的综合评分进行降序排序，得到目标序列，并将目标序列的首个综合评分对应的汽车吸能盒确定为所述目标汽车吸能盒。
55.其中，目标序列为：将所有的汽车吸能盒的耐撞性数值的综合评分，从高到低依次排列的序列。
56.较优地，所述将所述训练集分别输入多个用于汽车吸能盒耐撞性影响效果预测的原始机器学习模型中进行训练，得到多个训练好的第一机器学习模型的步骤，包括：
57.将所述训练集中的每组耐撞性评价指标数据输入任一原始机器学习模型中进行拟合训练，得到该原始机器学习模型对应的训练好的第一机器学习模型，直至得到每个原始机器学习模型对应的训练好的第一机器学习模型。
58.其中，每个第一机器学习模型中包括：所述诱导孔长度、所述诱导孔宽度与所述初始峰值力的第一拟合关系，所述诱导孔长度、所述诱导孔宽度与所述吸能量的第二拟合关系，所述诱导孔长度、所述诱导孔宽度与所述碰撞力效率的第三拟合关系，所述诱导孔长度、所述诱导孔宽度与所述汽车吸能盒的变形形式的第四拟合关系。
59.较优地，所述基于所述测试集，将误差最小的第一机器学习模型确定为目标机器学习模型的步骤，包括：
60.将所述测试集中的每个耐撞性评价指标数据分别输入任一第一机器学习模型，得到该第一机器学习模型的耐撞性数值误差，直至得到每个第一机器学习模型的耐撞性数值误差，并将耐撞性数值误差最小的第一机器学习模型确定为所述目标机器学习模型。
61.其中，耐撞性数值误差包括：真实的初始峰值力与模型预测的初始峰值力的误差、真实的吸能量与模型预测的吸能量的误差、真实的碰撞力效率与模型预测的碰撞力效率的误差。
62.此外，需要说明的是，如下表1所示，优化后的汽车吸能盒耐撞性设计方案所得到的吸能盒比通过corpas方法进行选优获得的目标汽车吸能盒更好。其中，ipf为初始峰值力，ea为吸能量、cfe为碰撞力效率。
[0063][0064]
本实施例的技术方案通过在汽车吸能盒耐撞性设计与优化过程中增加约束条件，在降低模型仿真时间的同时，也能够准确地预测吸能盒受冲击的响应过程，以此提升吸能盒耐撞性。
[0065]
图10示出了本发明提供的一种汽车吸能盒耐撞性设计与优化系统的实施例的结构示意图。如图10所示，该系统200包括：第一构建模块210、第二构建模块220、第三构建模块230和优化模块240；
[0066]
所述第一构建模块210用于：基于copras方法，从多个具有不同诱导孔的汽车吸能盒的耐撞性数值中，将最接近预设优化目标条件的耐撞性数值所对应的汽车吸能盒确定为目标汽车吸能盒，并根据所述目标汽车吸能盒的诱导孔数量和每个诱导孔的位置，构建第一汽车吸能盒耐撞性设计与优化模型；
[0067]
所述第二构建模块220用于：将所述目标汽车吸能盒的每个诱导孔的长度和宽度作为所述第一汽车吸能盒耐撞性设计与优化模型的优化参数，并利用opt-lhd方法对所有的优化参数进行试验设计，得到第二汽车吸能盒耐撞性设计与优化模型；
[0068]
所述第三构建模块230用于：对所述第二汽车吸能盒耐撞性设计与优化模型进行虚拟仿真，得到并将多组耐撞性评价指标数据划分为训练集与测试集，将所述训练集分别输入多个用于汽车吸能盒耐撞性影响效果预测的原始机器学习模型中进行训练，得到多个训练好的第一机器学习模型，并基于所述测试集，将误差最小的第一机器学习模型确定为目标机器学习模型；
[0069]
所述优化模块240用于：基于所述目标机器学习模型、所述预设优化目标条件和预
设约束条件，得到优化后的汽车吸能盒耐撞性设计方案。
[0070]
较优地，所述耐撞性数值包括：初始峰值力、吸能量和碰撞力效率，所述预设优化目标条件为：所述初始峰值力最小、所述吸能量最大且所述碰撞力效率最大。
[0071]
本实施例的技术方案通过在汽车吸能盒耐撞性设计与优化过程中增加约束条件，在降低模型仿真时间的同时，也能够准确地预测吸能盒受冲击的响应过程，以此提升吸能盒耐撞性。
[0072]
上述关于本实施例的一种汽车吸能盒耐撞性设计与优化系统200中的各参数和各个模块实现相应功能的步骤，可参考上文中关于一种汽车吸能盒耐撞性设计与优化方法的实施例中的各参数和步骤，在此不做赘述。
[0073]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

技术特征：
1.一种汽车吸能盒耐撞性设计与优化方法，其特征在于，包括：基于copras方法，从多个具有不同诱导孔的汽车吸能盒的耐撞性数值中，将最接近预设优化目标条件的耐撞性数值所对应的汽车吸能盒确定为目标汽车吸能盒，并根据所述目标汽车吸能盒的诱导孔数量和每个诱导孔的位置，构建第一汽车吸能盒耐撞性设计与优化模型；将所述目标汽车吸能盒的每个诱导孔的长度和宽度作为所述第一汽车吸能盒耐撞性设计与优化模型的优化参数，并利用opt-lhd方法对所有的优化参数进行试验设计，得到第二汽车吸能盒耐撞性设计与优化模型；对所述第二汽车吸能盒耐撞性设计与优化模型进行虚拟仿真，得到并将多组耐撞性评价指标数据划分为训练集与测试集，将所述训练集分别输入多个用于汽车吸能盒耐撞性影响效果预测的原始机器学习模型中进行训练，得到多个训练好的第一机器学习模型，并基于所述测试集，将误差最小的第一机器学习模型确定为目标机器学习模型；基于所述目标机器学习模型、所述预设优化目标条件和预设约束条件，得到优化后的汽车吸能盒耐撞性设计方案。2.根据权利要求1所述的汽车吸能盒耐撞性设计与优化方法，其特征在于，所述耐撞性数值包括：初始峰值力、吸能量和碰撞力效率，所述预设优化目标条件为：所述初始峰值力最小、所述吸能量最大且所述碰撞力效率最大。3.根据权利要求2所述的汽车吸能盒耐撞性设计与优化方法，其特征在于，所述基于copras方法，从多个具有不同诱导孔的汽车吸能盒的耐撞性数值中，将最接近预设优化目标条件的耐撞性数值所对应的汽车吸能盒确定为目标汽车吸能盒的步骤，包括：基于所述copras方法，对每个汽车吸能盒的初始峰值力、吸能量和碰撞力效率按照所述预设优化目标条件进行综合评分，并对每个汽车吸能盒的综合评分进行降序排序，得到目标序列，并将目标序列的首个综合评分对应的汽车吸能盒确定为所述目标汽车吸能盒。4.根据权利要求1所述的汽车吸能盒耐撞性设计与优化方法，其特征在于，任意一组耐撞性评价指标数据包括：汽车吸能盒的变形形式、初始峰值力、吸能量和碰撞力效率、诱导孔长度和诱导孔宽度；所述将所述训练集分别输入多个用于汽车吸能盒耐撞性影响效果预测的原始机器学习模型中进行训练，得到多个训练好的第一机器学习模型的步骤，包括：将所述训练集中的每组耐撞性评价指标数据输入任一原始机器学习模型中进行拟合训练，得到该原始机器学习模型对应的训练好的第一机器学习模型，直至得到每个原始机器学习模型对应的训练好的第一机器学习模型；其中，每个第一机器学习模型中包括：所述诱导孔长度、所述诱导孔宽度与所述初始峰值力的第一拟合关系，所述诱导孔长度、所述诱导孔宽度与所述吸能量的第二拟合关系，所述诱导孔长度、所述诱导孔宽度与所述碰撞力效率的第三拟合关系，所述诱导孔长度、所述诱导孔宽度与所述汽车吸能盒的变形形式的第四拟合关系。5.根据权利要求4所述的汽车吸能盒耐撞性设计与优化方法，其特征在于，所述基于所述测试集，将误差最小的第一机器学习模型确定为目标机器学习模型的步骤，包括：将所述测试集中的每个耐撞性评价指标数据分别输入任一第一机器学习模型，得到该第一机器学习模型的耐撞性数值误差，直至得到每个第一机器学习模型的耐撞性数值误差，并将耐撞性数值误差最小的第一机器学习模型确定为所述目标机器学习模型。
6.根据权利要求5所述的汽车吸能盒耐撞性设计与优化方法，其特征在于，所述约束条件为：汽车吸能盒的变形形式为渐进式压缩，汽车吸能盒的诱导孔长度和诱导孔宽度均保留一位小数；所述优化后的汽车吸能盒耐撞性设计方案包括：汽车吸能盒的诱导孔长度的目标值和诱导孔宽度的目标值。7.根据权利要求1-6任一项所述的汽车吸能盒耐撞性设计与优化方法，其特征在于，多个原始机器学习模型包括：knn模型、svm模型和rf模型。8.一种汽车吸能盒耐撞性设计与优化系统，其特征在于，包括：第一构建模块、第二构建模块、第三构建模块和优化模块；所述第一构建模块用于：基于copras方法，从多个具有不同诱导孔的汽车吸能盒的耐撞性数值中，将最接近预设优化目标条件的耐撞性数值所对应的汽车吸能盒确定为目标汽车吸能盒，并根据所述目标汽车吸能盒的诱导孔数量和每个诱导孔的位置，构建第一汽车吸能盒耐撞性设计与优化模型；所述第二构建模块用于：将所述目标汽车吸能盒的每个诱导孔的长度和宽度作为所述第一汽车吸能盒耐撞性设计与优化模型的优化参数，并利用opt-lhd方法对所有的优化参数进行试验设计，得到第二汽车吸能盒耐撞性设计与优化模型；所述第三构建模块用于：对所述第二汽车吸能盒耐撞性设计与优化模型进行虚拟仿真，得到并将多组耐撞性评价指标数据划分为训练集与测试集，将所述训练集分别输入多个用于汽车吸能盒耐撞性影响效果预测的原始机器学习模型中进行训练，得到多个训练好的第一机器学习模型，并基于所述测试集，将误差最小的第一机器学习模型确定为目标机器学习模型；所述优化模块用于：基于所述目标机器学习模型、所述预设优化目标条件和预设约束条件，得到优化后的汽车吸能盒耐撞性设计方案。9.根据权利要求8所述的汽车吸能盒耐撞性设计与优化系统，其特征在于，所述耐撞性数值包括：初始峰值力、吸能量和碰撞力效率，所述预设优化目标条件为：所述初始峰值力最小、所述吸能量最大且所述碰撞力效率最大。

技术总结
本发明公开了一种汽车吸能盒耐撞性设计与优化方法，包括：基于COPRAS方法，确定并根据目标汽车吸能盒，构建第一模型；将目标汽车吸能盒的每个诱导孔参数作为第一模型的优化参数，并对所有的优化参数进行试验设计，得到第二模型；对第二模型进行仿真，得到并将多组耐撞性指标数据划分为训练集与测试集，基于训练集和测试集，从多个原始机器学习模型中确定目标机器学习模型；基于目标机器学习模型、预设优化目标条件和预设约束条件，得到优化后的汽车吸能盒耐撞性设计方案。本发明在降低模型仿真时间的同时，也能够准确地预测吸能盒受冲击的响应过程，以此提升吸能盒耐撞性。以此提升吸能盒耐撞性。以此提升吸能盒耐撞性。


技术研发人员：徐峰祥 梁锐 刘娜 刘翔 张成
受保护的技术使用者：桂林航天工业学院
技术研发日：2023.04.20
技术公布日：2023/8/9