[发明专利]基于机器学习的方锥式吸能结构耐撞性能多目标优化方法

说明书

本发明提供了一种基于机器学习的方锥式吸能结构耐撞性能多目标优化方法，包括以下步骤：建立地铁列车的方锥式吸能结构的有限元仿真模型；基于建立的有限元仿真模型与实验设计相结合的方法，提取地铁列车吸能结构的结构参数和吸能特性曲线；根据拉丁超立方法进行采样，通过实验设计(DOE)，确定地铁列车方锥式吸能结构的最优吸能特性曲线预测模型，以及优化变量和优化目标；根据最优吸能特性曲线预测模型、优化变量和优化目标，建立优化理论模型；采用哈默斯雷采样法对优化理论模型进行重新采样，利用最优吸能特性曲线预测模型计算对应的吸能量和峰值力，生成新的DOE；采用全局响应面法(GRSM)进行多目标优化，得到优化结果；基于优化结果，得到优化目标的帕累托解集，采用最小距离法，对优化得到的帕累托解集进行最优决策，得到最优解。

技术领域

本发明涉及列车耐撞性能检测技术领域，特别地，涉及一种基于机器学习的方锥式吸能结构耐撞性能多目标优化方法。

背景技术

城轨列车的碰撞过程中，通过车钩装置和方锥式吸能结构吸能结构进行能量吸收。其中，防爬吸能结构为列车被动安全防护的最后一道防线，其耐撞性对车体安全保障具有重要的意义，一旦防爬吸能结构失效造成碰撞事故，将会导致重大的人员伤亡。因此，针对地铁列车方锥式吸能结构的耐撞特性研究具有重要的意义。

传统研究吸能结构的方式主要是采用了有限元法、实验法和多体动力学的方法对列车耐撞性能进行了研究，实验法研究需要耗费较多的物力和财力，并且实验具有较大的不确定性，采用有限元法和多体动力学的方法进行研究，对计算机的性能要求较高，计算的时间较长。

方锥式吸能结构作为地铁车辆的主要吸能元件，其吸能特性(力-位移) 曲线对地铁车辆的运行的安全性存在较大的影响，因此，探寻一种合理的方式得到吸能结构的力-位移曲线，对地铁列车的耐撞性优化具有重要的意义。目前，大部分都是采用有限元模型与试验相结合的方法，得到方锥式吸能结构的力-位移曲线，但是采用这种方式需要较长的时间和昂贵的经费。因此，需要采用更为有效的方法，对方锥式吸能结构的耐撞性进行多目标优化。

发明内容

为了能在保证计算精度的同时减少计算的时间，本发明提出一种基于机器学习的方锥式吸能结构耐撞性能多目标优化方法。采用本发明方法，不仅吸能特性预测的准确性高，而且能够大幅度降低计算的时间，将地铁车辆方锥式吸能结构的耐撞性多目标优化进行大数据赋能。

为实现上述目的，本发明提供了基于机器学习的方锥式吸能结构耐撞性能多目标优化方法，包括以下步骤：

建立地铁列车的方锥式吸能结构的有限元仿真模型；

基于建立的有限元仿真模型与实验设计相结合的方法，提取地铁列车吸能结构的结构参数和吸能特性曲线；根据采用拉丁超立方法采样，进行虚拟实验设计，确定地铁列车方锥式吸能结构的最优吸能特性曲线预测模型，以及优化变量和优化目标；

根据最优吸能特性曲线预测模型、优化变量和优化目标，建立优化理论模型；

采用哈默斯雷采样法对优化理论模型进行重新采样，利用最优吸能特性曲线预测模型计算对应的吸能量和峰值力，生成新的DOE；采用全局响应面法进行多目标优化，得到优化结果；

基于优化结果，得到优化目标的帕累托解集，采用最小距离法，对优化得到的帕累托解集进行最优决策，得到最优解。

优选的，基于有限元仿真相同的边界条件，进行全尺寸的方锥式吸能结构动态冲击实验，采用实验与仿真相结合的方式，通过对比实验与仿真之间的力-位移曲线、位移-能量曲线和变形序列模式，验证建立的有限元模型的准确性。

优选的，基于建立的有限元仿真模型与实验设计相结合的方法，提取地铁列车吸能结构的结构参数和吸能特性曲线；根据采用拉丁超立方法采样，进行虚拟实验设计，确定地铁列车方锥式吸能结构的最优吸能特性曲线预测模型，以及优化变量和优化目标，具体为：