一种基于图的新型代理模型用于快速预测车辆面板部件的耐撞性能
系统与控制
2025-03-25 v1 机器学习
系统与控制
摘要
在B柱等安全关键车辆部件的设计周期中，耐撞性能是评估车辆事故中乘客保护的关键指标。用于耐撞性分析的传统有限元仿真涉及复杂建模，导致计算需求增加。尽管已经开发了一些基于机器学习的代理模型用于耐撞性分析的快速预测，但它们在复杂三维部件的详细表示方面存在局限性。图神经网络（GNN）已成为处理复杂结构数据的有前景解决方案。然而，现有的GNN模型通常缺乏足够的精度和计算效率来满足工业需求。本文提出了循环图U-Net（ReGUNet），一种用于车辆面板部件耐撞性分析的新型基于图的代理模型。ReGUNet采用具有多个图下采样和上采样层的U-Net架构，提高了模型的计算效率和精度；循环的引入增强了多个时间步上时间预测的精度和稳定性。通过一个几何设计变化的B柱部件侧面碰撞测试案例研究对ReGUNet进行了评估。训练后的模型在预测未见过的部件设计的动态行为方面表现出很高的精度，最大B柱侵入量的相对误差为0.74%。与基线模型相比，ReGUNet可将部件变形的平均预测误差降低超过51%，同时计算效率显著提高。凭借增强的精度和效率，ReGUNet在大型复杂图的精确预测方面比现有模型显示出更大的潜力。
引用
@article{arxiv.2503.17386,
title = {A new graph-based surrogate model for rapid prediction of crashworthiness performance of vehicle panel components},
author = {Haoran Li and Yingxue Zhao and Haosu Zhou and Tobias Pfaff and Nan Li},
journal= {arXiv preprint arXiv:2503.17386},
year = {2025}
}