(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211151523.7 (22)申请日 2022.09.21 (71)申请人 中南大学 地址 410006 湖南省长 沙市岳麓山左家垅 (72)发明人 阳程星　郭维年　许平　杨丽婷　 姚曙光　 (74)专利代理 机构 长沙正务联合知识产权代理 事务所(普通 合伙) 43252 专利代理师 郑隽 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/23(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06F 111/06(2020.01)G06F 111/10(2020.01) G06F 119/14(2020.01) (54)发明名称 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 (57)摘要 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。 权利要求书2页 说明书8页 附图5页 CN 115481488 A 2022.12.16 CN 115481488 A 1.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， 其特征在于， 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。 2.根据权利要求1所述的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， 其特征在于， 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。 3.根据权利要求1所述的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， 其特征在于， 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： 将DOE的五个输入变量作 为机器学习中的网络训练的输入特征， 将DOE的输出作 为机器 学习中的网络训练的实际输出； 将网络训练的输入和实际输出进行随机划分为训练集和 测试集； 对输入数据和实际输出 数据进行归一 化处理； 将吸能结构的输入 几何图形映射到所需要的输出响应的机器学习(ML)体系结构中， 使 用归一化后的训练集和测试集作为样本， 分别使用MLP， RNN， LSTM和GRU四种机器学习的网 络模型对吸能结构的吸能特性 曲线进行预测， 采对比分析不同模型预测的准确 性， 将预测 输出曲线的准确度最高的网络模型作为地铁列车方锥式吸能结构的最优吸能特性曲线预 测模型。 4.根据权利要求1所述的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， 其特征在于， 地铁列车方锥式 吸能结构的最优吸能特性曲线 预测模型为门控循环神经网络 模型， 将外壁厚度TA、 外壁厚度TB、 隔板厚度Tgb、 铝蜂窝A的强度 δA和铝蜂窝B的强度 δB作为优 化变量， 方锥式吸能结构的吸能量和峰值力为优化目标。 5.根据权利要求1所述的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， 其特征在于， 建立的优化理论模型如下 所示：权　利　要　求　书 1/2 页 2 CN 115481488 A 2PCF＝max(F(s) ) 其中， S为方锥式吸能结构的压缩位移； F(s)为方锥式吸能结构的轴向力； TA和TB为方锥 式吸能结构的外壁厚度； Tgb为方锥式吸能结构的隔板厚度； δA和 δB分别为铝蜂窝A和 铝蜂窝 B的强度； EA为方锥式吸能结构的吸能量； PCF为方锥式吸能结构的峰值力。 6.根据权利要求1所述的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， 其特征在于， 基于GRSM的优化结果， 得到了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， 具体为： 将吸能量EA、 比吸能SEA、 平均力Fmean和吸能效率IFE作为吸能评价指标， 并采用雷达图 对比最优解与实验结果， 验证该优化方法的可 行性： 其中， D为膝关节点与帕累托解集点的距离； m为优化目标的个数， fik为第i个优化目标 的最优点 k； 其中， m为方锥式吸能结构的质量； s为方锥式吸能结构的压缩位移； Fmean为方锥式吸能 结构的平均力， PCF为方锥式吸能结构的峰值力； IFE为方锥式吸能结构的吸能效率。权　利　要　求　书 2/2 页 3 CN 115481488 A 3