圖：多學科分析工況

      本文以modeFrontier環境介紹整車多學科優化及輕量化優化。針對剛度、NVH等線性工況，首先進行靈敏度分析進行變量篩選。針對碰撞等分線性工況，根據經驗篩選出設計變量。然后分別針對不同的工況進行DOE分析采樣，用于構建元模型，包括質量元模型。然后在基于元模型進行優化，使用遺傳算法進行優化分析。

一、設計變量篩選：

       關于設計變量的篩選，請參照《基于Isight多學科優化及輕量化優化》一文中基于靈敏度分析進行變量篩選的部分。

鏈接：【基于Isight多學科優化及輕量化優化】

二、設計參數：

2.1 設計變量：根據靈敏度分析結果，篩選設計變量。

剛度：24個厚度變量

NVH：26個厚度變量

正碰：14個厚度變量

做好設計變量統計表，便于多學科聯合時變量關聯。

2.2 設計響應：

正碰：防火墻侵入量

正碰：B柱加速度

彎曲剛度

彎扭模態

三、modefrontier多學科優化

       多學科優化中的碰撞工況使用LSDYNA進行求解，白車身剛度和模態使用Nastran進行求解。

圖：modefrontier多學科優化圖

圖：modefrontier多學科優化界面

3.1 輸入參數

3.2 求解模塊

       剛度、模態使用Nastran求解器進行求解，結果提取包括f06文件、meta提取op2結果等用于創建設計響應，設計約束。

圖：模態分析模塊

       modefrontier環境Nastran模塊設置參照《ModeFRONTIER聯合Nastran求解器仿真優化流程》。

鏈接：【 ModeFRONTIER聯合Nastran求解器仿真優化流程】

       對于模態分析，需要考慮模態追蹤，關于模態追蹤的方法參照《META&Python在車身模態優化分析中進行模態追蹤的應用》

鏈接：【META&Python在車身模態優化分析中進行模態追蹤的應用】

圖：剛度分析模塊

圖：碰撞分析模塊

       modefrontier環境lsdyna模塊設置參照《ModeFRONTIER聯合LSDYNA求解器仿真優化流程》

鏈接：【 ModeFRONTIER聯合LSDYNA求解器仿真優化流程】

圖：質量模型模塊

       由于不同學科的設計變量不一致，因此需要一個包含所有設計變量的模型用來統計質量響應。本例中通過更新一個包含所有設計變量的模型獲得模型質量。主要過程：通過更新設計變量進而更新模型求解文件，然后后臺調用ansa運行Python腳本獲得模型質量，該方法可以在其他任何優化類型中用于獲得模型質量響應。當然，這個過程適合任何分析模型，包括剛強度、 NVH和碰撞分析。

        以上主要通過DeckMassInfo命令獲得模型質量信息，通過后臺調用ansa運行Python腳本，會生成包含模型質量數據的txt文件。Ansa后臺調用Python命令的語法為： 

ansa64.bat -exec "load_script: 'getnastranmassbypython.py'" -exec "main()" -nogui

3.3 DOE分析

使用優化拉丁方法進行DOE分析，試驗點在空間分布均勻，有效性高。

       計算完成后，所有的結果保存在Design Table中，后續基于設計表進行響應面模型的創建。

圖：實驗設計表結果

圖：元模型算法

本例中選擇多項式、Kriging、徑向基函數、神經網絡算法進行元模型的構建。

圖：元模型函數

      針對于不同的設計響應的元模型，不同的算法的精度是有所差異的，這和元模型的類型本身是相關的。modefrontier會創建的元模型進行對比，給出幾種元模型中按照某一個評判標準（精度）的對比，標記出精度最好的元模型。如上圖中標小星星的元模型。

圖：彎曲模態元模型驗證

圖：彎曲模態元模型

圖：扭轉模態元模型驗證

圖：扭轉模態元模型

圖：質量模型元模型驗證

圖：質量模型元模型

圖：B柱最大加速度元模型驗證

圖：B柱最大加速度元模型

圖：防火墻侵入量元模型驗證

圖：防火墻侵入量元模型

圖：分析結果Scatter圖

圖：分析結果Scatter 3D圖

      在得到了滿足精度要求的元模型后，如一般誤差R方值大于0.95均可滿足工程要求，導出元模型用于后續基于RSM的優化分析。

3.4 基于RSM的優化

圖：modefrontier基于RSM優化流程

圖：modefrontier基于RSM優化流程圖

圖：設計約束

圖：設計目標

       約束考察的分析工況的性能目標，以質量最小為設計目標，使用NSGA-Ⅱ優化算法。

圖：設計目標優化歷程結果

      從優化結果來看，在滿足各項性能要求的基礎上，減重效果十分明細。由于本例中的設計變量參數為任意給出，比如厚度范圍0.5mm-8.5mm，因此優化空間范圍較實際問題大，所有結果更加明顯。在實際工程問題中，只需要按照實際的設計輸入給出設計空間即可。

       結束語：整車多學科優化過程的實現可以通過常用的幾種優化軟件來實現，包括Isight、LSOPT、Optimus、modeFrontier等。具體的實現過程基本上是大同小異。至此，幾種優化軟件的實現過程已經全部做過了介紹。

關于整車多學科優化及輕量化優化，需要注意或者關注以下幾個方面：

1.模型的同步更新：多學科優化過程中需要同時考慮強度耐久、剛度、NVH、碰撞安全等性能，對于同一個設計變量，如料厚，需要保證在所有學科分析模型中同時同步更新。做好設計變量表格的統計十分重要。

2.計算資源的規劃 ：對于強度耐久、剛度、NVH等分析計算一般需要的計算資源沒有結構碰撞的需求高。一次DOE計算，剛度、強度、NVH等需要幾十分鐘或者幾個小時，而結構碰撞往往需要幾個小時或十幾個小時。往往DOE分析隨著設計變量的增多，需要計算的試驗點會非常龐大。因此，對于計算資源的分配，協調是十分重要的。當然，過程中還涉及的高性能的計算設置，比如Nastran-HPC設置，LSDYNA-Decomposition設置等，一次計算提升效率10-20%，則整個項目計算時間可能會節省1-2兩天。關于Nastran高性能、LSDYNA-MPP高效計算設置可以參考《Nastran高性能計算》，《LSDYNA_MPP_DECOMPOSITION》。

鏈接：【Nastran高性能計算】

鏈接：【LSDYNA_MPP_DECOMPOSITION】

3.結果后處理：多學科優化涉及到不同的學科，因此需要工程師對于不同學科的分析計算內容都要十分的了解，尤其是對于結果的后處理用于創建設計響應，如應力強度、動剛度、模態頻率、靜剛度、加速度、侵入量、疲勞壽命等等。這里建議使用Meta、Python環境進行后處理設計響應的創建。可以參考《使用Meta進行后處理用于聯合優化軟件》。

鏈接：【使用Meta進行后處理用于聯合優化軟件】

4.DOE方法、RSM方法、優化方法的選擇：DOE用于空間探索，一般使用的如優化拉丁方法。響應面或者元模型的創建包括多項式、徑向基函數、kriging、神經網絡等，或者比較新的ML法等。優化算法一般選擇全局優化算法-遺傳算法或通過優化策略組合局部和全局優化算法等。

       至此，常見的優化軟件的求解器優化設置，多學科優化設置等基本都介紹完了。包括Nastran、ABAQUS、Lsdyna等，以及優化軟件用于材料參數擬合，及多學科優化。

鏈接：【基于LS-OPT的整車多學科優化及輕量化優化分析】

鏈接：【基于optimus整車多學科數值優化及輕量化優化】

鏈接：【基于Isight多學科優化及輕量化優化】

更多內容歡迎關注微信公眾號：CAE數值優化輕量化

分享關于優化軟件LSOPT、Isight、Optimus、Heeds、modefrontier以及二次開發、輕量化優化設計等更多原創內容。

掃碼關注微信公眾號：

關注公眾號獲取案例源文件