基于Isight多學科優化及輕量化優化
前言：產品設計和制造過程已經發展了幾個世紀。許多復雜的系統，如橋梁，建筑物，飛機，汽車等，都是這一過程的優秀成果。該過程涉及反復試錯的設計方法，包括初始設計，測試和修改初始設計，直到找到安全設計。
在大多數情況下，許多設計可以是安全的設計，但其中只有一個是最佳設計，不僅安全，而且在滿足所有標準方面也是最好的。試錯設計方法是在豐富的自然資源中發展起來的一種具有數百年歷史的設計方法，它在尋求安全設計的同時，并不直接以尋找最佳設計為目的。因此，在目前的設計過程中，確定最佳設計即使不是不可能的，但也是一項代價高昂的任務，因為試錯設計沒有系統的方法來分析和比較不同的設計優劣。
以橋梁設計為例。橋梁構建了由障礙物隔開的兩個區域之間的交通。需要滿足其安全性，成本，耐久性，維護性，可制造性等要求。使用試錯法，工程師無法評估這些要求所有不同的可能性，并找到最佳的橋梁設計。
因此，工程師通常采用以前的設計，并對其進行修改設計，直到滿足設計要求。只有在啟動新的類似設計任務時才會進行改進以增加其價值。因此，過去設計系統的發展需要大量的時間和資源。
隨著自然資源的減少，市場競爭的加劇和計算能力的提高，這種傳統的試錯法設計正在被仿真驅動設計所取代。仿真驅動設計不僅可以搜索安全設計，還可以搜索最佳設計，從而更快地實現最佳性能設計。換句話說，仿真驅動設計過程消除了（經典）試錯過程的隨機性。
在仿真驅動設計過程中，理想情況下需要包括盡可能多的獨立設計參數，因為大量設計參數將在設計搜索中創造更大的靈活性。但是，實際上，我們不希望將計算時間浪費在對設計沒有太大影響的參數上。因此，建議將參數篩選的實驗設計（DOE）作為優化的第一步。一旦通過參數篩選減少了問題規模，根據問題，我們可以繼續使用元模型。在元模型中，創建擬合以替換實際仿真分析或減少數據中的噪聲。然后我們可以在擬合或精確模型上進行優化。
對于優化階段，我們可以選擇進行確定性研究或概率研究。如果是后者，我們需要繼續進行基于可靠性和穩健性的設計優化（RRBDO）。
總而言之，仿真驅動設計的流程步驟大概包括：
a. 用于變量篩選的實驗設計（DOE）以減小問題的大小；
b. 如果需要元模型（代理模型），DOE可以用于空間填充；
c. 擬合（創建元模型）；
d. 優化（確定性或概率性）；
e. 可靠性的隨機分析（根據需求）。
剛度靈敏度分析：使用Optistruct進行剛度靈敏度分析，靈敏度分析一些關鍵設置：
1.剛度響應通過DRESP2定義，即通過Dequation方程將節點位移響應轉換為剛度響應：
4.針對與對稱件，需要保證變化是一致的。因此，當模型中每個部件有單獨的屬性時，需要特別注意。有兩種處理方法：1.將對稱件的兩個Component放在同一個屬性中，但這種處理后的模型和原模型結構有所差別，如果只是為了做一次靈敏度分析或優化分析，后續不在基于該模型進行延伸工作也可以采用此方法。2.將對稱件的兩個設計變量進行屬性關聯，如果變量較多時，手動處理容易出錯且會花費大量時間在模型設置上，因此可以使用二次開發的腳本來完成。腳本同樣可以用于參數(尺寸)優化過程。
彎曲剛度靈敏度分析柱狀圖結果：
根據靈敏度分析結果，進行變量篩選，對靈敏度小的變量進行剔除。
模態靈敏度分析：使用Optistruct進行模態靈敏度分析，設置同剛度靈敏度分析
扭轉模態靈敏度分析云圖結果：
彎曲模態靈敏度分析云圖結果：
扭轉模態靈敏度分析柱狀圖結果：
彎曲模態靈敏度分析柱狀圖結果：
彎曲和扭轉模態靈敏度分析柱狀圖結果：
根據靈敏度分析結果，進行變量篩選，對靈敏度小的變量進行剔除。
設計變量：
剛度、NVH變量：30個
正碰變量：13個
做好設計變量統計表，便于多學科聯合時變量關聯：
設計響應：
正碰：防火墻侵入量、加速度
剛度：彎曲剛度值
NVH：彎扭模態
通過Isight自帶的nastran模塊聯合求解模態。由于需要進行模態跟蹤，通過meta和Python完成模態跟蹤。
扭轉模態響應面誤差R方值為0.973，彎曲模態響應面誤差R方值為0.961，滿足精度要求。
正碰DOE分析
通過simcode模塊分別調用lsdyna和meta進行正碰分析和結果提取。由于侵入量結果為矢量，需要通過Calculator計算侵入量極值。
最大加速度響應面誤差R方值為0.99，最大侵入量響應面誤差R方值為0.965，滿足精度要求。
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。可以有幾種不同的方法獲得質量響應。1.通過Excel對料厚設計變量進行計算獲得模型質量。2.通過更新一個包含所有設計變量的模型獲得模型質量，這種方法較方法1比較費時，但是為了說明該方法，本例中采用方法2進行。在基于響應面的優化過程中，可進行成千上萬次的計算，因此最好將模型質量也構建響應面模型。
模型質量DOE分析
基本過程：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。
本例中使用白車身模態分析模型，Python腳本如下：
模型質量響應面誤差R方值為1，滿足精度要求。
優化策略：首先通過自適應模擬退火法進行整個空間遍歷，快速定位設計敏感區域，然后在使用序列二次規劃法進行精確尋優。
注：不同模型之間的數據映射，通過在響應面模型構建時保證同名即可完成自動映射。
三.優化結果
結束語：整車多學科優化是性能、重量的一種協同優化的手段。整車的結構性能包括NVH、碰撞安全、剛強度等。通常的分析優化過程都是按不同學科單獨進行的，然后在驗證優化方案對其他性能的影響。多學科優化可以同時考察各項性能，并可以將整車質量作為設計目標，在滿足各項性能的基礎上進行最優化輕量化設計。關于整車多學科優化有不同的優化策略，這涉及到軟硬件資源、性能要求、項目開發周期等等各方面的影響。
工程師必備
- 項目客服
- 培訓客服
- 平臺客服
TOP
