一、副車架的性能開發
副車架可以承受發動機懸置的振動載荷和來自路面的各種沖擊，并能夠減弱路面和發動機帶來的震動和噪音，保證行駛舒適性和穩定性。除此之外，副車架能提高汽車懸掛系統的連接剛度，裝有副車架的汽車能夠明顯感覺到底盤更扎實緊湊。副車架的設計既需要考慮零件本身的安裝和布置要求，同時還需要保證結構的性能，前副車架設計重點考慮的幾個性能包括NVH性能、剛度性能、耐久性能及安全性能等。
1.1 安裝和布置要求
副車架作為連接底盤懸掛和車身的結構，需要為動力總成、轉向機、穩定桿等部件提供安裝界面，因此，在早期設計階段，需要根據安裝硬點來確定基本結構，并需保證與周邊零件的靜/動態間隙。
副車架模態需要避開發動機激振頻率，以免引起共振。不同車型定義的目標值有差異，需要根據車型定位來制定。
副車架與車身、懸架控制臂、轉向機等安裝點的局部靜剛度和動剛度是保證整車耐久、操縱穩定性和NVH性能的基礎指標，在副車架結構設計中同樣不可忽視。
副車架與車身連接點的耐久性能直接決定了汽車底盤的壽命，復雜的道路情況使前副車架時刻承受著來自路面的沖擊載荷，在循環載荷的作用下，副車架可能會發生疲勞失效，因此需要進行嚴格的疲勞耐久仿真，并進行相應的臺架試驗和整車道路試驗，避免出現疲勞開裂問題。
汽車前艙正面碰撞路徑主要有三條：1）上路徑：前防撞梁-前縱梁-縱梁延伸梁；2）中路徑：shotgun-A柱上邊梁；3）下路徑：前副車架-縱梁延伸梁-中央通道，全框式副車架為正面碰撞多提供了一條傳力路徑，在車輛發生正面碰撞時能吸收部分能量，使碰撞力分散更均勻。某些前副車架的縱臂結構上會設計局部凹槽來誘導變形，使碰撞壓潰更充分，從而更好的保護乘員安全。
二、副車架優化設計方法
2.1 拓撲優化設計
在早期概念設計階段，首先需要確定前副車架的框架設計，比如整體的長寬高尺寸、加強板的個數及走向等。拓撲優化是一種常見的優化設計方法。根據周邊部件的包絡確定拓撲設計空間，設置相應目標和約束，通過材料的堆積程度來識別重要路徑，對薄弱區域進行針對性加強設計，對性能貢獻程度低的區域進行材料去除或厚度減薄設計，做到材料利用最大化，在結構性能提升的同時還能減輕重量。
概念設計階段確定拓撲結構形式后，在詳細設計階段需要對結構斷面形式、材料厚度等進行進一步的細化設計。多目標參數化優化設計方法區別于傳統CAD-CAE設計思路，全參數化模型結合自動化優化工具，在有限的設計周期內能更快速地進行方案迭代，并能解決NVH、耐久等矛盾性能的多目標優化問題，有效避免了設計的盲目性。
副車架的性能分析包括強度分析、模態分析、動剛度分析、疲勞分析等。
強度分析采用慣性釋放法，考察工況根據公司內部規范進行，一般包括常規工況和極限工況。首先進行初始性能分析，然后根據受力狀態和分析結果進行篩選用于多學科優化分析中的分析工況（當然不進行工況篩選包絡，用全部工況用于多學科優化亦可以）。本例中為工況5、8用于多學科優化分析。
副車架采用自由模態分析，校核第一階模態。
本例中副車架共考察6個接附點動剛度。具體多學科優化分析時需要考察哪些安裝點的動剛度值，需要根據變量位置進行評估，當然如果不確定是否有影響，可以把所有安裝點的動剛度作為多學科優化時考察的性能。
副車架疲勞分析可以進行基于道路譜載荷或臺架載荷。疲勞性能可以作為校核性能，不在多學科優化時考慮。（當然亦可以在多學科優化時考慮疲勞性能，具體方法如車輪多學科系列文章所述）。本例中多學科優化時不考慮疲勞分析。疲勞分析作為校核工況在進行分析。
SFE可參對象包括：InfluencePoints(IP點)：包括基點/輔助點的空間坐標；線上點的曲線特征參數。Lines(線)：切角。BaseSections(基礎截面)：截面點的坐標；片段切角。LocalSections(局部截面)：沿基線的曲線特征參數；沿三軸的轉動；沿三個方向的移動；面內兩方向的縮放。PID/MAT(屬性/材料)：殼單元厚度，材料屬性。
通過對以上對象進行參數化，可以優化截面形狀，梁系位置\形狀，關鍵接頭尺寸，部件厚度，材料等。
本例中對副車架前橫梁直徑、中間橫梁直徑、連接板寬度、前支架厚度、后支架厚度、連接板厚度、中間橫梁厚度等創建7個參數。
需要注意的是，本例模態分析、動剛度分析使用的求解器是optistruct，強度分析使用的求解器是ABAQUS。因此在SFE后臺導出FE模型需要同時導出.nas模型和.inp模型。這個需要在.con文件中直接修改即可。
使用LS-OPT的帶有域縮減的迭代優化算法，該方法支持Adaptive Sampling。在每輪優化迭代過程中會不斷更新代理模型的精度。
LS-OPT現在被Ansys收購后，也引入了Ansys OptiSLang的一些優勢算法。如Metamodel of Optimal Prognosis (MOP)。當選擇元模型方法選擇MOP時，優化過程可以自動選擇元模型質量最好的一個進行優化，
LS-OPT Pro 2021 R1版本支持Linear、Quadratic、Kriging三種方法
。（本文即選擇使用LS-OPT Pro 2021 R1）。下個版本
LS-OPT Pro 2022 R2會增加Feed Forward Neural Networks (FFNN) 、Radial Basis Function Networks (RBFN) 、Support Vector Regression (SVR) 、Support Vector Classification (SVC)
。這個優化策略可以大大提升優化效率。
當然，如modefrontier、optimus等也支持多種元模型方法，在進行完DOE分析創建元模型時可以選擇不同的方法創建元模型，再根據創建完的模型質量來選擇用于優化的模型。但LS-OPT將這個方法集成在SRSM優化策略中，具有比較明顯的優勢。
相關系數矩陣圖
在滿足所有性能約束的基礎上，將優化方案帶入疲勞分析模型進行更新，然后驗證疲勞性能結果。最終滿足所有性能要求，減重1.3kg。
文章來源CAE數值優化輕量化
