使用多材料建造汽车车身总成的优化设计方法

《使用多材料建造汽车车身总成的优化设计方法》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、使用多材料建造汽车车身总成的优化设计方法摘要本文提出了一种新的方法使用低成本的多材料建造设计轻型汽车车身总成。当前汽车的建造结构是基于单一类型的材料,例如、钢或铝。多材料建造概念的原理是选择适当的材料针对适当的预定功能。设计问题被公式化为一个多目标非线性数学规划问题涉及离散和连续变量。离散变量是材料的类型而连续变量是板材的厚度。用多目标遗传算法来解决这个问题。人工神经网络用来模拟约束功能和减少有限元的数量。通过一个轻型汽车车门的装配设计的案例来阐释此方法。1.介绍越来越多的汽车导致了不同社会和环境问题,如燃料效率,排放和全球变暖。汽车行业正面临相当大的压力比如减少燃

2、料消耗和汽车的废气排放。减少车辆的重量是一个重要的方法来提高燃油效率,因为每减少56.69公斤质量会获得每公升0.09-0.21公里的燃油经济性【1】。一般来说,车身及其内部大约承担40%的车辆重量。因此,减少车身质量是提供改善汽车的燃油经济性的一种很有前途的方法。一个减少车身的重量基本的方法是使用轻质材料。然而，在轻量化材料的替代中最关键的障碍是常用的钢铁材料相对于钢而言是高成本材料。【2】比如说，奥迪A8的复杂的全铝车身的成本要远高于一个普通的钢制车身。因此,一些研究者建议【3-5】未来的车身应该是钢和几种轻质材复合而成,即多材料结构。在过去的几年里,一些主要的

3、汽车车身壁板已经开始使用一些先进材料,如高强度钢【6、7】,复合材料【8、9】铝合金【4、10】。这些材料相比于传统的钢能让车身更轻。但是，大部分在车身材料轻量化设计中的工作已经被默认限制为单一材料建造。很少有研究能详细记录多材料结构设计和施工的方法。多材料建造的概念就是选择适当的材料用于适当的功能。与单一材料建造方法相比，多材料结构允许每个独立的结构部件都被分配有最优的材料。因此，多材料建造方法使得设计师能充分利用不同材料的优点并达到最佳的生产效率。本文的目的是呈现一种新的方法，通过有效运用多材料建造技术来设计轻型汽车车身总成。每一个独立板材的类型和厚度同时会被作

4、为设计变量。材料选择和厚度制定的集成优化问题被公式化为一个多目标非线性的设计两个连续离散变量的数学规划问题。优化的问题可以由多目标遗传算法解决，这个算法可以产生一个多目标的具有良好传播性的帕累托前沿面。神经网络模拟用于降低计算复杂度，其代表了约束和设计变量之间的关系。2.最优化模型的构想为了说明这个问题，考虑一下设计条件：（1）一个正在被设计的薄壁结构有n个组件构成，即组装的汽车车身。（2）从m种候选材料中为每个组件选择最优的材料。（3）这个问题的最终目的是在保证基本结构性能的同时采用尽可能廉价而且轻。（4）拓扑和组装的样式已有，厚度可以为了满足结构性能而改变。把一

5、个面板从一个组合薄壁结构中分离出来是很困难的因为几个面板是一起承受载荷的。因此在选择材料的时候最好通考虑所有组件从而以组合件的层面来进行选择。此外,即使是一个小数量的组件和候选材料，潜在的组合数量也是非常高。因此在本文中，这个问题被视作一个优化问题而且利用遗传算法来解决，这种算法允许在给定的标准下有效探索几个高性能的解决方案。设计问题的常见优化模型可以如下考虑：其中ti和Ai代表第i个组件的厚度和面积，tiL和tiU分别代表厚度的下边界和上边界，n代表独立的组件的数量，Bi代表材料属性，包括了密度ρi，原材料价格pi，弹性模量Ei，屈服强度σi等，m是候选材料的数量

6、。算式（1）（2）定义了目标函数，分别代表了质量和组合件成本。算式（3）是约束函数，它提供了构件压力，静态刚度，频率，动态反应等。算式（4）（5）定义了最优搜索区域。在常用模型中，它是简单的把材料属性作为设计变量。然而这样的方法会引入巨大数量的设计变量和变量关系。例如，通常规定密度赋值为7800kg/m3时弹性模量的值是210GPa。高数目的设计变量和变量关系会导致一个高计算和高复杂度的优化问题。为了解决上述难题，这里将材料类型而不是材料特性作为设计变量。每个候选材料将从ID序号1到m中任意分配一个ID序号。定义第i个组件所使用的材料作为设计变量记作Mi(Mi∈{1

7、,2,...,m})。如果一个材料被定义为Mi，那么该材料的所有相关特性就可以被准确识别。作为一个数学模型，它可以如下表示：把算式（6）带入算式（1）可以得到在算式（7）-（11）中，独立组件的厚度和材料类型被当作设计变量。由算式（7）-（11）定义的最优化模型是一个多目标非线性规划问题，其中一些设计变量是离散的而一些是连续的。由于问题的复杂性以及多目标的规划并没有设置预定质量，因此在此选择一种被命名为第二代非支配排序遗传算法(NSGA-II)【11】的多目标遗传算法，主要考虑其在处理多目标函数方面的效率性和离散问题的稳健性。该算法利用帕累托排序程序进行的非支配