用于三维时空预测车辆碰撞动态的刚性-变形分解AI框架
《ADVANCED ENGINEERING INFORMATICS》:Rigid–deformation decomposition AI framework for 3D spatio-temporal prediction of vehicle collision dynamics
【字体:
大
中
小
】
时间:2026年04月30日
来源:ADVANCED ENGINEERING INFORMATICS 9.9
编辑推荐:
金尚赫(Sanghyuk Kim)| 崔敏植(Minsik Seo)| 杨善雄(Sunwoong Yang)| 姜南宇(Namwoo Kang)
韩国大田市KAIST机械工程系,34141
**摘要**
本研究提出了一种刚体-变形分解框架,用于车辆碰撞动力学分析,该
金尚赫(Sanghyuk Kim)| 崔敏植(Minsik Seo)| 杨善雄(Sunwoong Yang)| 姜南宇(Namwoo Kang)
韩国大田市KAIST机械工程系,34141
**摘要**
本研究提出了一种刚体-变形分解框架,用于车辆碰撞动力学分析,该框架解决了隐式神经表示(即直接将时空坐标映射到物理场的基于坐标的神经网络)中高频变形模式表示受限的问题。我们引入了一种刚体-变形分解架构,通过两个特定于不同尺度的网络(分别称为RigidNet和DeformationNet)来分离全局刚体运动和局部变形。为了强制这两部分之间的运动学分离,我们采用了冻结锚点(frozen-anchor)公式,并结合了四元数增量(quaternion-incremental)方案。这一策略缓解了联合训练过程中观察到的运动学不稳定性,并使刚体运动误差相比传统的未分解预测方法降低了29.8%。稳定的刚体锚点提高了高频结构屈曲的分辨率,从而使总插值误差降低了17.2%。优化分析表明,这种分解方式平滑了优化过程,增强了角度外推的鲁棒性,并使误差降低了46.6%。为了评估物理有效性而不仅仅是数值准确性,我们将分解后的组件与一个代表性能上限的“神谕模型”(oracle model)进行了对比。所提出的框架恢复了刚体部分和变形部分之间92%的方向相关性,以及96%的空间变形定位精度,同时时间能量动态的跟踪延迟仅为8毫秒。这些结果表明,刚体-变形分解能够实现对非线性碰撞动力学的准确且物理上一致的预测。
**引言**
车辆的结构抗撞性是设计中的关键要求。全尺寸碰撞实验虽然可以提供验证,但具有破坏性和高昂成本,这限制了设计迭代次数[1]。因此,广泛使用了有限元方法(FEM)进行模拟。这些模拟涉及数百万个自由度和复杂的接触界面,以捕捉物理响应[2]。在碰撞过程中,车辆在几毫秒内会发生塑性变形。为了保持数值稳定性,显式时间积分需要微秒级的时间步长,导致每个场景的运行时间长达数小时甚至数天。这种困难源于多尺度非线性碰撞动力学:由车辆惯性驱动的全局刚体运动发生在低频[3],[4],而局部响应(如屈曲和塑性铰链效应)则出现在高频[5],[6]。同时处理这两种行为需要高时空分辨率,这限制了FEM在迭代设计工作流程中的应用。
深度学习方法已被用来减轻抗撞性分析中的计算负担。早期的方法将碰撞事件视为一个黑盒函数,预测用于设计优化或事故重建的标量指标[7]。应用包括从最终变形轮廓重建初始碰撞参数[7]、从护栏损坏估计碰撞速度[8],以及为拓扑优化近似目标值[9]。这些标量替代方法无法捕捉深入分析所需的结构失效机制和运动学历史。为了获得时间上的洞察,后续研究从2D碰撞后表示或直接从1D时间序列信号中学习时间模式[10]。该领域已转向3D全场预测,包括静态微观力学响应[11]和组件级结构(如地板隧道部分)的动态响应[12],[13]。然而,关于全尺寸车辆动力学时间演变的文献仍然较少,全尺寸动态响应的预测仍然是一个未解决的挑战。
顺序预测方案是捕捉3D时空动态的标准建模方法[14],[15],[16],[17]。图神经网络(GNNs)利用相邻节点之间的信息传递来模拟局部相互作用[18],[19],[20],[21]。然而,车辆碰撞动力学涉及全局刚体运动,GNNs的局部聚合机制限制了信息在网格中的有效传播,阻碍了捕捉全局惯性运动的能力。同样,基于序列的模型(包括循环神经网络(RNNs)和Transformer)通过编码时间依赖性来跟踪节点位移[22],[23],[24],[25]。这些模型依赖于顺序时间步进,其中预测结果取决于之前的状态。这种递归依赖性会导致误差随时间累积。此外,对于涉及数万个节点的全尺寸车辆模型,将空间数据视为顺序输入会导致维度灾难(curse of dimensionality),从而产生高昂的计算成本并引发训练不稳定性[26],[27]。这些限制使得顺序预测方案不适用于高分辨率的抗撞性分析。
隐式神经表示(INRs)通过将物理场建模为时空坐标的连续函数,提供了一种与分辨率无关的替代方案[28]。典型的实现包括多层感知器(MLPs)和深度操作网络(DeepONets)[29],[30],它们直接将坐标映射到物理量。与顺序预测不同,INRs将时间视为一个独立的输入变量,实现了无递归依赖性的点对点映射。这种形式消除了误差累积,并避免了处理高维时间序列的问题,使其适用于3D时空预测。然而,INRs对低频成分存在谱偏置[31]。在碰撞动力学中,全局刚体运动属于低频信号,而局部结构屈曲和折叠则属于高频信号。因此,标准的单一INRs产生的预测结果较为平滑,无法捕捉结构失效模式。为了解决这一限制,我们提出了基于刚体-变形分解的层次化深度学习框架。该框架将全局刚体运动与局部结构变形分离:RigidNet预测低频全局运动并作为运动学锚点,而DeformationNet则模拟高频残余变形。这种分离使得每个网络能够专注于特定的频谱带,并捕捉单一网络架构无法解析的结构细节。
**本文的其余部分组织如下**:第2节详细介绍了所提出的分解框架,概述了其架构和顺序训练策略。第3节描述了数据集生成、基线和神谕模型以及评估协议。第4节进行了性能分析,验证了分解策略的必要性,并检查了架构选择对准确性和泛化能力的影响。第5节验证了学习组件的物理有效性,确认了预测动力学的一致性。最后,第6节总结了主要发现并提出了未来工作的方向。
**论文片段**
**提出的刚体-变形分解框架**
车辆碰撞动力学的特点是全球刚体运动和空间变化的结构变形的叠加[32]。为了分离这些多尺度行为,我们采用了一种层次化分解框架,该框架使用了两个特定于不同尺度的网络和顺序训练策略。
**实验设置**
我们使用基于FEM的模拟数据集来验证所提出的框架,该数据集代表了车辆碰撞场景。本节详细介绍了数据集生成(第3.1节)、通过Kabsch算法提取刚体运动标签(第3.2节)、比较模型架构(第3.4节)以及训练和评估协议(第3.5节)。
**性能评估和比较分析**
本节评估了所提出的刚体-变形分解框架在车辆碰撞动力学分析中的效果。分析旨在识别单一网络架构的局限性,并验证我们分解策略的结构优势。第4.1节考察了统一模型在单一网络中同时表示刚体运动和变形的局限性。第4.2节将统一模型与“神谕模型”进行比较,后者建立了性能上限。
**刚体-变形分解的物理验证**
本节验证了所提出框架的物理一致性。我们评估了分离后的组件(刚体运动和结构变形)是否符合车辆碰撞的控制动力学。分析比较了第4.3.2节中定义的三种训练策略的性能,以确定它们对组件分离的影响。第5.1节量化了分解场的准确性,展示了训练策略对分离效果的影响。
**结论**
本研究解决了预测具有耦合多尺度响应的车辆碰撞动力学的挑战。由于谱偏置,单一网络架构无法解析低频刚体运动和高频结构变形。为了克服这一限制,我们提出了基于刚体-变形分解的层次化框架。通过插值、外推和物理一致性指标的评估,验证了CRediT的有效性。
**作者贡献声明**
金尚赫(Sanghyuk Kim):撰写——审稿与编辑、原始草稿撰写、可视化、验证、软件开发、方法论、数据整理、概念化。
崔敏植(Minsik Seo):撰写——审稿与编辑、概念化。
杨善雄(Sunwoong Yang):撰写——审稿与编辑、监督、方法论、调查、概念化。
姜南宇(Namwoo Kang):撰写——审稿与编辑、监督、项目管理、资金获取。
**利益冲突声明**
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
**致谢**
本研究得到了韩国政府国家科学技术研究委员会(NST)(MSIT)的资助(项目编号:GTL24031-000)。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号