一种基于数据的序列自适应优化方法，用于复杂车辆结构的轻量化设计 王雨轩、 张晨琳、 刘浩、 胡照辉

《Applied Mechanics》：A Data-Driven Sequential Adaptive Optimization Method for Lightweight Design of Complex Vehicle Structures Yuxuan Wang, Chenlin Zhang, Hao Liu and Zhaohui Hu

　　**摘要**
为了解决车辆轻量化过程中的高维耦合和外推误差问题，本文提出了一种“宏观拓扑—微观数据驱动的尺寸协同”方法论。在宏观层面上，通过对简化骨架进行应变能驱动的拓扑优化，质量减少了9.4%（从2835.8公斤降至2566.9公斤）。在微观层面上，全局方差分析（ANOVA）机制将169个厚度变量压缩至39个核心维度，有效缓解了维数灾难问题。关键在于，基于主动学习的序列近似优化（SAO）框架通过注入高熵边界样本，纠正了严重的静态模型外推误差（高达475%），并将R2准确率提升至接近0.90。因此，这种方法能够确保获得真正的帕累托解，同时将整车质量降低2.59%（至6229.4公斤），并严格遵循EN12663和EN15227标准。这一范式有效解决了认知不确定性问题，释放了复杂系统中的极端轻量化潜力。

**1. 引言**
随着商业汽车领域向电动化的转型，轻量化设计成为延长续航里程和提高能源效率的关键技术。然而，结构轻量化必须严格符合国际行业标准，如EN12663 [1]和EN15227 [2]，这些标准涉及刚性、静态强度和抗撞性。为了解决高结构刚度和低质量之间的矛盾，结构优化仍然是汽车产业中最具成本效益和主流的方法。
在结构优化领域，完整的轻量化过程通常需要多维协同作用。在概念设计阶段，宏观拓扑优化被广泛用于消除结构冗余。例如，U?ak等人[3]对独立悬挂的下控制臂进行了拓扑优化，实现了46%的重量减轻；Shreeshail等人[4]对子框架进行了模态和刚度分析，实现了9%的质量优化。Bends?e等人[5]提出的基础拓扑优化理论为识别主要载荷传递路径和重构基础结构提供了坚实的数学基础。
尽管拓扑优化成功建立了高效的宏观结构框架，但随后的详细设计阶段——特别是对数百个相互连接的金属板厚度参数的协同尺寸优化——仍然面临严峻挑战[6]。在如此庞大的全尺寸车辆空间中直接进行优化不可避免地会引发“维数灾难”，导致计算成本过高。为了解决这一问题，引入了全局敏感性分析方法（如方差分析ANOVA）来进行高维特征工程和精确的降维[7]。虽然降维有效减轻了计算负担，但在探索极端轻量化边界时也会暴露出关键风险。基于初始采样数据训练的静态替代模型虽然具有较高的全局准确性，但在接近物理边界的稀疏样本时往往会出现严重的外推误差[8]。这种严重的认知不确定性会导致对结构刚度的过度乐观预测，使优化算法陷入“伪最优”陷阱[9,10]。因此，在数学替代模型中看似最优的解决方案在高保真度物理验证中常常会遭受灾难性的结构故障。
为了从根本上消除极端区域中静态替代模型的认知不确定性和预测失真，基于主动学习的数据驱动策略显示出巨大潜力[11,12]。通过引入序列近似优化（SAO）机制，优化系统可以适应性地处理高度非线性的工程约束，并实现高精度的模型重构[13,14,15]。
以分布式驱动车辆的碳钢车身为研究对象，本文提出了一种“宏观拓扑—微观数据驱动的尺寸协同”轻量化方法论。主要贡献如下：
(1) 在宏观层面，识别主要载荷传递路径，对底层骨架进行拓扑优化，实现初步的重量减轻。
(2) 在微观层面，引入全局ANOVA机制进行特征工程，将庞大的设计空间简化为核心厚度特征。
(3) 创新性地提出了基于主动学习的数据驱动SAO闭环机制，以消除由外推误差引起的约束规避问题，重构出具有强抗失真能力的自适应替代模型。
通过整合宏观拓扑重构和微观SAO校正，本文在严格遵循EN12663和EN15227标准的同时，实现了车辆重量的显著减轻。这项研究为类似复杂承载结构的轻量化开发提供了理论指导和工程实践解决方案。

**2. 提出的数据驱动SAO方法论**
传统的车身轻量化优化通常依赖于开环模式：“单次采样 → 静态替代模型建模 → 全局优化”。然而，面对复杂分布式驱动汽车的高非线性物理响应，静态黑盒模型难以准确映射极端边界下的物理演变，常常导致外推误差。为根本克服这一限制，本文提出了一种全面的数据驱动闭环框架，包括数据生成、特征降维、主动学习和自适应模型演化。

**2.1. 数据驱动闭环框架概述**
为了消除静态替代模型中的认知不确定性，所提出的方法论打破了传统计算机辅助工程（CAE）优化的单向路径。通过引入误差反馈机制，建立了动态数据驱动的闭环（如图1所示）。该框架利用通过全局采样和降维获得的特征空间作为动态数据基础。在演化循环中，系统首先基于替代模型进行“虚拟预测”，并驱动多目标遗传算法（MOGA）进行全局优化。生成的经验极值候选解随后使用高保真求解器进行“有限元验证”。如果发现数学预测与物理现实之间存在偏差（即约束规避），则触发“误差反馈”机制。最后，通过“数据增强”，将这些高信息熵的边界样本重新注入数据库，作为主动学习材料，驱动自适应模型的重构。

**2.2. 通过ANOVA进行特征工程和降维**
从数据驱动的角度来看，全尺寸车身的初始金属板厚度参数构成了一个庞大的高维特征空间。在此空间直接训练机器学习模型容易引发“维数灾难”和严重的过拟合问题。为此，本研究采用全局方差分析（ANOVA）机制进行精确的特征工程和降维，将设计空间从169个初始变量有效减少至39个核心特征。通过定量分析每个维度变量的方差贡献和有效自由度（DOF），系统深刻揭示了它们对宏观物理响应的内在机制。如表1所示，ANOVA结果不仅识别出方差贡献最大的主要承重部件，还突出了显著的结构耦合效应。例如，相邻的薄壁部件PSHELL_T_81和PSHELL_T_107（对应于表中的T 81和T 107）在应力传递和变形协调过程中表现出强烈的共同作用机制，因此共享一个自由度。通过这种严格的统计评估，系统成功过滤掉了大量占用剩余自由度的变量所带来的噪声，这些变量对整体机械性能的贡献微乎其微。

**2.3. 基于主动学习的自适应演化**
在极端轻量化区域，约束边界附近的稀疏数据密度导致初始拉丁超立方采样（LHS）中的高认知不确定性。因此，替代模型会产生严重的外推误差。未能通过高保真有限元验证的极端解并非传统优化失败的结果，而是数据驱动算法探索未知约束边界的必然副产品。提取这些失败的边界样本进行反向注入，完全符合人工智能中的主动学习机制。如表2所示，这些位于物理结构崩溃边缘的边界样本具有高误差和突变特征，代表了高信息熵。因此，这些失败的边界样本在模型更新中起着关键作用。基于这些高熵样本，第二代模型的重构不再是一个简单的静态曲线拟合，而是一个基于误差反馈的自适应模型演化过程。序列近似优化（SAO）在此过程中充当智能决策者，通过持续吸收包含实际物理规律的边界数据，算法从“过拟合已知区域”转变为“准确识别未知物理边界”，最终实现复杂非线性表面的高保真映射。

**3. 在简化车身上的宏观方法验证**
根据提出的协同方法论，直接对全尺寸复杂车身进行优化在计算上是不可行且效率低的，因为非结构部件会对载荷传递路径分析产生严重干扰。因此，为了验证该策略的基本机制，本研究首先提取了裸露的碳钢骨架作为初步验证的“简化车身”。

**3.1. 简化车身模型的定义**
为了隔离主要承重特性，所有非结构质量（如装饰面板、玻璃和附件）都被排除。使用壳体元素建立了这个简化纯碳钢骨架的有限元（FE）模型。该简化骨架的初始质量为2835.8公斤（如图2所示）。为了确保有限元模拟的可重复性，指定基本材料属性至关重要。在线性静态扭转刚度分析中，不同等级的结构钢和轻质合金在其相应类别内具有相同的宏观弹性特性。因此，根据分布式驱动汽车的实际工业物料清单（BOM），将复杂FE模型中使用的材料分类为代表性材料类型。这些主导材料的机械性能总结在表3中。

**3.2. 三维协同优化策略**
为了系统地减轻这个简化车身的重量，执行了分层“宏观-介观-微观”的3D协同优化策略，分别对应拓扑、形状和尺寸优化：
**宏观层面：** 由应变能驱动的载荷路径优化。通过位移场和应变能密度识别结构不合理性，如载荷路径阻塞和局部应力集中。通过增加加强肋条和改进连接，平滑中断的载荷传递路径，为后续优化奠定合理的机械基础。
**介观层面：** 在拓扑优化指导下进行形态重构。采用带惩罚的固相各向同性材料（SIMP）方法指导形态重构。执行两种典型的减重策略：对于非承重的外部区域进行边界修剪，对于低应力内部区域生成阵列孔。这将“理论最优形状”转化为可工程制造的结构。阵列孔生成策略的典型应用如图3所示，具体位置用蓝色箭头标记（a）侧支撑板的阵列穿孔区域；（b）电机安装板上的非对称穿孔。
**微观层面：** 基于线性敏感度的参数微调。对于变量数量有限的简化骨架，使用传统的相对敏感性分析结合TOPSIS方法局部调整特定部分的厚度，实现初步且精确的材料分布。

**3.3. 简化车身验证的结果**
对简化车身的3D协同优化有效地验证了所提方法论的基本阶段。去除结构冗余后，碳钢骨架的净质量显著减少，从2835.8公斤降至2566.9公斤（见表4）。这一验证过程实现了268.9公斤的绝对重量减轻（减少了9.4%）。这证明了基本拓扑策略对于变量数量有限的简单结构是有效的。

**3.4. 复杂车身的限制和方法论升级**
虽然“微观层面”的传统线性敏感性分析能够成功处理简化骨架的微调，但将这种局部方法直接扩展到完全组装的复杂车身会暴露出显著瓶颈。完全组装的车辆模型包含超过400个部件（例如，在扭转条件下有441个零件）。即使经过初步的工程筛选，选择了169个关键结构厚度变量，设计空间仍然具有极高的维度。这些169个相互依赖的变量引入了严重的高维耦合和非线性响应。与在简化车身上的表现形成鲜明对比的是，传统的局部线性敏感性分析无法捕捉到如此庞大的特征空间中的全局非线性。这不可避免地导致了“维数灾难”和严重的外推预测误差。为了克服传统方法在应用于极其复杂结构时的效率和准确性问题，有必要将微观策略从“传统的局部敏感性方法”升级为“全局数据驱动的自适应进化机制”。这一必要性直接引出了本文的核心贡献：在完整的复杂车身上应用数据驱动的SAO方法，具体内容将在后续章节中详细说明。

4. 在复杂车身上的微观数据驱动SAO应用

正如第3节所建立的，虽然宏观拓扑优化有效地减少了简化后的骨架质量，但在完全组装的车身上进行的尺寸优化引入了庞大的高维特征空间。为了克服传统线性方法的重大瓶颈，提出了数据驱动的序列近似优化（SAO）方法应用于完整的复杂车身。

4.1. 数学模型和特征维度缩减

在开始替代建模和智能优化之前，必须明确协作优化的数学描述和验收标准。核心目标是在确保扭转刚度不显著下降的同时，实现质量的最大化减少。为了符合工程验收标准，位移指标严格应用了20%的容忍度界限。此外，替代模型的准确性阈值设定为0.90，以确保映射的可靠性。定义的多目标优化数学模型如表5所示。表5. 多目标优化的数学模型和预期指标界限。完全组装的分布式驱动巴士模型包含了169个关键的金属板厚度参数。最初，一个包含所有169个维度的替代模型被初步评估。然而，如表6所示，这个全维度初始模型的诊断结果与预期的0.90阈值严重不符，证实了“维数灾难”会导致在高维空间中出现不可接受的建模误差和过拟合。表6. 初始169维替代模型的准确性诊断结果。为了缓解这个维度瓶颈，应用了ANOVA机制（在第2.2节中有理论说明）。通过评估每个特征变量的实际工程灵敏度权重，系统成功过滤掉了130个长尾噪声变量。因此，设计空间被精确地缩减到39个核心特征维度（表7）。表7. 完整车身刚度上典型特征变量灵敏度权重的比较。为了定义后续智能优化的采样界限，为这39个核心变量建立了从初始厚度的30%到130%的非对称变化范围。此外，为了确保工程的制造可行性和防止局部结构不稳定，对所有变量施加了严格的绝对最小下限0.6毫米。这个经过净化和物理约束的39维设计空间为后续优化数据库提供了高效的基础。

4.2. 在静态替代模型中识别外推误差

基于净化的39维特征空间，使用最优拉丁超立方抽样（LHS）构建了一个初始的静态替代模型（Fit 1）。在多目标遗传算法（MOGA）的驱动下，初步确定的极 lightweighting 解决方案为6.168吨。然而，当进行高保真有限元验证时，物理验证显示局部位移的相对误差高达475%，表明存在严重的约束规避现象。为了剖析这一差异背后的数学机制，图4展示了替代模型在极端物理边界附近的预测行为。图4. 静态替代模型极端区域中外推误差和约束规避机制的示意图。如图4所示，在常规质量区间（右侧），平滑的预测曲线与真实的物理响应高度吻合。然而，当优化目标不断接近极端边界区域（左侧）时，非线性特征突然出现，突破了20%的工程容忍度红线。由于该极端区域训练样本的稀缺，静态替代模型错误地采用了常规区域的线性梯度来盲目拟合非线性突变。这种严重的外推误差导致预测曲线错误地低于安全阈值，使算法误将结构失效区域识别为“伪最优”解。

4.3. 数据增强和基于SAO的自适应进化

为了从根本上消除Fit 1中观察到的外推误差，触发了SAO框架的主动学习机制。物理验证识别出22个存在约束规避的极端边界解。数据驱动系统将这些解提取为高信息熵边界样本（参见第2.3节中的理论特征），并反向注入到基础数据库中。在该增强后的主动学习数据集的驱动下，系统自适应地重建了第二代替代模型（Fit 2）。为了严格评估泛化性能，使用了交叉验证机制。表8展示了SAO校正前后的预测准确性全面比较。表8. 静态（Fit 1）和自适应（Fit 2）替代模型之间的预测准确性全面比较。如表8所示，通过不断吸收来自高信息熵边界样本的物理规律，Fit 2成功纠正了预测失真。值得注意的是，高度非线性刚度响应的准确性值提升到了接近0.90的阈值，显示出相对于Fit 1的显著改进。这种进化保证了未知物理边界的高保真映射。

4.4. 最终的协同优化结果和验证

依赖于高度稳健的Fit 2自适应模型，在第4.1节定义的严格20%刚度容忍度约束范围内执行了最终的协同尺寸优化。SAO闭环机制成功避开了“伪最优”陷阱，确保了真正的帕累托最优解。最终的协同优化将完全组装车身的总质量从初始的6394.9公斤减少到6229.3公斤，详细的优化结果如表9所示。表9. 数据驱动SAO协同优化前后的完整车身性能比较。这种微观优化在高度受限的复杂车身上实现了165.6公斤（2.59%的减少）的绝对质量减少。当与简化骨架上实现的宏观拓扑减少相结合时，所提出的策略带来了显著的重量节省。数据驱动的SAO方法成功挖掘了极 lightweighting潜力，同时保证了绝对的结构可靠性。

5. 结论

为了解决复杂分布式驱动车身轻量化设计中的高维耦合和预测失真这一关键挑战，本文建立了一个多维的“宏观拓扑—微观数据驱动尺寸协同”优化框架。通过将物理结构力学与数据驱动的主动学习机制相结合，有效地纠正了静态模型的固有外推误差。主要结论如下：

（1）宏观基础优化：在简化的裸碳钢骨架上实施了分层的“拓扑—形状—尺寸”策略。通过应变能密度识别主要载荷传递路径，并通过SIMP方法执行形态重建，系统地消除了结构冗余。这一基础阶段将骨架质量从2835.8公斤减少到2566.9公斤（减少了9.4%），为后续优化建立了高效的基础架构。

（2）特征维度缩减：为了克服完全组装的复杂车身上的“维数灾难”，引入了全局ANOVA机制。通过定量评估169个初始厚度变量的方差贡献和结构耦合效应（共享自由度），系统成功地移除了130个长尾噪声变量。这种精确的维度缩减将设计空间压缩到39个核心维度，大幅提高了计算效率和下层数据集的信噪比（SNR），从而增强了模型的稳健性。

（3）自适应进化和误差消除：物理验证揭示了静态替代模型中存在高达475%的局部位移误差，严重揭示了极端边界处的外推误差机制。通过提取22个高信息熵边界样本并触发SAO主动学习闭环，重建了自适应替代模型。这一过程完全纠正了预测失真，将模型的准确性提升到了接近0.90的可靠阈值。

（4）最终协同轻量化：在强大的SAO机制的驱动下，优化算法成功绕过了“伪最优”陷阱，确保了真正的帕累托最优解。最终的协同优化将完整车身的质量从6395.0公斤减少到6229.4公斤（绝对减少了165.6公斤，或2.59%），同时严格遵循EN12663和EN15227标准规定的20%刚度容忍度。总之，所提出的数据驱动SAO方法不仅释放了高度受限复杂系统的极端轻量化潜力，还为解决现代结构优化中的认知不确定性建立了可靠的闭环范式。未来的工作将集中在动态运行条件下对所提方法在全身物理原型上的实验验证。