摘要
考虑到乘员受伤情况的整车碰撞模拟对于汽车安全评估至关重要，但这类模拟的计算量极大且耗时较长。尤其是仪表板变形在将冲击力传递到乘员下肢方面起着关键作用。为解决这一问题，本研究提出了一种两阶段的机器学习框架，用于评估乘员下肢的损伤情况。在第一阶段，利用机器学习模型预测仪表板的变形行为，从而高效生成多种不同的变形模式。在第二阶段，则基于预测出的变形情况，使用滑车模型来评估乘员下肢的损伤程度。虽然最终目标是建立完整的两阶段框架，但本文仅探讨了第一阶段的内容，即研究基于机器学习的变形预测的可行性。研究中采用基于XGBoost的机器学习模型来预测简化结构部件的变形分布，其中由几何数据和变形数据得出的主成分得分被用作输入特征。其目的是从有限的训练数据中高效地生成具有代表性的变形模式，而非追求对单个变形响应的高精度预测。通过数值实验验证了所提出的预测框架的有效性。实验结果表明，该方法的整体变形行为与碰撞模拟结果吻合度较高，但局部变形则无法完全再现。这些发现证明了基于机器学习的仪表板变形预测的可行性，也为构建用于评估下肢损伤的两阶段框架奠定了基础。
