《Case Studies in Thermal Engineering》：Multi-field coupling simulation optimization of exhaust manifold thermal fatigue life based on response surface methodology and BP neural network
编辑推荐：
排气歧管持续暴露于高温气体流中，这可能导致热疲劳失效，并严重损害动力机械的运行可靠性。为了有效提高热疲劳寿命，研究人员提出了一种多场耦合优化方法，该方法集成了响应面法（RSM）、反向传播神经网络（BPNN）和贝叶斯优化算法（BOA）。以V型6缸3-2结构排气歧
排气歧管持续暴露于高温气体流中，这可能导致热疲劳失效，并严重损害动力机械的运行可靠性。为了有效提高热疲劳寿命，研究人员提出了一种多场耦合优化方法，该方法集成了响应面法（RSM）、反向传播神经网络（BPNN）和贝叶斯优化算法（BOA）。以V型6缸3-2结构排气歧管为研究对象，并基于前期研究，同时设计了三种优化结构，即管间加强板、周向散热片和空心法兰。首先，采用Box-Behnken方法设计样本组，并基于单因素仿真分析构建响应面模型以确定参数的最优组合。其次，采用两种方法扩充Box-Behnken方法设计的样本组数据集，并利用扩充后的数据集训练BPNN模型。以热疲劳寿命最大化为最终目标，BPNN作为BOA的概率代理模型搜索最优参数组合。此外，针对BPNN模型的“黑箱”特性，引入沙普利加性解释（SHAP）方法增强模型的可解释性，同时描述参数间的交互效应。研究发现，当加强板高度为14.0037 mm、空心法兰凹槽深度为0.5066 mm、周向散热片厚度为2.0615 mm时，排气歧管热疲劳寿命的提升幅度最大，达到43.47%。研究人员认为，这些发现可为有效提高排气歧管热疲劳寿命提供一种方法，并为类似动力机械中高温承载部件的多位置协同优化提供技术指导。
**论文解读：基于响应面法与BP神经网络的排气歧管热疲劳寿命多场耦合优化研究**
**研究背景与问题**
排气歧管是发动机排气系统的关键部件，其在运行中持续承受高温气体流的热循环载荷，导致热疲劳裂纹萌生与扩展，严重损害动力机械的可靠性。当前修复方式依赖焊接或更换总成，不仅增加制造商售后成本，也加重消费者维修负担，同时裂纹引发废气泄漏带来安全隐患。结构设计是改善热疲劳性能的逻辑起点，然而现有方法多针对单一热应力集中位置进行优化（如单独设置加强板、散热片或空心法兰），缺乏多位置协同优化的系统性方法，且对参数间交互效应的分析不足。因此，建立一种更严谨、系统性的结构设计方法，以提升排气歧管热疲劳寿命，具有重要的工程实践意义。
**研究内容与结论**
研究人员提出了一种集成响应面法（RSM）、反向传播神经网络（BPNN）和贝叶斯优化算法（BOA）的多场耦合优化方法，并以V型6缸3-2结构排气歧管为研究对象，同时设计了管间加强板、周向散热片和空心法兰三种优化结构。通过单因素仿真分析、响应面建模、数据增强、BPNN训练、BOA全局优化及SHAP可解释性分析，最终获得最优参数组合：加强板高度14.0037 mm、空心法兰凹槽深度0.5066 mm、周向散热片厚度2.0615 mm，使热疲劳寿命提升43.47%。该研究发表于《Case Studies in Thermal Engineering》。
**关键技术方法**
以V型6缸3-2结构排气歧管为研究对象，基于有限元软件ANSYS Workbench 2024 R1构建热-流-固多场耦合仿真模型，采用SST k-omega湍流模型与Manson-Coffin公式计算热疲劳寿命。通过Box-Behnken设计（BBD）生成17组响应面样本，并采用全因子补充仿真与虚拟样本生成法（添加正态分布噪声）将数据集扩充至609组，用于训练3-10-8-1结构的BPNN。利用贝叶斯优化算法（BOA）以BPNN为概率代理模型进行全局寻优，并引入沙普利加性解释（SHAP）方法量化参数贡献与交互效应。
**研究结果**
- **单因素仿真分析**：分别对加强板高度、散热片厚度、空心法兰凹槽深度进行单因素模拟。结果表明，各参数对等效塑性应变范围（ΔPEEQ）均呈现非线性影响规律，存在使ΔPEEQ最小的最优值：加强板高度16 mm时ΔPEEQ最小，散热片厚度2 mm时最小，空心法兰深度1 mm时最小。
- **响应面模型与方差分析**：基于BBD实验构建二次多项式响应面模型，方差分析显示模型极显著（P<0.0001），R2=0.9812，拟合良好。最优参数组合预测值为高度14.509 mm、深度0.173 mm、厚度2.937 mm，对应ΔPEEQ=0.0087074。
- **BP神经网络模型性能评估**：训练后的BPNN在测试集上平均绝对百分比误差（MAPE）仅0.39%，R2接近1，预测精度显著优于RSM。
- **贝叶斯优化结果**：以BPNN为代理模型，BOA迭代约40次后收敛，获得最优参数组合：高度14.0037 mm、深度0.5066 mm、厚度2.0615 mm，对应ΔPEEQ=0.0087137，实际仿真验证ΔPEEQ=0.0087426，相对误差仅0.33%。
- **SHAP可解释性分析**：SHAP值显示散热片厚度对ΔPEEQ贡献最大，其次为空心法兰深度，加强板高度贡献最小。低厚度、低深度抑制ΔPEEQ，高值则促进；交互效应分析表明厚度与深度交互显著，而高度与厚度交互较弱。
**讨论与结论**
讨论部分指出，响应面模型与BPNN均具备可靠性，但BPNN在非线性拟合与预测精度上更优；单因素优化效果有限，多位置协同优化可显著提升热疲劳寿命。SHAP方法有效揭示了参数的主次作用与交互机制，为工程参数选择提供依据。研究结论总结如下：本研究提出基于RSM与BPNN的排气歧管热疲劳寿命多场耦合优化方法，引入BOA实现多位置协同优化，以V型6缸3-2结构排气歧管为例，获得最优参数组合（加强板高度14.0037 mm、空心法兰深度0.5066 mm、散热片厚度2.0615 mm），热疲劳寿命提升43.47%。单因素分析显示各参数对ΔPEEQ呈非线性影响，多因素交互效应显著。与单点优化相比，多位置协同优化效果更优。SHAP量化了参数贡献，为参数组合确定提供依据。该方法为排气歧管等高温承载部件的多位置协同优化提供了可扩展的研究思路。
