排气系统验证中用于有限元分析（FEA）与损伤计算的代理模型

《Results in Engineering》：Surrogate model for FEA analysis and damage calculation used for exhaust system validation

　　

本研究提出了一种用于排气系统疲劳评估与优化的代理神经网络模型。该方法基于成熟的疲劳分析工具，并采用参数化样本几何结构。研究人员利用常规数值方法生成了足够规模的样本集并提供应力场数据。随后将疲劳损伤计算作为后处理步骤，为代理模型准备输入数据。所得代理模型能够直接从几何参数预测最大疲劳损伤值及其空间位置。由于预测任务复杂且损伤值范围宽广，研究人员在模型优化上投入了大量工作。专有数据预处理技术被证明对有效的神经网络训练至关重要，网络超参数经调优后获得了令人满意的预测性能。为进一步应对损伤值的宽动态范围，研究采用了带逆变换修正的对数变换。鉴于样本生成计算成本高昂，研究人员还考察了样本规模对预测精度的影响。所提出的代理方法可实现高效的疲劳评估，适用于迭代设计与优化工作流。

研究背景方面，汽车与摩托车排气系统是内燃机车辆中受高温、振动载荷及恶劣环境作用最重的部件之一，其虚拟验证依赖有限元分析（FEA）与疲劳评估，但传统数值仿真在计算效率上难以满足赛车及消费端产品快速迭代设计的需求。现有文献多聚焦应力分布预测，少有将疲劳损伤累积直接作为代理模型输出，并从几何参数端到端预测最大损伤值及临界位置的研究。为此，研究人员以简化排气系统段为概念验证对象，构建数据驱动神经网络代理框架，旨在用黑盒机器学习替代耗时的FEA与损伤后处理，服务快速工程评价。论文发表于《Results in Engineering》。

关键技术方法上，研究人员采用全因子采样在四维几何参数空间（L₂、R₁、t₀、φ₀）生成625组样本；每组经壳单元模态瞬态FEA获取应力时程，用临界平面法（Critical Plane method）配合雨流计数（rainflow）与Goodman平均应力修正得到等效应力，依据材料S-N曲线与Miner线性累积损伤法则（Miner’s rule）计算各子集最大损伤；数据经对数变换加MinMax缩放后训练多层感知机（MLP），并以岭回归做逆变换偏差校正。

研究结果部分，Analysis data小节说明样本几何划分子集、悬臂边界与加速度时程载荷设定，以及应力-损伤计算链，明确损伤值跨多个数量级；Model Formulation小节给出编码器-解码器式全连接网络结构、Leaky ReLU激活、Dropout防过拟合、对数空间损失（加权Log-Cosh）与岭回归校准流程；Results and Discussion小节报告验证集前10样本预测，最大损伤预测跨10^-7至10^-3量级与真值同阶，临界子集定位全部命中；Comparison of methods小节指出在625样本规模下MLP优于简易近似，但指出NN代理局限；Location prediction小节确认模型由“各子集损伤并行预测+取最大”自动输出临界位置，无需逐单元应力张量预测。

讨论与结论部分，研究人员强调该工作为概念验证而非生产级工具，简化模型省略气动/热循环/支架边界，故不能直接替代最终详细校验；但框架证明了从几何参数到最大疲劳损伤值及空间位置的直接映射可行，专有对数逆变换校正与岭回归后处理是宽动态范围损伤回归的关键，样本量研究表明全因子采样在真实系统中须让位于自适应或拉丁超立方采样以降低代价。该研究为排气系统及类似薄壳结构的迭代疲劳设计提供了可扩展的代理建模范式。