仿生马尾草-蜂窝管：设计、耐撞性分析与数据驱动优化

《Materials & Design》：Bionic horsetail-honeycomb tube: design, crashworthiness analysis and data-driven optimization

　　

提出了一种跨原型仿生融合吸能管，命名为BHHT。建立了一个可解释的机器学习框架用于BHHT的多目标优化，在实现R2>0.97的同时能够进行基于SHAP的参数贡献分析。优化后的BHHT设计将初始峰值力(IPCF)降低了32.84%，将比吸能(SEA)提高了8.32%，协调了耐撞性与轻量化要求。使用选择性激光熔化(SLM)制造试样的实验验证确认了优化结果的可靠性。

薄壁金属管因其稳定的渐进折叠变形模式、比吸能(SEA)特性和轻量化优势，被广泛应用于汽车吸能盒、轨道车辆头部结构、航空航天着陆缓冲装置等防护领域。然而，薄壁管存在固有设计矛盾：增强能量吸收(EA)通常需要增加壁厚或截面尺寸，这必然导致结构质量和初始峰值力(IPCF)同步上升，而IPCF直接关联乘员碰撞伤害风险。因此，在材料约束下协调载荷均匀性、能量吸收效率和轻量化需求构成显著挑战。自然界中，马尾草茎截面演化为沿圆周规则排列多个独立承力室的空心管状，实现了质量高效下的截面优化分布；六边形蜂窝作为成熟仿生吸能构型，可通过稳定渐进变形耗散大量能量。两者协同整合有望通过多室约束和蜂窝稳定变形机制提升吸能性能。然而，现有仿生薄壁管设计多集中于单一生物模板的形态复制或层级扩展，跨原型融合策略尚未充分探索；优化方法上，传统参数扫描和响应面法效率不足，人工神经网络(ANN)代理模型虽具强非线性映射能力，但其“黑箱”特性缺乏可解释性，且构型设计、参数分析和优化决策环节彼此脱节。为此，研究人员提出了一种仿生马尾草-蜂窝薄壁管(BHHT)，将马尾草茎的多室承力构型与六边形蜂窝截面设计相结合，通过SLM制备试样进行准静态压缩实验，验证有限元模型后系统分析四个关键几何参数对耐撞性指标的影响，并建立三阶段机器学习优化框架：拉丁超立方采样(LHS)构建数据集，训练高精度ANN代理模型并引入机器学习可解释性方法(SHAP)量化参数贡献，最后采用带精英策略的非支配排序遗传算法(NSGA-II)求解多目标优化问题，获得最优几何参数组合，实现载荷平稳性、吸能效率和轻量化的协同优化。该研究为仿生薄壁吸能结构的设计与数据驱动优化提供了方法框架。论文发表在《Materials》。

研究人员为开展研究主要采用了以下关键技术方法：（1）拉丁超立方采样(LHS)生成100个样本点，覆盖四个设计变量（蜂窝胞数n、壁厚t、内径d、胞边长l）的可行空间；（2）基于ABAQUS/Explicit建立有限元模型，采用S4R壳单元，通过网格收敛性分析确定0.8 mm网格尺寸，并利用SLM制备的AL6061试样进行准静态压缩实验验证模型可靠性；（3）构建双隐层人工神经网络(ANN)代理模型，以四个几何参数为输入，输出EA、IPCF和SEA，经独立测试集评估R2均高于0.97，MAPE均低于4.5%；（4）应用SHAP可解释性理论量化各参数对耐撞性指标的边际贡献；（5）采用NSGA-II算法迭代查询代理模型，结合TOPSIS方法（主观权重侧重IPCF，客观权重使用熵权法）筛选最优折衷方案；（6）通过SLM制造三个代表性帕累托最优试件进行实验验证。

**耦合效应分析**：将BHHT分解为内管、中管和外管三部分。有限元模拟显示，三部分能量吸收的线性叠加值为3819 J，而整体BHHT的EA达5452 J，相对偏差42.76%，表明多室协同约束与蜂窝折叠的联合作用产生的正耦合效应显著提升了整体吸能性能。

**参数n（蜂窝胞数）的影响**：保持其他参数不变，n从4增至12时，IPCF和EA单调递增，但MCF、SEA和CFE的增益呈边际递减趋势，趋于饱和。变形模式从“多而窄”的密集屈曲转变为“少而宽”的集中塑性折叠。

**参数d（内径）的影响**：d减小使力-位移曲线初始下降幅度减小，载荷平台更稳定，EA单调增大但边际效应递减，IPCF基本不受影响。d=24 mm时载荷平台最优，但过小的径向支撑肋可能引发中部失稳。

**参数t（壁厚）的影响**：t从0.6 mm增至1.4 mm时，IPCF、MCF和EA持续单调递增，SEA总体增加但边际增量递减，CFE呈先升后降的非单调趋势，在中等壁厚处达到最优载荷均匀性。变形模式从细密松散浅褶过渡为宽大规则紧凑褶。

**参数l（胞边长）的影响**：l在2.4–3.6 mm范围内变化对结构承载力和吸能影响微弱，EA和SEA呈现先增后减的非单调趋势，IPCF单调小幅增加，表明l主要起微调作用。

**与其他仿生结构的比较**：在相同质量、高度条件下，初始BHHT设计的SEA达47.83 kJ/kg，比竹节仿生设计高16.5%，比仙人掌仿生设计高57.7%，比甲虫鞘翅仿生设计高35.2%；其CFE达74.88%，比单马尾草仿生设计高24.4%，SEA高27.1%，综合性能领先。

讨论部分指出，SLM系统可实现约±0.1 mm的尺寸公差，优化设计中的壁厚精度（如0.01 mm）可通过工艺调校接近；实验制造试样中，标称壁厚1.02 mm的2#样件实测平均值为1.01 mm，证明百微米级控制可行。帕累托前沿提供了多样化的耐撞性配置，可依据具体需求优先考虑最大SEA、最小IPCF或平衡折衷。通过调整主观权重w_sub，优化方案可灵活适配不同性能目标，展现了良好的工程适应性。

研究结论翻译如下：
（1）发展了一种新型仿生吸能管构型并进行了实验验证。提出了整合马尾草多室承力特性与六边形蜂窝稳定吸能特征的BHHT。通过SLM制备试样并开展准静态压缩实验，验证后有限元模型对EA、IPCF和SEA的模拟相对误差分别为7.87%、2.30%和1.81%，证实了模拟模型的准确性和可靠性。
（2）开展了BHHT的参数化耐撞性分析。耦合效应研究表明，BHHT的整体EA达到其三个子结构EA代数和的142.76%，表明多室协同约束与渐进蜂窝折叠的联合作用产生了显著的结构耦合增强效应。参数研究揭示了各几何参数对耐撞性指标的非线性影响规律：n和t是影响EA和IPCF的主导参数，但SEA增益呈现边际递减；适当减小d可提升载荷平稳性但受刚度约束；l的调控灵敏度低。这些参数间的复杂竞争与交互说明，顺序单参数优化不足以协调整体性能权衡。
（3）建立了BHHT的数据驱动多目标优化框架。所提出的三阶段框架整合了LHS、ANN代理模型、SHAP可解释性分析和NSGA-II多目标优化。ANN模型对EA、IPCF和SEA的预测精度极高，R2均超过0.97，MAPE均低于4.5%。SHAP值量化的参数重要性排序与参数分析高度一致，弥合了黑箱预测与机理解释之间的鸿沟，增强了结果的稳健性和可信度。与初始设计相比，NSGA-II优化方案将IPCF降低了32.84%，SEA提高了8.32%，EA适度降低了24.39%。该数据驱动机器学习框架为开发高性能仿生薄壁吸能结构提供了可靠的方法参考。