点击蓝字，关注我们
在前篇中，主要完成的内容包括：
1）前处理：假人-座椅-安全带模型的建立，包括假人的位置调整，假人和座椅姿态调整与整个约束系统的除穿透。
2）优化任务流与求解：通过Optimization Tool, 针对设计变量，建立优化工作流，并生成设计实验组(Design of Experiments)并提交任务于LS-DYNA进行求解。
3）完成DOE的求解之后，通过META的Occupant Injury Criteria工具，进行ATD假人在仿真过程中的伤害值的评估，并提取对应关注值，保存于数据库中。
机器学习预测模型的建立与预测
在本节，将针对提取的15ms与36ms头部损伤值，作为1D关键值响应，并训练预测模型。其中15ms与36ms的头部损伤值分别称作H1C15与HIC36, 其计算公式为
将从OIC工具中提取的假人胸部通道相关曲线作为2D曲线响应，训练对应的2D预测模型；以及针对仿真的位移场，训练3D的预测模型。
在指定了一组新的参数之后，即可得到在该组设计变量情况下的预测值以及方差范围。同理针对2D和3D的预测模式，在指定参数后，在右侧区域的META Viewer中即可查看。
在下方的设计探索区中，可以通过平行坐标图，查看设计变量之间的组合与响应值，观察DOE的分布情况与极值处理。
对于已经预测好的实例，可以将其保存至数据管理器中，用于后续的比较与二次使用。
结果分析与对标验证
在本案例中，通过机器学习的方式建立了预测模型，在‘what-if’假设研究中，可以预测一维关键值、二维曲线以及三维场结果。本节中，将对这三个维度的数据进行验证对标，观察其与实际仿真结果的区别。
通过ANSA的Optimization Tool，仿照前文中前处理、求解和后处理的流程，另外求解一个仿真运算，作为对标验证。
对于上述三种类型的结果，对标验证的结果如下：
一维关键值的对标结果
二维曲线对标结果
三维场结果对标
T=0 ms
T=100 ms
T=160 ms
总结与讨论
在本案例中，通过KOMVOS的机器学习模块训练预测模型，对假人-座椅-安全带系统中假人的伤害值进行预测。初始的约束系统模型经由ANSA中LS-DYNA面板下各类碰撞安全工具搭建，并针对基准模型，由ANSA Optimization Tool创建了45个仿真设计实验组并进行求解，这些设计实验组将作为机器学习的初始训练数据集。之后，该数据集被添加至ANSA DM数据管理库中并由KOMVOS的机器学习模块训练预测模型。
对标结果体现了对于所有类型(关键值、二维、三维结果)预测模型的准确预测。
此外，KOMVOS中内嵌的机器学习功能也在假设检验研究(‘what-if’ study)中展现了良好的准确性，并且相比于实际FE仿真，大大缩短了所需要的时间。结合ANSA Optimization Tool与META的后处理工具，KOMVOS在创建数据集、训练机器学习预测模型方面提供了强有力的工具与高度半自动化的流程。
苏公网安备 32059002002276号
