本发明涉及行人保护腿型仿真,尤其涉及一种基于机器学习的apli腿型性能优化方法、装置、设备及介质。
背景技术:
1、近年来,随着中国汽车行业的发展以及人民收入水平的提高,驾车出行已然是人们最基本的出行交通方式,国内汽车数量显著增长,但是与之俱增的交通事故成了用户出行的最大威胁。根据德国gidas统计数据,弱势道路使用者中,车外行人的头部和腿部的伤害比重最高,分别为25.2%及23.7%。因此,汽车碰撞安全性能成为人们日益关注的重点,也成为了衡量汽车整体性能的一项重要指标。
2、为了促进中国汽车产业的健康发展,加速国内汽车市场的全球化进程,中国汽车技术研究中心于2006年3月2日正式发布了首版中国新车评价规程(c-ncap),c-ncap规程设定具体头型试验以及腿型试验以测定hic、mcl、pcl、acl、大腿弯矩值f、小腿弯矩值t等指标,同时制定具体评分细则,以此衡量汽车行人保护性能。
3、在针对行人保护腿型试验工况进行相关性能优化中,对于小腿弯矩值t主要是通过优化行人护板的结构,以此使小腿弯矩值t减小,从而得到更好的评价结果,优化方法主要以拓扑优化与形状优化为主。然而行人护板结构复杂,在结构确定的情况下,针对腿型试验工况,运用传统板壳力学方法难以得到解析式、求出解析解,进行相应的结构优化方式难以进行定量分析与判断,结构优化经常以经验为主,以上问题亟待解决。
技术实现思路
1、本发明的目的在于提供一种基于机器学习的apli腿型性能优化方法、装置、设备及介质,以解决上述背景技术中提出的问题。
2、为实现上述目的,本发明提供如下技术方案:一种基于机器学习的apli腿型性能优化方法,包括:
3、确定影响小腿弯矩值的有效特征;
4、对所述有效特征进行仿真计算,得到相应小腿弯矩值的仿真数据;
5、将所述仿真数据分为训练数据和测试数据;
6、确定第一计算模型;
7、制定优化策略,根据所述训练数据和优化策略训练算法,对第一计算模型进行优化,得到第二计算模型;
8、根据第二计算模型对所述测试数据进行计算,得到计算结果;
9、评估计算结果的误差,如果计算结果在预设的误差范围内,则所述第二计算模型可用于对行人护板结构进行优化。
10、进一步地,确定影响小腿弯矩值的有效特征,还包括:
11、根据行人护板结构,确定影响小腿弯矩值的影响特征;
12、对所述影响特征进行特征筛选,确定有效特征。
13、进一步地,根据行人护板结构,确定影响小腿弯矩值的影响特征,还包括:
14、根据影响小腿弯矩值的相关性确定行人护板结构的影响特征,其中,所述影响特征至少包括行人护板的材料的弹性模量、行人护板本体的厚度、行人护板本体结构的阶层数、行人保护孔的形状、行人护板长条孔的长度、行人护板长条孔的宽度、行人护板长条孔的密度、行人保护圆孔的半径、行人保护圆孔的密度、行人护板筋的长度、行人保护筋的厚度、行人护板筋的高度、行人保护筋的密度之一。
15、进一步地,对所述有效特征并进行仿真计算,得到小腿弯矩值的仿真数据,还包括:
16、根据影响小腿弯矩值的所述有效特征的属性变化趋势,给每一个所述有效特征多个赋值,得到每一个所述有效特征的多个有效特征值;
17、对所有的所述有效特征值进行仿真计算,得到所述小腿弯矩值t4的仿真数据。
18、进一步地,确定第一计算模型,还包括:
19、根据所述有效特征、仿真数据的结构以及条件概率分布的回归法,确定第一计算模型。
20、进一步地,制定优化策略,根据所述训练数据和优化策略训练算法,对第一计算模型进行优化,得到第二计算模型,还包括:
21、根据所述仿真数据和所述第一计算模型,制定优化策略,其中,所述优化策略是通过损失函数优化第一计算模型。
22、进一步地,评估计算结果的误差,还包括:
23、如果计算结果超出预设的误差范围,则重新训练算法或重新确定计算模型。
24、另一方面,提供了一种基于机器学习的apli腿型性能优化装置,包括:
25、第一确定模块,所述第一确定模块用于确定影响小腿弯矩值的有效特征;
26、第一计算模块,所述第一计算模块用于对所述有效特征进行仿真计算,得到相应小腿弯矩值的仿真数据;
27、分类模块,所述分类模块用于将所述仿真数据分为训练数据和测试数据;
28、第二确定模块,所述第二确定模块用于确定第一计算模型;
29、第二计算模块,所述第二计算模块用于根据所述训练数据和优化策略训练算法,对第一计算模型进行优化,得到第二计算模型;
30、第三计算模块,所述第三计算模块用于根据第二计算模型对所述测试数据进行计算,得到计算结果;
31、比较模块,所述比较模块用于评估计算结果的误差,如果计算结果在预设的误差范围内,则所述第二计算模型可用于对行人护板结构进行优化,如果计算结果超出预设的误差范围,则重新训练算法或重新确定计算模型。
32、再一方面,提供了一种电子设备,所述电子设备包括:
33、一个或多个处理器;
34、存储装置,用于存储一个或多个程序,
35、当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述中任一所述的一种基于机器学习的apli腿型性能优化方法。
36、又一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述中任一所述的一种基于机器学习的apli腿型性能优化方法。
37、与现有技术相比,本发明的有益效果是:本发明结合了机器学习方法,挖掘小腿弯矩值与具体的行人护板的结构特征之间的数值关系,以此得到具体小腿弯矩值t下,行人护板相应结构优化的最佳方案,减少整体工况计算的次数,节约相应的开发时间与计算成本。模型可拟合多特征下的数值关系,可针对多特征下的优化结构进行分析,且结果更加精确,便于分析。
1.一种基于机器学习的apli腿型性能优化方法,其特征在于,包括:
2.根据权利要求1所述的一种基于机器学习的apli腿型性能优化方法,其特征在于,确定影响小腿弯矩值的有效特征,还包括:
3.根据权利要求2所述的一种基于机器学习的apli腿型性能优化方法,其特征在于,根据行人护板结构,确定影响小腿弯矩值的影响特征,还包括:
4.根据权利要求1所述的一种基于机器学习的apli腿型性能优化方法,其特征在于,对所述有效特征并进行仿真计算,得到小腿弯矩值的仿真数据,还包括:
5.根据权利要求4所述的一种基于机器学习的apli腿型性能优化方法,其特征在于,确定第一计算模型,还包括:
6.根据权利要求5所述的一种基于机器学习的apli腿型性能优化方法,其特征在于,制定优化策略,根据所述训练数据和优化策略训练算法,对第一计算模型进行优化,得到第二计算模型,还包括:
7.根据权利要求1所述的一种基于机器学习的apli腿型性能优化方法,其特征在于,评估计算结果的误差,还包括:
8.一种基于机器学习的apli腿型性能优化装置,其特征在于,包括:
9.一种电子设备,其特征在于,所述电子设备包括:
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至7中任一所述的一种基于机器学习的apli腿型性能优化方法。