外文翻译--基于车身三维变形分析的汽车碰撞事故的重构 中文版

附件 1：外文资料翻译译文 基于车身三维变形分析的汽车碰撞事故的重构 1.引言 车祸带给人引人注目的悲剧，已经成为严重的社会问题，危及人民和他们的财产，特别是像中国这样飞速发展的发展中国家。这些年由于民事诉讼案件的增加，车辆碰撞分析和事故重建已变得日益流行。车辆撞车事故重建的最关键因素是恢复车辆碰撞前的速度。 汽车碰撞事故的整个过程可分为 3 个阶段： （ 1）碰撞前的影响 汽车出发点的重建的依据是从事故现场获得。 （ 2）碰撞时的影响 汽车的速度、方向、位置等等因素的影响起决定性作用。 （ 3）碰撞后 的影响 速度和轨迹（通常未知）起关键作用。事故分析的主要线索是通过车辆碰撞后的状态来推测碰撞前的位置。然后通过收集、记录、调查与分析事故现场。 有很多方法来评估车辆的速度，评估速度通常用以下的一种或更多的方面入手： （ 1）动力 /能量分析 （ 2）伤害 /能量分析 （ 3）离心力分析 （ 4）起动，翻倒或飞跃的分析 （ 5）几何和时序分析 （ 6）事件数据记录仪 常用的事故再现方法在实际应用方面存在着一定的局限性，另一方面，动量 /能量这个分析方法需要清晰地刹车痕迹或事故中其他车辆的位置，但是现在由于ABS 系统刹车痕迹很 弱或根本不存在了。变形 /能量分析方法重建事故主要从车体的变形角度考虑。另一个方法只能应用在特殊的交通事故中。 由于交通事故种类多样，复杂，瞬时性，对事故手动定量分析的精度相当的低。对于交通事故，找出碰撞前的速度和轨迹是主要目标。在车辆碰撞事故中车辆的弹性变形和其他碰撞物体是重要的信息，然而，考虑到变形这个因素，用计算机仿真模型重建交通事故很少。由于仿真技术的发展，变形可以通过有限元法被充分利用，这样对重建交通事故起到重要的作用。清晰地有限元法不仅能得到高速下的材料应变率，而且使用很小的积分时间元同样可以弄清 塑料的弹性特征。因此，在研究重建汽车事故中使用有限元分析法可以取得一个很高的计算精度。此外，对结果的有效描述，通过使用有限元法后期加工软件和对主要能量吸收部分变形现象的直接观察可以得到三维动画，同样可以用于多种类型的事故，如挡泥板和前面的纵向梁。这不能通过其他事故重建程序完成。目前，有限元法广泛应用于车辆模拟碰撞，可惜的是 FEM 重来就没对事故重建很好的运用有限元法，因为那需要很多的模拟碰撞次数，也将花费大量的时间。 因此，这是一篇关于使用神经网络和有限元方法发展重建事故技术的论文，在当前的方法中，模拟汽车碰 撞事故采用 LSDYNA 非线性有限元法。在碰撞事故数字信息的基础上，一个三层正反馈神经网络用于生成一个初始碰撞参数与变形指数 E的近似函数。 E 的近似函数是遗传算法约束下的最大速度和角度，本程序适用于一个典型的交通事故：纵向梁和挡泥板上要点的变形可以用来进行测量仿真结果。这些结果可通过 BP 学习规则用于培养神经网络学习，预先碰撞速度可以通过训练过的神经网络获得，那为事故判断提供了科学依据。 2.非线性有限元方法和神经网络 2.1 非线性有限元法的碰撞模拟 由于整体的某点，通过解决动量方程可以找到变形的时间现象。 ij.j iif 式（ 1） 式中，ij.j是柯西压力 ,p 是电流密度 ,f 是体积力密度、i是加速度。 式（ 1)满 足牵引力的边界条件： ij ()iin t t 式（ 2） 在 b边界上，位移边界条件是： ( , ) ( )iix X t D t 式（ 3） 在 b2 的边界上，连续中断 )0ij ij in 式（ 4） 沿着 b3 的边界上当ii 时 ，能量方程 ： ij ()ijE V s p q V 式（ 5） 式中， V是相对体积，ijS和 p 代表偏应力和压力 i j i j()ijS p q 式（ 6） ij13 ijpq 式（ 7） 式中， q 是体积粘性，ij是张量积，如果 i=j,ij=1,否则ij=0.ij是张应力 已知 i i j . j bb3( ) ( )0i v i j j i i svi j i j i i sp p f x d n t x dn x d 式（ 8） 式中， b1 满足 b2 所有边界要求，这个综合结束通用几何学，通过使用分歧理论，它引出一个虚拟工作原理。 i i j .b 0i v i j v i i vv v vi i sp x d x d p f x dt x d 式（ 9） 这个结构和成分可以通过很多原理模仿，形状函数方面的拉格朗日原理代表了几何元素，装配后，基本的质量集中在节点。然而 ,模拟碰撞有限元模型包含大量的要素，详细差分法的时间元是少的，计算的时间是相当的长。 2.2 利用 BP 神 经网络 神经网络作为全球性的近似工具被广泛使用，因为在过去经验的基础上它有能力去处理和绘制外部数据和信息。在神经网络中，传输和处理的输入数据被分配到一个简单的计算网络中的单位叫做神经元。当加权和的投入超过活化价值时，每个神经元返回一个输出信号。输出值通过定义一个转移功能可以计算出，也称为激活功能。 在这项研究中一个正反馈多层神经网络被使用，该网络由第一层神经元，一个或多个隐藏层和输出层组成。图 1 作为补充。 图 1 神经网络结构 第一层叫做输入层，收到外部输入信号转移到隐藏层。这个信号由隐藏层到输出层被 改进、加权和重新分配。电流神经元的 KTH 层的输出信号可以计算出来： ,k()k i ko u t f,i 式（ 10） 式中，kf是地方传递函数考虑层，一个 C 形功能是用作神经元的隐藏层，这个功能可以写成： ki,1() 1k k if e 式（ 11） 神经元的输出层使用一个线性传递函数 ： ,()k k i k if 式（ 12） 式中， fi是 ki 神经元的激活信号，激活价值计算为： 1, , , 1 ,1kN lk i k i k i k ii out 式（ 13） 在学习神经网络的过程中涉及到很多的实例，训练集以输入输出为已知的一种经验，连接重量和神经网络的价值偏差改变了，所以最小化了已知和计算的输出中的偏差。利用 BP 神经网络学习法则，其中已知和计算的输出均方根是最小化得。训练的过程是执行 L-M 算法，这个算法最初是为最小二乘方设计的，其中目标函数被定义为平方的概括，像这样的目标函数正在研究。 一个批处理模式用于完成训练过程，每个神经网络单一的平方误差的输出被规定为平方根误差的概括，由每个案例的训练的到。事实上， 考虑到 N 对输入输出的训练区，最小化误差被定义为 RMS 211 ()nnnnR M S t on 式（ 14） 为了提高学习阶段的速度和效率，输入和输出数据被定标，于此，利用方程输入数据被标的为 0和 1 之间的线性攀升。 m inm a x m inxxx 式（ 15） 式中， X 是设计变量矢量的刻度值， Xmax 和 Xmin 是各自设计领域的最大和最小值。当输出值主要和变形有关的时候，神经网络的输入值的选择描述了考虑结构的速度和角度。 3.有限元法的事故重建和神经网络 根据碰撞事故的特征指标，给予事故评估的目录， X1， X2， . .,Xn，在碰撞中主要部件的崩溃体现了变形的关键。这个关键点是圆孔和螺栓孔的选择，这样很容易找到。中心圆孔的变形能通过孔上 3 分圆的变形测量，螺栓孔的变形可以通过在那的 3坐标节点的信息测量。 从调查事故现场使用这些指标的测量值， x1e,x2e, . . .， xne，这些指标的计算从电脑模拟 :x1c,x2c, . . .,xnc,指数 E 反应了事故重建的难易度。 211 ( ) / n i e i c i eiE x x x 式（ 16） 如何取指数 E的最大值是重复电脑模拟的过程，在短时间内，计算机仿真和神经网络建模相结合的方法是事故重建的一种技术改造。有限元分析往往为神经网络培训和测试产生例子，并使用商务条列 LS-DYNA。 训练过的神经网络能 够绘制清变量间的关系，也就是汽车的初速度和角度，目标函数也就是指数 E。解决训练模式的执行是通过 design-of-experiment这个技术，这为了得到均匀分配内部领域，最大的指数 E 是利用训练过的神经网络预测的遗传算法取得，如图 2所示： 图 2 事故重建流程图 4.交通事故实例应用 4.1 事故现场有限元模型建立 采用有限元法及神经网络技术对一例真实汽车事故进行了再现分析，该事故发生在 2001 年 12 月海南试车场，如图 3所示。 图 3 事故现场的图片 针对本次事故的特点，选择前纵梁和挡泥板作为变形量 测量对象 用三坐标测量仪测量了车身变形，首先在车身后部未发生变形的部位建立车身坐标系选择前纵粱上的 7 个螺栓定位点 及挡泥板上 4 个圆孔的圆心作为关键点用三坐标测量仪测量了其坐标，因为这 2 个主要能量吸收部分几乎不受到粗糙表面的影响，他们应该比前面更可靠：图 4 是摄影测量变形的关键点，图 5是挡泥板和纵前梁的关键点。 图 4 关键点变髟量删量现场照片 图 5 挡泥板和纵前梁的关键点 4.2 有限元建模 车辆模型是先拆卸和组成几大类：框架、前面的内部、机舱、门、等。利用 UG和 catia 软件获得三维 几何数据的每个组成部分。接下来，为了啮合与模型装配这些文件输入到 Hypermesh 软件。最后，这个模型是翻译 LS-DYNA 输入文件。众所周知，这个系统地总体结构式由通过关节连接的 130 个部分组成（包括点焊机、电弧焊接、螺栓铆连接 ,连接和胶粘剂粘）。许多不同类型的元素是用来描述几何形状，连接特性等。当某些特定条件得到满足时，包括不合格的壳单元，横梁单元，杆单元，六面体单元，弹簧单元，刚性单元，特定焊接单元 一个模拟正面碰撞中占有者的动态行为的三维虚拟模型被建立，模型的所有部分使用球面和转动关节连接，该数据模型 根据 CMVDR294 对实验结果的方法被验证（中国汽车设计准则），图 6是比较实验和数值间加速 -时间曲线。 图 6 测试结果和仿真结果加速度曲线 在这个模拟中，引擎的变形不被考虑，但被当做一个刚性的部分，门使用铰链和门锁连接到车身，根据交通事故现场的照片，整个模型也包含墙的有限元模型 图 7是商业车辆和墙的有限元模型，图 8是挡泥板和前纵向梁的有限元模型。 图 7 墙和商用车辆的有限元模型 图 8 挡泥板和纵向梁的有限元模型 4.3 事故重建 纵向梁和挡泥板的变形测量值都列在表 1。 把商用车辆 的速度和方向作为设计变量，把上界和下界设计变量限制在3 8 / 7 8 / , 5 2 5k m h v k m h 表 1 变形的要点 表 2 所示：每个实际变量的六设计水平有各种相同的间隔。 表 2 设计变量和设计水平 在设计区域中训练区总共由 36 个要点构成，测试区由设计领域内随机挑选的 4个要点构成，平均 CPU 时间为一个单一的有限元分析约八小时的 onyx3800 使用 4个 cpu SGI 系统并行计算机。 要点 11 的变形数据和指数 E 是为神经网络输出值的每个模拟仿真设计的， 培训参数主要包括学习速率和动力常数。如图 9所示 图 9 训练过的神经网络 从表 3,可以发现 ,神经网络能映射关系初始坠毁的参数与变形指标的准确的方式，指数 E 的最大值利用训练过的神经网络的遗传算法获得的，图 10 显示仿真结果，可以这样说，真正事故中的速度和角度和模拟中的十分吻合。 表 3 有限元法和神经网络得到的指数 E 图 10 16 度和 51km/h 条件下的仿真结果 4.4 结果确认 由于事故现场中轮胎的清晰痕迹（图 3a 显示）我们可以得到模型的标志，利用数字技术解决了帕方程得到了对象点集（见图 11）。所以墙和车辆运动方向间的角度能够从这个模型中测量，结果是 16.89 度。然后这个模型会输入到 PC-CRASH中，车辆撞墙前的速度能被计算出事 49.3km/h。 PC-Crash 包含了几种不同的计算模型 ,包括一个脉冲动量模型，一个刚度冲击模型，一个模拟轨道动力模型，和一种简单的动力学模型。为了最大多功能化，PC-Crash 模拟结果能在平面和立体图，三维透视图和大量的图表和表格中获得。 PC-Crash 的仿真结果非常接近有限元方法，但是这个软件不能利用车辆变形的信息，和它完全依赖轮胎的痕迹。众所周知，现在很 多车辆安装 ABS 防抱死系统使得车辆很难获得清晰地刹车痕，此外，