基于Isight多学科优化及轻量化优化

车辆全学科优化与轻量化设计的仿真驱动流程


引言

在产品设计与制造领域的悠久历史中，复杂系统的设计与制造如桥梁、建筑物、飞机、汽车等是这一过程的杰出成果。设计过程通常是通过迭代试错实现的，从初设、测试和修改设计，直到找到能满足安全性的设计。这一过程中，虽然可以设计出安全的多种方案，但最终目标往往更倾向于寻找最优设计，即安全且符合所有标准的理想方案。传统试错设计方法，历史久远、资源丰富，在寻求安全设计的同时并不直接追求最优设计。因此，确定最优设计在当前设计流程中既复杂又昂贵。

以桥梁设计为例，构建交通通道以跨越障碍物，需要满足安全、成本、耐用性、维护和制造等方面的严格要求。使用试错法，设计者无法全面评估各个要求下的所有可能性，进而找到最佳桥梁设计。这样的设计通常基于以前的方案进行迭代修改，直至满足设计要求。这就导致，在设计相似任务时，过去的设计系统需要投入大量的时间和资源进行改进和优化以增加其价值。

随着自然资源的枯竭、竞争加剧及计算能力的提升，传统的试错设计方法正逐渐被仿真驱动设计所取代。仿真驱动设计不仅可以在搜索安全设计的同时，通过建模和仿真技术，发掘最优设计解决方案，从而有效地实现顶尖性能设计。这一过程消除了经典试错法中随机性带来的不确定性，通过系统分析和比较不同设计方案，提高了设计效率和性能。

设计优化流程




仿真驱动设计的关键要素包括：

1. 参数筛选与实验设计（DoE）：进行问题规模的缩小，通过输出模型变量的灵敏度分析确定关键设计参数。参数筛选通过Design of Experiments（DoE）方法，精细化设计变量范围，确定对最终设计影响最大的参数。

2. 模型构建与优化：利用代理模型（或元模型）替换复杂的实时仿真分析，减少计算资源消耗。代理模型通过较少的数据点构建，能够快速接近真实系统的性能，辅助进行优化评估。

3. 优化策略：选择确定性或概率研究方法为设计变量配置最佳取值，进一步通过全局优化算法快速定位敏感区域，随后采用梯度优化算法进行精细化搜索，最终寻找到最优设计。

方法与流程


实验设计（DoE）

步骤：使用Isight等工具自动执行敏感性分析，对设计参数进行DoE，此过程对于仿真效率至关重要。

参数筛选：基于DoE结果，统计设计参数的敏感度，筛选出对最终设计影响最大的参数，确保在优化过程中高效利用资源。

代理建模与优化

代理模型构建：对线性工况下的刚度、NVH性能等使用响应面法（例如二次响应面）创建代理模型，通过有限数据预测性能响应。

质量响应分析：在多学科优化中，针对碰撞等特性类型的工况，基于特定模型与工具执行详细的模拟分析与结果提取。

优化与评估：结合代理模型，通过确定性或概率性优化策略定位设计空间中最优的解。


全局优化：快速定位目标极值区域以减少搜索范围。


梯度优化：精确定位特定区域内的最优解。

MultiPhysics Optimization & Lightweight Optimization

Innovative Process：整合全学科（MultiPhysics）优化与轻量化优化，Meta & Python 在车身模态追踪的应用展示流程高新技术与实践集成。

Customized Solutions：应用自适应模拟退短法与序列二次规划法，构建依托多学科数据模型的全方面优化策略。