外文翻译非线性不确定系统汽车结构的优化设计.docVIP

附录A译文 非线性不确定系统汽车结构的优化设计 阎浮 福特汽车公司，MD2115，SRL2122，Dearborn，MI48142，美国 KEMAL H.SAHIN Hechshermer str.2/Geb.51,CPC系统 GmbH,D-55131 Mainz，德国 摘要：随着计算机应用的不断发展，汽车结构设计恰当的应用计算机方法并给新车的开发带来了更大的效率。大多数以虚拟为基础的优化方法的产生确定性最优化没有考虑到在模型虚拟和制造方面的多种影响。这种遗漏的主要原因是因为汽车结构设计的单一碰撞分析的计算时间即使用美国最先进的计算机也需要大量的时间。这就需要不确定性优化方法的发展和执行效率。在这篇文章中，一种包含元模型优势技术和非线性不确定性优化方法的综合的随机优化方法被提出以用于汽车的侧面碰撞设计。非线性元模型用逐步回归方法去代替昂贵的计算模型和应用BONUS来得到不确定性的优化设计。汽车安全设计的基准问题曾经用来描述这种方法。这一案例研究的目的是维持和加强汽车侧面碰撞测试实验，尽量减少汽车重量。 关键词：元模型，非线性规划，不确定性优化，随机优化，汽车侧面碰撞 1. 简介 汽车碰撞的计算机分析对于减少新产品的开发时间是一个有效的工具。现在非线性有限元基础碰撞分析代码普遍应用与模拟汽车碰撞试验例如，前悬的影响，边缘的影响，内部前面影响，后悬影响。 数字优化是有用的系统的工具对于自动选择优先设计参数。这种方法在汽车工业得到了广泛应用并且取得了显著效果。然而为了保证产品质量和产品使用性，在模型模拟，和制造上的不确定因素需要考虑。一种新的随机优化方法被称作bonus由Sahin和Diwekar开发。Bonus用样本估算目标和约束因素通过不确定因素。这种技术在优化过程中通过重复衡量的方法减少了过度繁琐计算的重担。然而汽车碰撞分析是密集的计算，它通过用当前的计算机花费几小时到几天的时间来控制一个虚拟。因此工程师利用许多元模型及时被用来建立代理模型（也被叫做元模型或响应表面模型）去代替昂贵的计算模型以及时的方法去解决现实问题。本期刊提出了结合元模型和非线性系统的优化设计的综合方法进行汽车结构设计。 车辆侧面碰撞的问题，是众所周知的自动化工业的基准问题，被用来描述集成方法。这种方法被产业和学术研究者广泛应用区描述各种在元模型上的新方法，可靠性基础设计优化，随机优化设计和多学科设计优化。表面模型的全球反映产生于用逐步回归耦合优化超立方体样本的设计实验，该实验被认为是这种研究的真正模型。传统的Monte Carlo方法和BONUS是用来解决不确定性的优化问题。通过Monte Carlo方法和BONUS的大量对比试验出来这样的结论，优化过程是通用的也同样能够应用在其他工程领域。 接下来的部分简要的介绍了综合BONUS算法，第三部分介绍了汽车侧面碰撞问题目的在于尽量减少汽车重量以维持和加强汽车侧面碰撞测试实验。第四部分提出了鲁棒性基线和确定性优化设计以及考虑到多种不确定性的随机优化设计的方法，即传统的设计方法和BONUS算法。最后第五部分得出结论。 2. 一种综合的BONUS算法 常用的随机优化方法包括两种密集递归循环：（1）内部样本循环，和（2）外部优化循环。内部样本循环普遍应用的方法是Monte Carlo技术，这种技术是从假象输入分布中随机进行样本选择来得到输出分布和相关的统计特性，比如平均值，方差，或百分率。一种解决非线性规划问题的外部优化设计数字方法是序列二次规划。随着优化过程和新设计变量的确定，不确定变量的改变导致新的输出分布。在优化迭代中，甚至是小的样本数据，对模型的重复评价是显著的瓶颈。 以有限元为基础的整车结构碰撞模拟式汽车工业用于评价汽车碰撞性能常用的设计工具。对于大多数的应用中，为了解决问题及时的优化和鲁棒性分析用在元模型上，用不同的元模型方法以小数量的有限元模拟建立的。在衡量了一些元模型技术后，yang推荐使用第二多项式回归模型和移动最小二乘回归模型进行汽车安全性优化。 在优化过程中由Sahin和Diwekar开发的BONUS算法用来有效地估计随机目标和约束职能。传统的方法依赖于开发一个样本循环和评估由输入分布产生的每一个样本循环。另外，BONUS算法是通过整个输入空间对均匀分布参数运行模型首先产生基本分布的所有响应，然后在对输出分布的概率进行密度估计的基础上用衡量的方法对输出分布进行估算。在Sahin和Diwekar的期刊中可以找到BONUS算法的具体阐释。这种技术的有点事在每一次迭代中对新样本模型通过性的评估是对随机优化的计算集中。对于优化计算来说利用每一次设计变量在目标和约束职能上的小的增量和计算变量的无数的梯度扰动是至关重要的。另外一个优势是这种算法无需额外的昂贵的模型模拟便提供了开发完全设计空间的收敛概率。