基于深度学习理论的车辆-护栏碰撞峰值力模型研究.pdf

摘要

随着我国经济飞速发展，交通路网也日渐庞大，人均汽车保有量直线上升。但同时，

交通安全事故也不断增多，其中有大量事故是车辆与护栏发生碰撞导致的。而在车辆-

护栏碰撞力求解方面，传统的力学模型通常基于简化假设和经验规律，无法考虑复杂的

非线性和非平衡因素。人工智能算法具有强大的非线性建模能力和自适应性，可以从大

量的数据中学习和提取有用的特征，以此提高计算的精度和稳定性。本文利用深度神经

网络（deepneuralNetworks,DNN），建立了一种新的碰撞峰值力计算模型，研究计算车

辆与护栏碰撞在多种因素影响下的的峰值力，建立深度神经网络车辆-护栏碰撞峰值力

（后文简称碰撞峰值力）数据库。在此基础上，引入迁移学习理论（TransferLearning）

进行了模型可拓展性的研究。研究主要内容如下：

（1）采用HyperMesh、LS-PrePost和LS-DYNA有限元软件，首先针对本文的研究

内容，调整优化了美国国家公路交通安全管理局（NationalHighwayTrafficSafety

Administration,NHTSA）和CM/E集团-意大利米兰理工大学（CM/EGroup-Politecnicodi

Milano）开源提供的车辆模型，并验证了优化后车辆模型的可靠性。建立F型钢筋混凝

土护栏有限元模型，将车辆模型与护栏模型结合，建立了小型货车、小型皮卡和三种大

型货车共五种车型下的车辆-护栏碰撞模型，围绕碰撞力、加速度和碰撞能量对车辆-护

栏碰撞峰值力进行了计算和分析

（2）为了建立可用于深度神经网络模型训练的碰撞峰值力数据库，基于响应面方

法（Responsesurfacemethodology，RSM），选取不同车重、车速和碰撞角度作为响应

面参数，碰撞峰值力作为响应值，采用三因素三水平试验设计方法（Box-Behnken，BBD）

进行了响应面模型参数配方设计。随后耗时约五个月对75组试验参数配方分别进行了

车辆-护栏碰撞仿真计算，完成了5种车型下的5个碰撞峰值力响应面模型建立，并对

模型进行了显著性、有效性和残差正态性检验。最后，通过拉丁超立方抽样（Latin

hypercubesampling，LHS）对5个响应面分别进行了3000组碰撞力样本数据的抽样，

最终形成了包含15000条特征参数的车辆-护栏碰撞峰值力数据库。

（3）基于所建的车辆-护栏碰撞峰值力数据库，采用人工智能深度学习理论算法，

搭建了深度神经网络峰值力计算模型。模型计算结果与规范公式计算值及实车碰撞试验

值进行了对比，深度神经网络模型计算结果更贴近实车碰撞试验值。

（4）由于（3）中建立的深度神经网络峰值力计算模型仅针对指定的5种车型及对

应参数范围的样本具有较高的计算精度，而对于训练数据库外的数据情况精度相对较低，

但若为了引入新类型数据重新建立新的深度神经网络模型无疑会耗费大量的时间，论文

结合迁移学习理论，研究深度神经网络碰撞峰值力计算模型是否能在原模型的基础上，

进行少量新类型数据的迁移微调训练，使其对新样本的峰值力计算结果达到预期精度。

论文主要对车型和车重参数进行迁移学习研究，基于前述计算学习结果，分别建立小货

车、小皮卡、10t级卡车和16t级卡车四种车型的车型预训练模型和车重预训练模型。

在此框架内，引入新的38t级卡车模型进行微调迁移训练，训练结果表明，论文基于迁

移学习理论建立的预训练模型对新车型和新的车重对护栏碰撞峰值力的计算学习有很

好的精度，具备较强的可拓展性。

关键词：车辆-护栏碰撞；碰撞峰值力；深度学习；迁移学习

Abstract

Withtherapiddevelopmentofoureconomy,thetransportationnetworkisgrowing

increasinglylarge,andtheaveragenumberofcarspercapitahasincreasedlinearly.Butatthe

sametime,trafficsafetyaccidentsarealsoincreasing,amongwhichalargen