本發(fā)明涉及車輛碰撞安全，尤其涉及一種車輛吸能盒制備方法、裝置、電子設備及存儲介質。

背景技術：

1、近年來，汽車行業(yè)碰撞安全法規(guī)持續(xù)加嚴。在新的安全法規(guī)測試工況下，車身碰撞區(qū)域關鍵結構件將承受更大的碰撞能量，在碰撞過程中發(fā)生損傷失效的風險大大增加。車輛的前防撞梁吸能盒是車輛發(fā)生碰撞事故時，吸收能量的核心部件，特別是對于純電動新能源汽車，其動力電池極易在碰撞損壞中起火自燃，為了保護電池系統(tǒng)和整車的安全，吸能盒的吸能能力設計至關重要。

2、吸能盒的設計大部分關注于更改吸能盒的結構，從結構出發(fā)，通過創(chuàng)新結構布置并依賴于大量的仿真、實驗、設計人員的經(jīng)驗，從而得到最終滿足需求的吸能設計。這種方法耗費大量時間和資源，而在現(xiàn)在的新能源汽車極短的設計研發(fā)周期背景下，需求一種更快速更準確更直接的研發(fā)方案。

技術實現(xiàn)思路

1、為解決現(xiàn)有車輛吸能盒的結構設計周期長的技術問題，本發(fā)明實施例提供一種車輛吸能盒制備方法、裝置、電子設備及存儲介質。

2、本發(fā)明實施例的技術方案是這樣實現(xiàn)的：

3、本發(fā)明實施例提供了一種車輛吸能盒制備方法，方法包括：

4、確定車輛吸能盒設計結構對象，基于所述結構對象的結構特征生成結構參數(shù)；

5、將所述結構參數(shù)輸入第一神經(jīng)網(wǎng)絡模型，獲得所述第一神經(jīng)網(wǎng)絡模型輸出的相似結構參數(shù)，將所述結構參數(shù)與所述相似結構參數(shù)拼接，獲得新的結構參數(shù)；

6、對所述新的結構參數(shù)進行建模，并基于建模后的空間實體幾何進行體素化處理，獲得空間坐標信息，所述空間坐標信息用于表征所述空間實體幾何的離散結構；

7、確定所述車輛吸能盒設計結構對象所需的比吸能性能，將所述比吸能性能輸入第二神經(jīng)網(wǎng)絡模型，獲得所述第二神經(jīng)網(wǎng)絡模型輸出的預測結構參數(shù)；

8、將所述空間坐標信息輸入第三神經(jīng)網(wǎng)絡模型，并將所述預測結構參數(shù)作為所述第三神經(jīng)網(wǎng)絡模型的條件標簽，獲得所述第三神經(jīng)網(wǎng)絡模型輸出的新的坐標信息；

9、將所述新的坐標信息發(fā)送至顯示裝置進行快速建模，并對建模結果進行觀測；所述建模結果反映所述第二神經(jīng)網(wǎng)絡模型輸出的預測結構參數(shù)的輸出質量；

10、在所述建模結果滿足預設輸出質量的情況下，對所述預測結構參數(shù)進行幾何建模，并將所述幾何建模結果發(fā)送至金屬3d打印設備進行打印制造，制備滿足所述所需的比吸能性能的車輛吸能盒。

11、在一實施例中，所述確定車輛吸能盒設計結構對象，基于所述結構對象的結構特征生成結構參數(shù)，包括：

12、在確定所述車輛吸能盒設計結構對象為三周期極小曲面時，利用如下吸能盒建模公式生成結構參數(shù)：

13、??計算式（1）

14、其中，為吸能盒結構，由四個子結構構成，為不同位置的子結構，d為控制結構壁厚，t為控制結構單元大小，為控制點，控制每個子結構的分布位置。

15、在一實施例中，所述基于所述結構對象的結構特征生成結構參數(shù)之后，所述方法還包括：

16、將所述結構參數(shù)輸入遺傳算法模塊進行選擇、交叉和變異，獲得生成結構參數(shù)；

17、將所述生成結構參數(shù)并入所述結構參數(shù)中。

18、在一實施例中，所述第二神經(jīng)網(wǎng)絡模型的訓練過程包括：

19、將所述新的結構參數(shù)輸入第四神經(jīng)網(wǎng)絡模型，獲得所述第四神經(jīng)網(wǎng)絡模型輸出的所述新的結構參數(shù)的預測比吸能性能結果；

20、對所述新的結構參數(shù)進行前向的噪聲添加，得到加噪結構參數(shù)；

21、將所述加噪結構參數(shù)輸入待訓練的第二神經(jīng)網(wǎng)絡模型中，將所述預測比吸能性能結果通過預設層后的輸出結果作為所述第二神經(jīng)網(wǎng)絡模型的條件標簽，獲得所述第二神經(jīng)網(wǎng)絡模型輸出的還原結構參數(shù)；將所述還原結構參數(shù)與所述加噪結構參數(shù)進行比對，對所述第二神經(jīng)網(wǎng)絡模型進行調整，多次訓練后完成所述第二神經(jīng)網(wǎng)絡模型的訓練。

22、在一實施例中，所述第四神經(jīng)網(wǎng)絡模型的訓練過程包括：

23、對所述結構參數(shù)進行幾何建模，并輸入有限元模塊進行仿真，獲得所述結構參數(shù)對應幾何模型的力學性能數(shù)據(jù)，對所述力學性能數(shù)據(jù)進行處理后，獲得比吸能數(shù)據(jù)；

24、將所述結構參數(shù)與所述比吸能數(shù)據(jù)作為訓練數(shù)據(jù)，訓練第四神經(jīng)網(wǎng)絡模型，以使訓練后的第四神經(jīng)網(wǎng)絡模型能夠基于輸入的結構參數(shù)輸出預測的比吸能性能結果。

25、在一實施例中，所述制備滿足所述所需的比吸能性能的車輛吸能盒之后，所述方法還包括：

26、對所述車輛吸能盒進行實驗驗證，獲得所述車輛吸能盒的實際比吸能結果；

27、將所述實際比吸能結果與所述所需的比吸能性能進行比對，判斷是否達到所述車輛吸能盒的批量化生產(chǎn)條件。

28、在一實施例中，所述將所述實際比吸能結果與所述所需的比吸能性能進行比對，判斷是否達到所述車輛吸能盒的批量化生產(chǎn)條件，包括：

29、將所述實際比吸能結果與所述所需的比吸能性能利用如下計算式進行計算，判斷是否達到所述車輛吸能盒的批量化生產(chǎn)條件：

30、?計算式（2）

31、其中，sea_experiment為實際比吸能結果，sea_require為所需的比吸能性能，為實際工業(yè)設計時，所允許的最大誤差。

32、本發(fā)明實施例還提供了一種車輛吸能盒制備裝置，所述車輛吸能盒制備裝置包括：

33、生成模塊，用于確定車輛吸能盒設計結構對象，基于所述結構對象的結構特征生成結構參數(shù)；

34、拼接模塊，用于將所述結構參數(shù)輸入第一神經(jīng)網(wǎng)絡模型，獲得所述第一神經(jīng)網(wǎng)絡模型輸出的相似結構參數(shù)，將所述結構參數(shù)與所述相似結構參數(shù)拼接，獲得新的結構參數(shù)；

35、建模模塊，用于對所述新的結構參數(shù)進行建模，并基于建模后的空間實體幾何進行體素化處理，獲得空間坐標信息，所述空間坐標信息用于表征所述空間實體幾何的離散結構；

36、預測模塊，用于確定所述車輛吸能盒設計結構對象所需的比吸能性能，將所述比吸能性能輸入第二神經(jīng)網(wǎng)絡模型，獲得所述第二神經(jīng)網(wǎng)絡模型輸出的預測結構參數(shù)；

37、輸出模塊，用于將所述空間坐標信息輸入第三神經(jīng)網(wǎng)絡模型，并將所述預測結構參數(shù)作為所述第三神經(jīng)網(wǎng)絡模型的條件標簽，獲得所述第三神經(jīng)網(wǎng)絡模型輸出的新的坐標信息；

38、觀測模塊，用于將所述新的坐標信息發(fā)送至顯示裝置進行快速建模，并對建模結果進行觀測；所述建模結果反映所述第二神經(jīng)網(wǎng)絡模型輸出的預測結構參數(shù)的輸出質量；

39、制備模塊，用于在所述建模結果滿足預設輸出質量的情況下，對所述預測結構參數(shù)進行幾何建模，并將所述幾何建模結果發(fā)送至金屬3d打印設備進行打印制造，制備滿足所述所需的比吸能性能的車輛吸能盒。

40、本發(fā)明實施例還提供了一種電子設備，包括：處理器和用于存儲能夠在處理器上運行的計算機程序的存儲器；其中，處理器用于運行計算機程序時，執(zhí)行上述任一方法的步驟。

41、本發(fā)明實施例還提供了一種存儲介質，存儲介質中存儲有計算機程序，計算機程序被處理器執(zhí)行時，實現(xiàn)上述任一方法的步驟。

42、本發(fā)明實施例提供的車輛吸能盒制備方法、裝置、電子設備及存儲介質，確定車輛吸能盒設計結構對象，基于所述結構對象的結構特征生成結構參數(shù)；將所述結構參數(shù)輸入第一神經(jīng)網(wǎng)絡模型，獲得所述第一神經(jīng)網(wǎng)絡模型輸出的相似結構參數(shù)，將所述結構參數(shù)與所述相似結構參數(shù)拼接，獲得新的結構參數(shù)；對所述新的結構參數(shù)進行建模，并基于建模后的空間實體幾何進行體素化處理，獲得空間坐標信息，所述空間坐標信息用于表征所述空間實體幾何的離散結構；確定所述車輛吸能盒設計結構對象所需的比吸能性能，將所述比吸能性能輸入第二神經(jīng)網(wǎng)絡模型，獲得所述第二神經(jīng)網(wǎng)絡模型輸出的預測結構參數(shù)；將所述空間坐標信息輸入第三神經(jīng)網(wǎng)絡模型，并將所述預測結構參數(shù)作為所述第三神經(jīng)網(wǎng)絡模型的條件標簽，獲得所述第三神經(jīng)網(wǎng)絡模型輸出的新的坐標信息；將所述新的坐標信息發(fā)送至顯示裝置進行快速建模，并對建模結果進行觀測；所述建模結果反映所述第二神經(jīng)網(wǎng)絡模型輸出的預測結構參數(shù)的輸出質量；在所述建模結果滿足預設輸出質量的情況下，對所述預測結構參數(shù)進行幾何建模，并將所述幾何建模結果發(fā)送至金屬3d打印設備進行打印制造，制備滿足所述所需的比吸能性能的車輛吸能盒。本發(fā)明提供的方案從吸能需求出發(fā)，基于生成式人工智能算法原理的高精度智能算法網(wǎng)絡和快速成型3d打印技術，實現(xiàn)了車輛吸能盒的快速設計與制造，極大地縮短了車輛吸能盒的設計制造周期。