基于神经网络的数据挖掘模型在吸能装置上的应用

针对传统有限元分析方法对机车车辆结构耐撞性计算效率低的问题,在已有仿真分析数据基础上,引入机器学习方法,对车辆关键结构的耐撞性以及碰撞安全性进行分析预测. 首先,建立基于神经网络的数据挖掘模型,在此基础上构建车辆关键结构的碰撞响应预测方法;其次,通过试验验证了防爬吸能装置有限元模型的正确性,以此模型为基础获得不同壁厚防爬吸能装置的碰撞响应仿真数据;然后,以吸能装置壁厚作为模型输入,不同壁厚所对应的位移、速度、界面力和内能等碰撞响应作为模型输出,将有限元仿真数据用于模型训练,优化后的数据挖掘模型的拟合优度在0.922以上;最后,为验证模型预测的准确性,将碰撞数学模型的预测结果与有限元仿真结果进行对比,速度、位移、界面力和内能的平均相对误差分别为7.10%、4.51%、6.20%和2.50%. 研究结果表明:基于神经网络构建的数据挖掘模型在保证精度的情况下,能很好地反映防爬吸能装置的碰撞特性,大幅降低了计算时间,提高了计算效率.