盖世汽车讯 预测车辆在碰撞中的变形情况对于汽车安全至关重要，研究人员正在通过开发机器学习模型来革新车辆安全评估，从而显著加速碰撞模拟。但传统的有限元分析模拟计算量巨大且耗时，阻碍了快速的设计探索。

据外媒报道，NVIDIA的Mohammad Amin Nabian、通用汽车公司的Sudeep Chavare和Deepak Akhare及其同事通过探索机器学习技术来快速准确地模拟碰撞动力学，从而应对这一挑战。这种新方法采用机器学习作为“代理模型”，学习预测结构行为，并在不显著降低精度的情况下大幅缩短模拟时间。

图片来源：arXiv预印本服务器

该研究表明，使用神经网络（特别是MeshGraphNet和Transolver）预测碰撞中的结构变形是可行的，与传统方法相比，计算成本显著降低。该团队使用包含150例车辆碰撞模拟的详细数据集训练这些模型，结果表明机器学习能够捕捉关键的变形趋势，从而为汽车行业的快速设计迭代和改进碰撞安全性评估铺平道路，使工程师能够探索更广泛的安全特性并更高效地优化车辆结构。

研究团队探索了两种先进的神经网络架构——MeshGraphNet和Transolver，用于模拟车辆碰撞的复杂动力学。这些网络将车辆结构分析为一个图，表示其各个组件及其连接，从而使模型能够学习碰撞过程中力的传播方式。为了准确捕捉车辆随时间推移而发生的变化，科学家们探索了不同的训练策略，包括基于过去行为预测未来状态的方法以及增强模型稳定性的技术。该研究使用了一个包含150个详细碰撞模拟的综合数据集，这些模拟代表了结构复杂的车辆组件，并考虑了实际制造过程中的各种差异。

通过使用这一庞大的数据集训练机器学习模型，该团队证明了以合理的精度预测整体变形趋势的可行性。更重要的是，这些代理模型将计算成本降低了几个数量级，从而能够快速探索设计方案，并在碰撞安全性评估中实现早期优化。这使得工程师能够评估更多设计方案，加速开发更安全、更高效的车辆。虽然目前的模型尚未达到传统有限元分析的精度，但它们代表着朝着人工智能驱动的仿真技术革新汽车安全设计的未来迈出的重要一步。未来的研究将着重于改进速度和加速度的预测、材料失效建模以及减少训练所需的数据量。这项工作为人工智能驱动的仿真奠定了基础，为更快、更具创新性的汽车安全设计铺平了道路。

基于神经网络代理模型的碰撞预测

研究人员率先开发了一种基于机器学习的代理模型，用于车辆碰撞安全性评估，显著降低了计算需求。这些模型通过学习预测碰撞场景中的结构变形，为传统的、计算密集型的有限元模拟提供了一种更快捷的替代方案。该研究采用PhysicsNeMo框架，对MeshGraphNet和Transolver这两种最先进的神经网络架构进行了碰撞动力学建模研究。这种创新方法有望加速车辆设计，并使工程师能够探索更广泛的安全特性。

为了捕捉碰撞事件的瞬态特性，科学家们研究了三种不同的模型策略来模拟结构随时间的变化：时间条件建模、标准自回归方法以及结合了基于滚动测试训练的稳定性增强型自回归方案。这些模型基于包含150个白车身（BIW）碰撞模拟的综合数据集进行训练，该数据集代表了结构复杂且具有实际制造偏差的车辆装配。这种细致的数据准备确保了模型训练所用的数据集能够代表真实世界的车辆结构和制造公差。模型成功地以合理的精度捕捉到了整体变形趋势，证明了将机器学习应用于结构碰撞动力学的可行性。

尽管这些模型尚未达到传统有限元分析的精度，但它们在计算成本方面实现了数量级的降低，从而能够快速探索设计方案，并在碰撞安全性评估中实现早期优化。这一突破使工程师能够探索更广泛的设计方案，加速开发更安全、更高效的车辆。这项研究展示了科学计算中从“物理优先”到“数据优先”方法的范式转变，为汽车行业带来了变革性的能力。未来的工作可能会侧重于提高模型的精度，将其应用范围扩展到更广泛的碰撞场景，并将更复杂的物理过程融入到仿真中。

机器学习预测车辆碰撞变形

研究人员已证实，机器学习可以作为一种计算效率更高的替代方案，用于评估车辆的碰撞安全性，以取代传统的有限元分析。通过开发和评估神经网络模型 MeshGraphNet和Transolver，他们证明，该方法能够以显著降低的计算成本预测碰撞场景中的结构变形。这一突破有望加速车辆设计，并使工程师能够探索更广泛的安全特性。

这些模型利用未变形的网格几何形状和部件特征来预测碰撞过程中变形的时空演变。实验表明，这些机器学习模型能够以合理的精度成功捕捉整体变形趋势。为了优化预测性能，研究团队探索了三种不同的瞬态动力学建模策略：时间条件方法、标准自回归方法以及稳定性增强型自回归方案。这项突破性成果显著降低了计算成本，从而能够快速进行设计探索，并在碰撞安全性评估中实现早期优化。

这使得工程师能够评估数量更多的设计方案，并更高效地找到最优解。这项研究为人工智能驱动的仿真奠定了基础，为更快、更具创新性的汽车安全设计铺平了道路。未来的工作可能会侧重于提高模型的精度，将其应用范围扩展到更广泛的碰撞场景，并将更复杂的物理原理融入仿真中。

机器学习快速预测碰撞变形

这项研究成功展示了机器学习代理模型在预测汽车碰撞事件复杂非线性动力学方面的可行性和有效性。所开发的框架能够精确预测复杂白车身系统的全场结构变形，与详细的有限元模拟结果高度吻合。通过用训练好的机器学习模型替代计算量巨大的数值求解器，模拟时间显著缩短。研究团队考察了两种神经网络架构：Transolver和MeshGraphNet，以及不同的结构随时间变化建模策略。

结果表明，两种架构在碰撞动力学建模方面均展现出良好的应用前景。Transolver在预测长期变形方面表现出良好的精度和稳定性，而MeshGraphNet则提供了一种具有竞争力和可解释性的替代方案，尤其擅长模拟网格内的局部相互作用。对不同瞬态动力学建模方法的比较表明，自回归滚动训练和时间条件方案均能实现精确预测。仿真时间的显著提升有望变革汽车设计和工程。碰撞安全性分析现在可以集成到设计的早期阶段。