摘 要：某电动汽车侧面柱碰工况电池模组截面峰值力（Fmax）超标，为提升电池碰撞安全性，同时实现车身轻量化，开展门槛梁截面参数优化。选取26个厚度及位置参数作为优化变量，以减小Fmax和门槛梁质量作为目标，以电池模组最大挤压变形量（dmax）和塑性应变（εpmax）作为约束。首先通过最优Latin超立方生成样本，基于样本建立全连接神经网络近似模型，然后运用NSGA-Ⅱ算法开展多目标优化，最后将优化结果代入仿真进行验证。结果表明：优化后电池模组Fmax由21.8 kN降低至20 kN以下，达到了安全要求；同时，门槛梁减重1.41%～4.02%，实现了轻量化效果。进一步分析表明，部分方案电池模组dmax和εpmax也同步降低，在减重的同时更全面地提升了电池的碰撞安全性。

 

关键词： 侧面柱碰；电池安全；近似模型；轻量化；有限元仿真

 

发展新能源汽车是应对排放污染和石油能源过度消耗的重要措施。近10年，以电动汽车为代表的新能源汽车产业得到了快速发展，市场保有量和渗透率逐年增加。随着电动汽车的发展，其安全问题也受到了越来越多的关注[1]。与传统燃油车相比，电动汽车的碰撞安全设计难度更大：一方面，为了提高续航能力，电动汽车需要安装质量较大的动力电池，导致整车质量普遍高于同级别的燃油车，碰撞时惯性和能量更大，对结构的抗撞性要求更高；另一方面，电池壳体本身在一定程度上充当着碰撞传力的路径，电池模组在受到严重冲击和挤压时容易发生失效、漏电、起火甚至爆炸等现象，在考虑乘员安全的同时还要额外考虑对动力电池的保护[2-3]。

 

常见的汽车事故类型有正面碰撞、侧面碰撞和追尾碰撞等。侧面柱碰是侧面碰撞的一种特殊形式，是指汽车横向与路边柱状物(树木、交通指示牌等)发生碰撞的情形。侧面柱碰工况下，车身与障碍物接触面小，受力集中，而车身侧围结构又相对薄弱，几乎没有车身结构变形吸能空间可以利用[4-5]，因此很容易产生较大的局部变形，进而挤压到动力电池，危害电池安全。侧面柱碰对电池的保护难度远高于正面碰撞和追尾碰撞。侧面柱碰试验纳入了2021版中国新车评价规程(China-New Car Assessment Program，C-NCAP)，规程中要求电动汽车强制进行测试[6]。

 

车身门槛梁是侧面柱碰撞工况中起抵抗变形、吸收碰撞能量和保护电池作用的最主要结构。与传统冲压钣金结构相比,“宫格形”截面的挤压铝型材门槛梁具有质量更轻、抗弯和吸能特性更好等优势，是当前电动汽车上广泛应用的结构形式。门槛梁的正向开发中，概念阶段主要借助拓扑优化方法来获得符合结构碰撞变形策略要求的截面传力路径[7-9]，然后结合制造、装配等工艺因素形成初始截面设计方案。在详细设计阶段，需要进一步对门槛梁截面外轮廓及内部加强筋的厚度和形状做参数优化，以达到碰撞安全性和轻量化的最优平衡。由于碰撞工况非线性程度高，通常需要利用进化算法(如遗传算法、粒子群算法等)来搜索全局最优解，但迭代中会进行数以千计的仿真计算，耗费巨大资源[10]。基于近似模型的优化方法可大幅提高优化效率，是结构碰撞优化领域常用的方法之一。姚再起等[11]通过搭建响应面近似模型，结合遗传算法开展了某车型门槛梁截面优化，在抗撞性提升的同时实现了轻量化效果。近似模型法的主要缺点是变量较多时需要大量增加样本才能保证其精度，导致仿真计算成本的增加。等效静态载荷法(equivalent static loads method，ESLM)是另一种在结构碰撞优化领域被广泛应用的优化方法，其基本原理是将瞬态非线性碰撞优化问题转化为静态多工况优化问题，而静态问题可由梯度法进行快速求解[12]。陆善彬等[13]采用ESLM开展了汽车前端结构抗撞性优化，结果表明该方法可高效高精度求解碰撞优化问题。受ESLM启发，MA Yanhua等[14]提出了原理相近的等效静态位移法，用于解决接触力优化问题。然而，当碰撞工况的非线性非常显著时，ESLM还存在计算效率低、数值不稳定、收敛性变差等问题[15]，需要进一步研究和改进。除借助上述优化方法外，在门槛梁腔内增加泡沫铝、复合材料体等填充物来提高局部抗撞性能也是常用且有效的优化措施[16]。

 

本文以某电动汽车为研究对象，通过有限元仿真分析评估其在柱碰工况下的电池安全性。然后，选取门槛梁截面厚度和位置参数作为优化变量，采用基于近似模型的优化方法，按照生成实验设计样本、建立近似模型、遗传算法寻优及仿真验证的流程开展参数优化，实现电池碰撞安全性提升和车身轻量化的目的。

 

1. 某电动汽车侧面柱碰有限元仿真

 

1.1 有限元模型

有限元仿真分析是车辆被动安全设计领域广泛应用的验证方法。本文参考2021版C-NCAP侧面柱碰法规建立了某电动汽车侧面柱碰有限元模型，如图1所示。整个模型共包含13 751 669个节点、7 521 432个壳单元、6 697 344个体单元以及435 580个线单元。整车模型以32 km/h (约8.89 m/s)的初速度侧面撞击直径为254 mm的刚性立柱，撞击方向与车辆纵向中心线之间成75°夹角，过刚性立柱中心线与假人头部重心的平面平行于碰撞方向[17]。运用Ls-Dyna软件进行计算，采用大规模并行处理(massively parallel processing，MPP)计算方法，中央处理器(central processing unit，CPU)核数为256，单次计算时间约8 h。

 

图1 某电动汽车侧面柱碰有限元模型

 

1.2 仿真结果分析

为了更好地展示门槛梁及电池包在碰撞过程中的局部变形过程，截取了不同时刻门槛梁和电池包撞击位置的剖面图，如图2所示。碰撞初期左前门首先与刚性立柱接触，直到15 ms时门槛梁开始正式参与碰撞变形；随后，门槛梁受到挤压，截面产生屈曲变形，发挥抗撞和吸能作用，到35 ms时基本被完全压溃；同时，电池包壳体也在撞击作用下产生较大变形，电池包边框开始挤压到电池模组；随着碰撞的进行，门槛梁截面进一步溃缩，电池模组局部也产生肉眼可见的挤压变形，并在48 ms左右达到最大挤压状态；之后，门槛梁和电池包开始回弹，直到碰撞结束。

 

图2 撞击位置门槛梁及电池包局部变形过程

 

为了定量评估碰撞结果，定义电池模组截面力(F)、挤压变形量(d)和塑性应变(εp) 3个参数来综合表征电池包的受撞击程度，如图3所示。其中，F用来描述模组整体的受力情况，d用来描述模组整体的受挤压情况，εp则用来描述模组局部的变形和破损情况，3个参数的数值越大表示撞击越严重，电池发生失效、漏电和热失控的风险越大。

图3 电池碰撞安全量化参数

 

基础状态下，撞击位置每个电池模组F、d和εp在碰撞过程中的变化情况如图4所示，其趋势与门槛梁和电池包的变形过程相吻合。从大约15 ms开始，门槛梁开始与刚性立柱接触，撞击力经门槛梁传递到电池包，产生与碰撞方向相反的加速度，在惯性作用下，电池模组内部产生轻微的挤压变形，截面力随之上升，同时在局部也产生了较小的塑性应变；随后，门槛梁开始溃缩，吸收碰撞能量和撞击力，电池模组整体发生回弹，截面力随之下降；直到35 ms左右，门槛梁基本被完全压溃，电池模组开始与边框产生直接接触，截面力F、挤压变形量d和塑性应变εp迅速增大，并在48 ms左右达到峰值；回弹阶段，电池模组产生的弹性变形开始回复，挤压变形量d逐渐下降，最后剩余稳定的残余塑性变形，截面力F快速下降到几乎为零，局部不可回复的塑性应变εp在达到峰值后基本保持不变。

 

图4 电池碰撞安全量化参数vs碰撞时间曲线

 

根据电池生产厂商提供的测试数据，每一个模组的3个参数的峰值需同时满足Fmax< 20 kN、dmax< 5 mm且εpmax< 0.4才能够充分保证电池的碰撞安全。基础状态下，Fmax、dmax和εpmax分别为21.8 kN、4.98 mm及0.32。其中，εpmax和dmax满足安全设计要求，但dmax安全余量较小，可进一步优化；Fmax不满足安全设计要求，是待优化对象。

 

2. 门槛梁截面参数优化

 

2.1 参数优化问题

本文以提高电池碰撞安全性和实现车身轻量化为目的开展门槛梁截面参数优化，所定义的优化问题如式(1)-式(4)所示。式中，t = [t1, t2, …, t22]代表22个门槛梁截面厚度变量，s = [s1, s2, s3, s4]代表4个门槛梁截面位置变量，如图5所示(4个位置变量用红色线标出，s1和s2沿Y轴移动，s3和s4沿Z轴移动)。厚度变量的优化范围为在初值基础上浮动(±30)%，且满足最小值不低于1.8 mm、最大值不超过6.5 mm的工艺约束；位置变量的优化范围为-5～5 mm。

 

 

图5 门槛梁截面参数优化变量及其初值

 

2.2 基于近似模型法的参数优化流程

由于仿真计算时间成本较高，工程领域通常采用近似模型法开展优化以提高优化效率。该方法主要包含生成样本、搭建近似模型、优化算法寻优和仿真验证4个步骤[18]，详细过程如图6所示。

 

图6 基于近似模型法的参数优化流程

 

本文采用最优Latin超立方抽样法生成优化变量的实验设计(design of experiment， DOE)样本，共500组。然后通过仿真计算每个样本对应的响应值Fmax、dmax和εpmax并导出质量m，与变量DOE样本合并成完整的样本数据，用于后续搭建近似模型。

 

为了更好地描述碰撞工况下变量与响应之间的高度非线性关系，选择机器学习领域具有强大数据拟合和泛化能力的全连接神经网络(fully connected neural network，FCNN)来建立近似模型。为降低难度，为每一个响应分别建立FCNN模型并单独训练。每个FCNN模型均包含3层隐藏层，每层15个神经元，激活函数为双曲正切函数，损失函数为计算值与真实值的均方误差，通过误差反向传播法更新网络参数。样本数据的80%用于训练模型，剩余的20%用于验证训练效果，并通过决定系数(coefficient of determination)R2来量化模型预测精度，数值越大表示精度越高，最大为1。最终验证结果如图7所示。可以看出，质量m预测精度极高，R2接近为1，这是由于质量m与变量之间为简单线性关系，拟合难度低；Fmax、dmax和εpmax 3个响应与变量之间为高度非线性关系，拟合难度大大增加，R2降低到0.86～0.89，但总体满足近似模型的精度要求。

 

 

 

图7 FCNN近似模型预测精度验证

 

在寻优阶段，本文选择第 2 代非支配排序遗传算法(non-dominated sorting genetic algorithms-Ⅱ，NSGA-Ⅱ)作为优化算法，该算法在处理多变量、多目标、多约束的复杂非线性优化问题时具有较强的全局寻优能力[19]。相关参数设置为：初始种群数量60、交叉率0.8、交叉分布指数4，变异分布指数6，最大迭代次数500，变量格式设置为离散变量(取值间隔0.1)。优化过程中，NSGA-Ⅱ调用训练好的FCNN计算目标响应Fmax和m以及约束响应dmax和εpmax，并执行排序、择优和交叉/变异操作，实现种群的优化迭代。

 

2.3 参数优化结果

由于是多目标优化问题，最终得到的最优解为一组Pareto解集，如图8所示，该解集共包含21个解，各个解相互之间均为非支配关系，没有绝对最优解[20]。图中A区域的4个解具有较高的轻量化水平，且电池模组截面峰值力Fmax也低于基础状态，电池安全性得到提升，但仍没有达到Fmax< 20 kN的安全区间；相反，图中C区域的11个解电池模组截面峰值力Fmax更低，电池安全性更好，但门槛梁质量m增大，牺牲了轻量化；图中B区域的6个解既将电池模组截面峰值力Fmax优化至满足安全性要求，同时也实现了轻量化效果，达到了预期优化目的，是综合相对较优的方案，后续将作为备选优化方案代入仿真做进一步验证，详细结果见表1和表2。

 

表1 备选优化方案变量值 单位：mm

 

表2 备选优化方案目标与约束值

 

表3 备选优化方案仿真验证结果

图8 门槛梁截面参数优化Pareto最优解集

 

3. 优化方案仿真验证

 

由近似模型精度验证结果可知，除了门槛梁质量 m以外，近似模型对其余 3 个响应Fmax、dmax和εpmax的预测精度均不能完全代替仿真结果。因此，还需要将表1中所列的备选优化方案代入有限元模型进行计算，并提取电池碰撞安全量化参数的峰值Fmax、dmax和εpmax，验证其是否满足Fmax < 20 kN、dmax < 5 mm 且 εpmax < 0.4的安全约束条件，以最终确定优化方案的有效性，验证结果如表 3 所示。从表中可以看出，基于近似模型法优化得到的方案2和方案 5 的仿真验证结果不满足Fmax < 20 kN、dmax < 5 mm且εpmax < 0.4 的安全设计要求，为无效方案；其他4个方案为有效方案，与基础状态相比，不仅电池模组截面峰值力Fmax由21.8 kN 降低至 20 kN以下，达到安全要求，同时门槛梁减重1.41%～4.02%，实现了不同程度的轻量化效果。优化前后门槛梁截面对比如图9 所示，图中蓝色数字表示优化后厚度增加，绿色数字表示优化后厚度减小。

 

图9 优化前后门槛梁截面对比

 

另外，对于方案 1 和方案 4，不仅电池模组截面峰值力 Fmax 降低，电池模组最大挤压变形量 dmax 和最大塑性应变 εpmax 也都同步减小，为电池碰撞预留了更大的安全余量，降低了失效、漏电和热失控风险，在减重的同时更全面地提高了电池的碰撞安全性。优化前后电池碰撞安全量化参数 F、d 和 εp的变化过程对比如图10 所示(仅选择峰值最大的情况做对比)。其中，方案 1 门槛梁质量m 由 19.14 kg降低至 18.37 kg， 减重 4.02%，Fmax、dmax和εpmax分别下降 13.35%、13.25%和12.50%；方案 4 门槛梁质量 m 由19.14 kg 降低至 18.71 kg，减重 2.25%，Fmax、dmax和 εpmax分别下降 15.96%、15.66% 和 6.25%。

 

图10 优化前后电池碰撞安全量化参数变化过程对比

 

4. 结论

 

车身门槛梁是侧面柱碰工况中起抗撞和吸能作用的主要结构之一。为了降低某电动汽车侧面柱碰工况电池模组截面峰值力(Fmax)，提升电池碰撞安全性，同时实现车身轻量化，开展了门槛梁截面参数优化。优化变量为截面26个厚度及位置参数，优化目标为减小Fmax和门槛梁质量，约束为电池模组最大挤压变形量(dmax)和塑性应变(εpmax)，采用基于近似模型的优化方法进行优化，最后将优化结果代入仿真进行验证。所得到的结论总结如下：

 

1) 采用全连接神经网络(FCNN)近似模型来描述变量与响应之间的高度非线性关系。经验证，电池模组的Fmax、dmax和εpmax的预测精度(R2)在0.86～0.90，总体满足精度要求。

 

2) 最终获得4个有效优化方案，与基础状态相比，电池模组Fmax由21.8 kN降低至20 kN以下，达到了安全要求，同时门槛梁减重1.41%～4.02%，实现了不同程度的轻量化效果。

 

3) 4个有效方案中， 方案 1 和方案 4 电池模组dmax和εpmax也同步减小，为电池碰撞预留了更大的安全余量，降低了失效、漏电和热失控风险，在减重的同时更全面地提高了电池的碰撞安全性。

 

来源：期刊-《汽车安全与节能学报》作者：何荣 海1,3，蒋建中1，姚再起2，马 凯2

 

（1. 浙江大学 材料科学与工程学院，杭州 310000，中国； 2. 吉利汽车研究院（宁波）有限公司，宁波 315000，中国；3. 宁波吉利汽车研究开发有限公司，宁波 315000，中国）

 

 

 

来源：Internet

关键词： 电动汽车 轻量化