上一篇介紹瞭如何建立車身模態分析的機器學習模型和代理模型的建立方法，本文介紹基於代理模型的整車多學科最佳化及輕量化最佳化分析。
本例中考察彎曲剛度、彎扭模態、正碰三個工況。約束彎曲剛度、彎曲模態、扭轉模態、B柱加速度和防火牆侵入量效能，以質量最小為設計目標。分別建立以上所有設計響應的代理模型。最後使用遺傳演算法進行整車多學科及輕量化最佳化。
剛度：
模態：
FRB：
每個工況的設計變數如下表所示：
一. DOE分析
DOE分析選擇拉丁方法，剛度和模態分析使用nastran求解器，因此呼叫pyNastran進行bdf求解檔案的修改，並後臺呼叫nastran完成所有DOE樣本的求解。正碰分析使用LSDYNA求解器，呼叫qd。dyna進行k檔案的引數修改，並後臺呼叫LSDYNA完成所有DOE樣本的求解。以上呼叫求解器進行DOE分析時透過pool函式來平行計算DOE樣本。
二.建立代理模型
對質量、剛度、模態、加速度和侵入量分別建立riging模型，並定義R2值計算函式校核代理模型的精度。
進行模型訓練，並計算R^2值
Kriging模型訓練結果：
質量代理模型：
彎曲模態代理模型：
扭轉模態代理模型：
彎曲剛度代理模型：
B柱加速度代理模型：
防火牆侵入量代理模型：
代理模型精度結果：
R2值均大於0。95，滿足工程要求。
三.基於代理模型的多學科最佳化及輕量化最佳化
多學科最佳化數學模型：
構建最佳化問題模型：
使用遺傳演算法進行多學科輕量化求解：
設計目標迭代歷史：
最佳化解：
最終在滿足所有效能要求的前提下獲得了質量最小最優解。
總結：
1。透過建立的代理模型進行多學科最佳化，以質量最小為設計目標，在滿足所有效能要求的基礎上得到了最優質量最小解。
2。以上所有過程均透過Python環境實現，相比較商業最佳化軟體，具有更大的靈活性和高效性。
3。在進行代理模型建立時，需要根據DOE樣本資料進行建立並進行精度驗證，關於DOE樣本點個數的選擇至關重要，且對於如結構碰撞分析完成一次計算需要大量的時間，因此如何選擇滿足代理模型精度所需的最少DOE樣本點個數是至關重要的。目前解決的辦法是透過Adaptive DOE技術。
在Isight（
2020
）、optimus（
2019
）、modefrontier（
2020R3
）、LS-OPT（
7.0
）（
以上版本軟體均有實際測試
）的版本中均有AdaptiveDOE方法可以實現。
下期介紹基於機器學習的整車多學科最佳化及輕量化最佳化案例。
