论文部分内容阅读
本文提出了一种基于人工智能相关技术的汽车结构件应力预测方法。利用网格重构、普氏分析及主成分分析实现零部件几何形状的参数化,结合传统有限元分析实现深度学习训练样本快速生成,基于卷积神经网络技术构建了深度学习应力预测模型。本文以汽车车门防撞梁三点弯曲工况为例,通过对深度学习模型输出应力和传统有限元分析获得的应力进行对比,应力值误差可控制在5%以内,且基于深度学习的应力预测时间仅为有限元方法的1‰。研究结果表明了基于深度学习的结构件应力预测方法的可行性及可靠性,可以推广到其他汽车零件的应力预测中,显示了人工智能在计算机辅助工程(CAE)仿真分析中的应用潜力与前景。