显式有限元下薄壁结构吸能特性BP神经网络预测与分析

本文主要探讨了轴向载荷冲击作用下薄壁结构吸能特性的影响规律，并针对这一问题，作者谢素超、田红旗和周辉利用了显式有限元技术与BP人工神经网络相结合的方法，构建了一种预测模型。他们的研究对象是方形薄壁结构，通过实验调整结构质量、冲击速度、横截面尺寸和壁厚等关键参数，对结构的吸能特性进行了深入的数值分析。 在实验过程中，他们进行了大量的数值试验，收集了大量的数据，这些数据包括不同试验条件下结构的吸能特性参数，如能量吸收量、撞击力和撞击行程等。通过这些数据，他们训练了BP神经网络模型，以模拟和预测薄壁结构在不同条件下的吸能行为。值得注意的是，当训练步数达到2035步时，模型达到了预设的误差标准，显示出良好的精度。 具体来说，研究表明，该BP神经网络模型的输出结果与实际目标值非常接近，吸能误差值为-2.53%，撞击力误差值为4.679%，撞击行程误差值为-3.90%，这表明模型在预测薄壁结构的吸能特性方面具有较高的准确性和可靠性。这一成果对于理解和优化薄壁金属吸能结构在交通工具碰撞防护中的性能具有重要的工程应用价值。 本研究填补了国内利用显式有限元技术对典型薄壁结构吸能特性进行预测的空白，不仅扩展了现有理论研究，也为实际工程设计提供了有力的数值工具，有助于提高车辆和其他交通工具的安全性和经济性。