借助 AI 驱动的仿真实现高效车辆设计

它们是不显眼的救命法宝：两条侧裙板可在车辆偏离道路并从侧面撞上路边树木等情况下保护车内乘员。在纯电动汽车中，它们还另有一项重要任务：保护高压电池。电池安置在左右侧裙板之间，以免在事故中过度变形。因此，研发人员投入大量工作来优化其各个组件的碰撞特性。

他们对侧裙板的最佳碰撞特性有着清晰的构想：变形（入侵）曲线应尽可能稳定，没有太大的局部波动。碰撞时的外力与侧裙板侵入量之间的这种关系，可以用一条理想曲线来表示。它应该尽可能接近部件的实际特性。

在研发过程中，这类优化通常采用模拟方法，因为用于碰撞测试的原型车非常昂贵。在广泛使用的有限元方法 (FEM) 中，通常会将真实车辆或部件分解成小四边形（“元素”）以进行碰撞模拟，这些四边形的角则称为“节点”。发生撞击时的特性可通过各个元素对外力的反应来计算——有限元方法模型包含的元素和节点越多，计算出的特性就越精确。“然而，更高的精度也意味着更大的计算量。”保时捷工程公司计算工程师约翰内斯·普法勒 (Johannes Pfahler) 解释道，“有限元方法模拟需要高性能的计算机，对于一个整车模型来说，一次碰撞计算可能需要一天或更长时间。”

纯电动汽车侧裙板的碰撞模拟也是如此。这个部件来自保时捷股份公司的一个前期开发项目。为了优化各个组件，保时捷工程公司的工程师们可以在 14 种壁厚之间选择，并将每一种变体的碰撞特性与理想曲线进行对比。如果计算工程师在此使用了具有 960 万个元素和 660 万个节点的有限元方法整车模型，一台具有 128 个微处理器核 (CPU)的计算机将忙碌近 20 个小时——只是为了计算仅仅一种侧裙板变体的碰撞特性。即使是一个由侧裙板、车底和电池结构组成的简化有限元方法部件模型（160 万个元素和 190 万个节点），在每一次模拟时，仍然需要一台拥有 64 个 CPU 的计算机忙碌四个小时以上才能完成计算。因此亟需一种更高效的方法，以测试数百或数千种不同壁厚侧裙板变体的个性化碰撞特性。

智能设计：保时捷工程公司没有进行复杂的模拟（左），而是使用高效的人工智能方法（右）来找出最佳的侧裙板。

由此开始，就是保时捷工程公司人工智能和大数据部门总监约阿希姆·舍珀博士 (Dr. Joachim Schaper) 及该公司其他人工智能专家发挥本领的地方了。他们的构想是：通过结合强化学习 (RL) 和神经网络 (NN) 这两种人工智能方法，应该能够以合理的计算量找出最佳的侧裙板变体。在强化学习中，一套算法（称为“智能体”，英语：agent）会与其环境互动，并不断通过反馈进行学习——通过对导致良好结果的行为进行奖励加分，并对失败的行为进行惩罚扣分。在这一案例中，其目标是在一段时间之后找出得分尽可能高的变体。要做到这一点，强化学习智能体应通过改变 14 项壁厚，来逐渐接近侧裙板的理想碰撞特性。

原则上，通过基于有限元模拟的每一种建议变体的碰撞特性，就可确定每种具体情况的成功程度——如果为此所需的计算量和时间不太多的话。所采用的第二种人工智能方法，可以大大减少工时耗费：强化学习智能体所需的反馈，不是由模拟方法，而是由一个神经网络来提供的。“我们事先借助了模拟数据来训练它：根据输入的壁厚，预测输出侧裙板的碰撞特性。”舍珀解释说，“每一种侧裙板变体只需要几秒钟就可以完成预测，而传统模拟方法则需要几个小时。而且，使用强化学习智能体不会降低反馈精度。”

结合两种人工智能方法，就可以对侧裙板展开优化了。第一次循环的 14 项壁厚并不是随机选择的，而是由保时捷股份公司车身前期研发专家菲利普·凯尔纳博士 (Dr. Philipp Kellner) 提供。“作为一名专家，他凭借多年的经验，清楚知道一套好的组合大致可能是怎样的。”普法勒表示，“所以强化学习智能体的起点已经相当不错。”然后，神经网络将这一特定侧裙板变体的碰撞特性与理想曲线进行对比，并将偏差作为反馈输入智能体中，而智能体又将下一组 14 项壁厚的组合提交给神经网络。这一过程已重复了数千次，每一次迭代，强化学习智能体和神经网络都会帮助人工智能团队朝目标更进一步：找出最佳的侧裙板。

强化学习的优势在此展露出来。“我们考虑了很久，哪种人工智能方法可能对这项任务最有效。”舍珀报告说，“强化学习的优势就在于：智能体会记下其试验的历史。也就是说，它知道截至目前为止，哪些做法的效果好，哪些的效果不好。这是制定优良策略，从而高效优化侧裙板的一个重要前提。”事实证明，他对强化学习方法的信心是合理的：经过几千次的迭代，这两种人工智能方法提供了一个与理想曲线拟合足够好的侧裙板变体（请见第 40 页的插图）。目标就此实现——而且耗时只相当于传统方法的零头。

研发人员总共花费了大约 23 天的计算时间来实现他们的目标。到目前为止，花费工时最多的环节，是用于训练或验证神经网络的 548 次碰撞模拟。它们基于进一步简化的侧裙板有限元方法模型，该模型只包括大约 13.2 万个元素和 12.9 万个节点。每一个变体的每一次碰撞都可以在一个小时之内计算出来——而且只需要一台有四个 CPU 的普通工作站。“如果我们用传统模拟方法在 548 种变体中寻找最佳的侧裙板，那么需要一台高性能计算机忙碌96 天。”普法勒解释说，“此外，如果我们选择了在参数空间的错误范围内发起寻找，就可能已经错过了最佳壁厚——这就需要继续进行费事费力的模拟。”

优化项目开始于 2020 年底，并首先对当前的技术水平进行了分析。在 2021 年第一季度，就已经有了神经网络的训练和验证数据集，这个网络在第二季度得到了训练。与此同时，保时捷工程公司的人工智能专家研发出了强化学习智能体，并最终让其负责执行侧裙板的优化。他们目前正致力于利用两种人工智能方法的成功结合来实现进一步优化。“例如，我们想要确认，预先训练好的强化学习智能体在针对不同的碰撞或不同的部件时，是必须研发全新的策略，还是可以对旧策略加以再利用。”普法勒说。

将来，强化学习智能体将用于寻找针对前部和后部碰撞进行优化的可能性。此外，舍珀、普法勒和其他同事们还想研究如何能更高效地实施这一方法。“我们利用 300 个数据集训练了用于侧裙优化的神经网络，使这个神经网络得出了非常精确的结果。”舍珀报告说，“然而，这是一个异常庞大的数据量，因为通常只有 10 到 20 个模拟结果可以用于训练。”现在的问题是：即使训练数据明显减少，神经网络仍能提供准确的碰撞特性信息吗？训练强度和精度之间的最佳折衷点在哪里？神经网络的错误率在多大范围内是可容忍的？“已经确定的是，我们可以将人工智能应用于部件优化。”普法勒总结道，“现在的任务是改进这一方法并将其整合到批量研发之中。”

保时捷工程公司的人工智能专家们已经通过 PERL 项目（Porsche Engineering Reinforcement Learning，保时捷工程公司强化学习，请见2021/1期）了解到，强化学习和神经网络相结合，可以提供重要的推动力：借助强化学习，团队得以自动找出发动机的最佳应用策略，该策略普遍适用于具有不同设计和排量以及不同涡轮增压系统的车型。“PERL 和目前的项目有许多相似之处：例如，两者都涉及在一个较大搜索空间内寻找最佳组合的问题。”舍珀解释说，“而这也再次表明：强化学习是人工智能领域中执行优化任务的王道之选。”

通过结合强化学习和神经网络这两种人工智能方法，保时捷工程公司得以在无需使用高性能计算机的情况下，非常高效地优化侧裙板。现在，他们正在研究如何使这一方法进一步自我改进，以及还可将之应用于哪些其他领域。

本文首次发表于《保时捷工程杂志》2022年第1期。

作者：Christian Buck
摄影：Jurij Chrubasik

版权：本文中发布的所有图片、视频和音频文件均版权保护。未经保时捷工程书面许可，不得部分或全部复制。欲了解更多信息，请联系我们。

您有问题或想了解更多信息吗？请联系我们：info@porsche-engineering.de