Page 202 - 《爆炸与冲击》2026年第6期

第 46 卷 闫凯波，等： 基于机器学习的新型多胞梯度结构设计与优化 第 6 期

的确定，为梯度结构的工程应用提供了设计依据。
在新型吸能结构设计中，确定最优设计参数是保障其优良抗冲击性能的关键环节，而智能优化算法
凭借高效求解复杂系统优化问题的优势，近年来已在该领域广泛应用且成效显著，典型算法包括灰狼优
化算法、遗传算法及粒子群算法等 [16] 。Wang 等 [17] 将改进型多目标粒子群优化算法（multi-objective
particle swarm optimization, MOPSO）与广义几何分析相结合，完成双向功能梯度板的多目标优化；Miao 等 [18]
采用 MOPSO，实现了多孔阵列圆管的结构优化；Li 等 [19] 构建了克里金代理模型，为仿生直锥形管结构的
多目标优化提供支撑；Yin 等 [20] 通过多项式回归模型与 MOPSO 的融合，完成了 6 种仿生薄壁结构的优
化设计；Zhang 等 [21] 则结合响应面法与非支配排序遗传算法，开展了异形管的多目标优化研究。
综上，当前大多数吸能结构的设计仍主要依赖单一方法，如多胞设计、波纹设计或功能梯度设计
等。此外，这些结构的参数优化过程也大多沿用传统的代理模型与优化算法。为进一步提升薄壁结构
的抗冲击性能，本文融合多胞、波纹与功能梯度 3 种设计理念，构建一种集成化设计方法：首先建立不同
多胞管的有限元（finite element, FE）模型并进行数值模拟，通过对比分析评估其耐撞性能；随后以新型多
胞梯度结构管（corrugated multicellular gradient hexagonal tube, CMGHT）的肋板与外管几何参数为设计变
量，采用全因子试验设计生成样本点，并采集相应的力学响应数据；在此基础上，构建以几何参数为输
入、耐撞性指标为输出的冠豪猪算法优化的支持向量回归模型（crested porcupine optimizer optimized
support vector regression model, CPO-SVR），实现对 CMGHT 吸能特性的高精度预测；最后，将 CPO-
SVR 模型与多目标浣熊优化算法（multi-objective coati optimization algorithm, MOCOA）相结合，进行参数
优化，从而确定 CMGHT 的最优特征参数组合。

1 多胞梯度结构设计

1.1 设计思路
设计一种可平铺拼接的吸能结构单胞元，探究其吸能性能，为胞元阵列化组合构建大尺寸吸能结构
提供基础。为便于胞元组合，选择在传统六边形管（hexagonal tube, HT）的基础上进行改进，提出一种新
型结构。初始 HT 内部为中空状态，无法有效利用吸能空间，造成空间浪费，因此首先通过增设肋板形成
多胞六边形管（multicellular hexagonal tube, MHT）。此外，肋板边长越大，其等效承载边长相应增加，结构
吸能能力也随之提升。基于此，本研究引入波纹设计，在不改变吸能空间的前提下，将直肋板优化为正
弦波纹肋板，通过增大肋板等效承载边长构建波纹多胞六边形管（corrugated multicellular hexagonal tube,
CMHT），同时可通过调控正弦波纹幅值，进一步增加肋板的等效承载边长，实现吸能性能的优化。尽管
上述改进可以显著提升结构的吸收能量，但也可能导致初始峰值压缩力过高。为此，引入梯度设计方
法，使外管厚度沿轴向自碰撞接触界面至远离碰撞界面依次增大，该设计在确保结构吸能性能的同时，
能够显著降低初始峰值压缩力，由此得到新型多胞梯度结构管（CMGHT），详细设计思路如图 1 所示。

Add ribs Add corrugations Add gradient

HT MHT CMHT CMGHT

图 1 CMGHT 的构建过程
Fig. 1 The construction process of CMGHT
1.2 面外压缩性能指标
采用以下吸能指标 [22] 定量分析 CMGHT 的耐撞性与吸能特性。
吸收能量 E 定义为结构的力（F(x)）-位移（x）曲线在有效压缩位移 δ 内的积分：
a

061442-3