Page 212 - 《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

其不仅在 E 与 η 上表现最佳，同时 F ma x 与 F 相较于解 A、解 C 也保持在较优水平，综合性能更均衡。为
a
s
验证解 B 的可靠性，将其参数构建 FE 仿真模型结果与解 B 的预测结果进行对比，如表 10 所示，可以看
出所有误差均小于 4%，证明帕累托前沿解的准确性。由上述分析结果可见，基于机器学习构建的代理
模型相较传统预测模型优势显著，该类模型无需预设函数形式，可精准拟合 CMGHT“特征参数-吸能特
性”间的强非线性耦合关系，同时依托正则化、交叉验证等策略有效抑制过拟合，泛化能力更优，训练完
成后可快速输出预测结果，与 MOCOA 等多目标优化算法高度适配。该模型能够替代耗时的有限元数
值仿真，大幅降低优化迭代的计算成本，可良好适配 CMGHT 的迭代设计需求。

表 9 三种帕累托最优解的对比 表 10 模拟结果与预测结果的对比
Table 9 Comparison of the three Pareto Table 10 Comparison of the simulation and
optimal solutions prediction results
−1
解 E sa /(J·g ) F max /kN F/kN η/% 方法 E sa /(J·g ) F max /kN F/kN
−1
A 12.35 118.92 96.3 80 预测 13.06 146.03 129.1
B 13.06 146.03 129.1 88 仿真 13.33 150.81 132.1
C 12.86 187.11 156.2 83 误差 2% 3.1% 2.2%

图 11 为优化后 CMGHT 的力-位移曲线，可 300
以看出，该结构的 F x 出现在有效压缩行程末
ma
端，撞击载荷随压缩位移增大呈梯度上升趋势， 250
此特征与管壁厚度沿压溃方向递增的梯度结构 200
设计直接相关。该梯度设计可有效降低结构的 150
F max ，使结构的变形吸能过程更趋稳定，同时通过 Force/kN
调控各段管材的长度与厚度参数，能够实现对有 100
效压缩行程内压缩力变化规律的精准调控。此
50
外，从图 12 可看出，该结构整体呈现对称且稳定
0
的压溃变形模式，全程未出现弯曲失稳现象，变 0 10 20 30 40 50 60 70
形产生的褶皱均匀分布于外管 1、2、3 的表面， Displacement/mm
进一步验证了其压缩吸能过程的稳定性。内嵌 图 11 解 B 有限元仿真力-位移曲线
肋板则与外管形成协同变形效应，在压溃过程中 Fig. 11 Force-displacement curve of FE
随外管逐步变形并相互挤压，进一步提升了结构 simulation for Solution B
的整体能量吸收效率。

(a) Overall deformation

(b) Rib plate deformation

图 12 优化后 CMGHT 压缩变形
Fig. 12 Deformation sequence of the optimized CMGHT

061442-13