1. 课程导入与参数化碰撞优化全景
在整车安全开发中，碰撞性能往往是最"昂贵"的一项指标：它同时牵动车身结构、材料选型、焊点布置、约束系统匹配与整车重量。传统做法是"设计—试制—碰撞试验—修改"的串行循环，一轮物理样车碰撞试验的成本通常在数十万元量级，周期以周计。而一次完整的正面偏置碰撞有限元模型，单元规模常在 300 万～800 万之间，单次求解在 32 核工作站上可能需要 4～12 小时。这意味着，如果仅靠人工试错，工程师在有限的项目周期内只能验证极少数方案。
本课程要解决的核心问题就是：如何把"碰撞仿真"从一次性的验证工具，变成可批量、可寻优、可解释的设计决策引擎。围绕这一目标，我们以 LS-DYNA 为求解内核，以参数化建模与试验设计（DOE）为方法骨架，以代理模型与优化算法为加速手段，构建一条从几何参数到性能指标的完整数据链路。
LS-DYNA 在碰撞分析中的定位
LS-DYNA 是显式动力学有限元程序的代表，其核心求解形式为动力学方程 M·a + C·v + F_int = F_ext，通过中心差分法在时间域上逐步推进。碰撞问题具有三个典型特征：强非线性（材料塑性、接触、大变形）、短历时（通常 80～150 ms）、高应变率（应变率可达 10²～10³ s⁻¹）。这三点决定了显式积分比隐式更合适——无需组装整体刚度矩阵，无需迭代求解非线性方程组，代价是时间步长受 Courant 条件限制：Δt ≤ L_min / c，其中 L_min 是最小单元特征长度，c 是材料声速。
在整车碰撞中，LS-DYNA 承担的角色可以概括为"虚拟试验台"：它输出 B 柱加速度曲线、前围板侵入量、乘员舱生存空间、门框变形量、假人伤害值（HIC、胸部压缩量、大腿力）等指标。这些指标正是后续参数化优化的目标函数与约束条件。需要强调的是，LS-DYNA 本身不是优化器，它只负责"给定输入、返回响应"；优化能力来自外层的 DOE、代理模型与寻优算法。
参数化优化的价值：从"试错"到"寻优"
参数化优化的本质是把设计变量、约束与目标显式地写成数学形式，让计算机在可行域内自动搜索。以一个典型的正面 40% 偏置碰撞为例，可定义如下设计变量：前纵梁厚度 t1（1.2～2.4 mm）、前纵梁材料屈服强度 σs（340～780 MPa）、吸能盒长度 L（120～220 mm）、B 柱加强板厚度 t2（1.0～2.0 mm）。目标函数为 B 柱下端最大加速度 a_max 最小化，约束为前围板侵入量 d ≤ 120 mm、整车质量增量 Δm ≤ 8 kg。
若采用全因子设计，4 个变量各取 5 水平需要 625 次仿真，按每次 8 小时计算约 208 天，显然不可行。而采用拉丁超立方采样 60 个样本点建立 Kriging 代理模型，再用多目标遗传算法在代理模型上寻优，整体周期可压缩到 1～2 周。这就是参数化优化的直接价值：用可控的采样成本换取全局搜索能力。
整体工作流
本课程贯穿的工作流可归纳为六个环节，它们构成一条闭环的数据链，而非单向流水线：
- 参数化建模：用 ANSA/META 或 LS-PrePost 的脚本接口，把几何尺寸、板厚、材料卡片写成可替换变量，生成参数化关键字文件。
- 试验设计：根据变量维度与非线性程度选择 LHS、最优拉丁超立方或 Sobol 序列，确定样本规模。
- 批量求解：通过脚本调度 LS-DYNA，管理
*CONTROL_TERMINATION、*DATABASE_BINARY_D3PLOT等输出设置，保证各样本结果可比。 - 响应提取：从
d3plot、nodout、binout中自动读取加速度、侵入量、质量等指标，形成响应矩阵。 - 代理模型与优化：拟合 Kriging/RSM/神经网络模型，运行 NSGA-II 或梯度类算法，得到 Pareto 前沿。
- 验证与决策：对最优解回代全模型复算，确认误差可接受后输出设计方案。
下图给出这条工作流的信号与数据流向，同时标出每一步的关键输入、输出与判断节点，便于在后续章节中逐环节展开。
案例预览：一个可复现的起点
为了让后续章节有统一的讨论对象，本课程设定一个贯穿案例：某 B 级轿车正面 40% 偏置碰撞模型，整车质量 1580 kg，初始速度 64 km/h，碰撞墙为刚性墙，仿真时长 120 ms。模型包含白车身、动力总成、副车架、前后防撞梁与简化的乘员约束系统。设计变量取前纵梁内板厚度 t1、前纵梁外板厚度 t2、吸能盒壁厚 t3、B 柱加强板厚度 t4，取值范围分别为 1.2～2.4 mm、1.2～2.4 mm、1.0～2.0 mm、1.0～2.0 mm。响应指标包括 B 柱下端 X 向峰值加速度、前围板最大侵入量、整车质量增量与吸能盒压溃行程。
在后续章节中，我们会逐步完成：用脚本批量生成 60 组参数组合、并行提交 LS-DYNA 计算、从 binout 中自动提取响应、建立 Kriging 模型、运行 NSGA-II 得到 Pareto 前沿，并最终给出一个满足侵入量与质量约束、同时使峰值加速度下降约 12% 的推荐方案。需要说明的是，上述数值均为教学示例设定，用于说明方法与流程，实际工程结果需以真实模型计算为准。