测量数据驱动的列车碰撞混合仿真与结构变形反演理论研究

Train crash often leads to a large number of casualties and losses of lives. Understanding the Accident reconstruction is an effective method to avoid same accident happening again. underlying collision mechanics is essential for high-speed rail safety. The proposed project aims to develop a novel approach by combining the advantages of 3D computer animation oriented simulation model with the traditional dynamics where accurate simulations can be achieved with much better computational efficiency. Using small scale train models and advanced high resolution motion capture techniques, real 3D deformation data can be captured with high speed camera arrays. These motion-captured data will provide evidence for dynamic analysis and reverse engineering of the crash for either a single component or a whole structure of a coach. This project is designed to take advantages of our earlier work on mesh-free computation to achieve good computing accuracy with much higher computational efficiency than the traditional technologies (about 10-20% of the computing time compared with the traditional finite element analysis). The organic combination of the novel experimental techniques and the non-classic computing methods, as well as the data driven simulation core, is designed to tackle the existing difficulties of train crash simulation and analysis. The proposed development will establish new theoretic foundations for train crash testing and analysis. It will also both help improve the design of train structures and help realistically reconstruct crash scenes for accident analysis.

列车事故往往伴随严重人员伤亡和恶劣社会影响，碰撞仿真和试验是提高列车安全性的主要手段，而传统碰撞仿真和试验技术用于大尺度复杂结构列车上存在巨大挑战。项目以小比例列车模型碰撞试验为载体，利用基于高速摄像机阵列的高精度三维视觉捕捉技术获取特征点三维动态变形数据，以获取的数据驱动仿真模型计算和反演列车在碰撞过程中的动力学行为和破坏形态。跨学科借助基于物理的三维动画在复杂系统动力学与变形仿真优化上的策略，耦合实测数据到无网格算法，提出混合仿真理论可使列车碰撞仿真在计算效率大幅提高的同时保证计算精度（预估所需计算时间为传统有限元分析的10-20%）。项目将视觉测量手段和非传统的仿真技术有机结合，以数据驱动为核心解决当前列车碰撞仿真面临的挑战。通过对典型列车碰撞事故反演分析，验证所提理论的可行性和可靠性。项目研究成果将有效服务于列车事故重建和被动安全设计并可为列车安全评定和设计规范制订提供依据。

列车事故往往伴随严重人员伤亡和恶劣社会影响，碰撞仿真和试验是提高列车安全性的主要手段，而传统碰撞仿真和试验技术用于大尺度复杂结构列车上存在巨大挑战。项目按照申请书的主要内容着重研究了数据驱动列车碰撞仿真方法，无网格方法在全尺寸列车有限元碰撞仿真中的应用和基于视觉测量技术的列车事故重建。首先，项目在大量列车碰撞有限元仿真的基础上，发现列车碰撞初速度对端部结构力-位移曲线有着重要影响。鉴于此，项目引入机器学习算法，建立了考虑碰撞初速度的数据驱动的列车动力学碰撞动力学模型（DDTCM），与传统的列车碰撞多体动力学模型和有限方法进行对比分析验证了DDTCM可在提供更高仿真精度的同时不增加计算开销。延续这一思路我们拓展研究了数据驱动方法在列车动力学仿真中的应用。其次，在深入研究无网格技术在计算机动画和工程仿真的应用基础上，提出用耦合FEM/EFGM的Galerkin方法来研究铁路车辆的耐撞性。通过具体的算例表明：耦合FEM/EFGM的Galerkin方法是运用有限元方法处理全尺寸铁路车辆碰撞仿真中的非线性变形问题的一个合适的替代方法。耦合的方法可以有效减少有限元模拟中的沙漏能量，从而提供鲁棒性高的机车车辆碰撞大变形仿真方案。最后，我们提出了一种基于视频（照片）和车厢三维CAD模型的列车事故场景快速三维重建方法，考虑不同应用场景，采用两种相机投影模型，利用SIFT算法提取图像特征并与事故列车的CAD模型相匹配，通过引入车厢之间的几何约束，将三维重建转换为求解带约束的非线性最小二乘问题，最终还原事故主体的位置与姿态。项目组在包括铁路领域权威期刊《《Vehicle System Dynamics》和《Proceedings of the Institution of Mechanical Engineers - Part F: Journal of Rail and Rapid Transit》等期刊发表论文18篇，其中SCI收录论文8篇。

内容获取失败，请点击重试