#本案例由本田汽车于2020年4月发表# 根据世界卫生组织的数据，去年有超过270,000名行人发生交通致命事故，占2019年世界交通事故死亡人数的22％。为减少行人死亡，许多国家的第三方组织都进行测试以评估行人保护性能，因此，在全世界的汽车开发中都需要设计一种有效的行人保护性能的方法。计算机辅助工程（CAE）通常用于验证行人保护性能。但是随着全球行人保护的必要性的提高，人们对提高效率的期望亦有所提高。本文介绍的案例期望通过人工智能的技术减少CAE验证时间，并使用深度学习方法提高设计评估的准确性。同时，本文还研究了提高深度学习精度的方法以及提出一种新的思路来改进产品的设计。

说明：本文案例来自本田汽车，由IDAJ日本的人工智能开发团队协助完成。如果贵司有相关需求，欢迎您与IDAJ中国联系。

应用背景

近年来随着计算机技术的普及和计算速度的不断提高，CAE分析在工程设计中得到了越来越广泛的重视。可以说正是由于CAE分析技术对传统试验的替代，大大促进了设计研发的效率。但是目前有一个比较明显的趋势就是，CAE技术对工业设计的辅助作用，在经过了长足的发展后，慢慢也开始遇到瓶颈。这就促使了很多公司在考虑通过新的技术，来替代传统的CAE仿真，以此来实现对设计研发效率的新的突破。在这个背景下，基于人工智能的机器学习技术开始受到各大公司的重视。

当前人工智能已经在很多领域得到了相当程度的应用，例如智能驾驶、图像识别及处理、语音识别等。但是在工业设计这一领域，人工智能的应用还处于起步阶段。本田汽车希望通过将人工智能技术与当前的设计目标相结合，找到该应用的价值，并改进设计流程。

本田现阶段的设计流程为，明确了设计目标后，先实现产品的初步设计，然后通过CAE仿真确定设计性能，满足要求后做实际测试。而CAE的仿真过程所占用的时间过长，影响了流程的设计效率（图1）。以前盖支撑结构为例，一个完整的仿真流程包含CAD建模一周时间、网格划分一周、边界条件设置加上求解约要2至3天，也就是说，一个完整的仿真流程至少需要两周的时间。如果评估的结果是当前方案不满足设计要求，则需要大量的时间反复计算。

 图2为希望改善后的设计流程，以通过深度神经网络建立车盖框架结构及对应性能的模型为例。在流程中，当完成初步的结构设计后，通过神经网络模型先一步评估初步设计的性能，这一过程只需要几秒的时间。当设计满足了AI的评估，再去对该设计方案做CAE仿真计算。也就是说，通过AI模型做一次初步评估，筛选出明显不满足要求的设计方案，以此来避免重复大量的CAE计算，从而提高整体设计效率。

图2. 希望改进后的设计流程

建筑神经网络模型 

本次应用以车前盖碰撞性能预测模型建模为例，车前盖的框架结构对碰撞试验的HIC指标有着非常直接的影响。构建的方法为通过本田以往所研发的方案模型作为输入参数，对应框架结构的性能指标结果作为模型训练所用的标签（Label）参数。输入参数的格式如图3所示，这里将输入数据以图片的形式给入，图片包含四个部分，分别为车外前盖，前盖下的框架结构，外盖与框架的差异部分，以及最后的内部其他结构。注意为保证训练出模型的效果，所有方案的输入尽量处理成相同格式的图片。

图3. 输入数据的类型

与输入数据对应的结果如图4所示，为前盖上不同区域碰撞测试的HIC值，其中绿色代表HIC值在650以下，红色代表HIC值在1700以上。而机器学习的目标，为导入格式相同的输入图片，可以得到对应的输出格式的图片，来说明当前方案对应的HIC值分布。

神经网络的结构采用图5所示结构，其中输入中的四组图片处理成100mm的马赛克格式，每个图片代表一个通道（Channel），通过两层的卷积神经网络（CNN）结构处理为N*1的高维向量，最后将四个高维向量相加，再送入全连接层，这里的全连接层取一层，后面再接一个3层的卷积神经网络作为解码层，将数据处理成输出格式的图片。

图5. 神经网络模型的结构

整个模型的训练过程通过Pytorch库实现，Pytorch库包含了需要的优化算法，可以方便的实现梯度计算和做反向传播。本例损失函数为MSE，计算周期为5000。训练后通过交叉验证的方法，来校验所训练模型的精度。通过与CAE仿真结果对比，AI模型的预测结果可以达到CAE计算结果平均80%的精度。图6显示了不同结构形状的前盖框架的结果输出对比。

改善预测精度

AI预测的精度与仿真对比有大约20%的误差，分析其原因有如下几个方面：首先，该案例所提供的数据数量很少，而深度学习又非常依赖于大量的数据才能训练出高精度的模型。其次，所选择的神经网络结构层数不足，不一定能很好的反应数据的特性和内在之间的联系。还有就是调整模型训练超参的初始值，来改善训练过程，从而提升精度。分析上述的原因，其核心的问题是由于数据量偏少所导致。而实验数据的累积是一个长期的过程，不可能在短期解决。同时由于数据量不足，也无法对模型神经网络层数进行调整。这是因为在数据量不足的情况下而采用更深的网络，会使得过拟合的情况更加严重。

基于数据量严重不足的情况，我们考虑采用一种新的技术（GAN）来重新构建神经网络结构，期望新的结构模型可以带来精度方面的改善。GAN的全称是生成对抗网络（Generative Adversarial Networks），由Ian Goodfellow等人于2014年提出，是目前公认的最具研究前景的深度学习技术之一。GAN的原理是通过轮流训练判别器 (Discriminator) 和生成器 (Generator),令其相互对抗, 可以显著提升结构化学习（Structure Learning）的效果。在本例中，所使用的GAN的结构如图7所示。

图7. 改进后的神经网络结构

该结构采用的是WGAN-gp结构，其中增加了梯度惩罚项（Gradient Penalty），目的是约束判别器的参数变化量，使得判别器的参数变化曲线比较平滑，确保获得高质量的输出。其中生成器中的结构包含卷积项和逆卷积项，如图8所示。判别器由三层的全连接层构成，如图9所示。

图8. 生成器（Generator）的模型结构

图9. 判别器 (Discriminator)模型结构

训练完成后，对新的模型结构的精度进行评估，发现与CAE计算的结果对比，整体平均精度提升了3%；与平均值相比，精度最差的部分从61%提升到68%。说明GAN的模型对于精度较差的结果的提升相比于平均结果的提升更加明显。

基于GAN技术的应用拓展

从上文我们可以看出，通过GAN的神经网络结构可以很好的帮助我们提升图像预测的精度。在当前的网络中，我们输入的是4通道的图片，输出的是一张彩色图片。这里相当于为不同形状前盖框架结构建立起了对应的HIC输出指标，输入是框架结构的形状图片，输出是对应的HIC分布图片。如果我们把这个应用做个拓展，以期望获得的HIC分布的指标作为输入，以该指标对应的框架结构的形状作为输出，就可通过GAN的神经网络实现设计方案的生成。这一思路的实现流程如图10所示。

 
图10. 基于GAN技术的设计生成流程

在这一流程中，AI的功能不是用来预测和评估设计方案的性能，而是根据设计的目标需要来自动生成设计方案，然后通过CAE校核方案的合理性。为验证这一思路，我们以HIC分布的图片和车盖外形的图片作为输入数据，以得到对应的框架形状图片作为输出数据，来重新训练神经网络。完成后输入期望的HIC指标的分布图来验证生成的效果，图11。

图11. 通过GAN神经网络做方案的生成

通过对比发现，大部分通过GAN生成的设计方案与实际的框架结构非常接近，但其中有一些通过GAN生成的方案与实际的方案有所不同，为了验证这些不同的方案所对应的框架结构的性能，我们通过之前生成的预测网络，重新评估这些不同框架形状的HIC值，与实际形状的HIC值对比，见图12。

图12. 对应形状不同的方案的结构验证

通过评估计算发现，即使在某些情况下，通过GAN生成的形状与实际形状不相同，但是他们对应的HIC值却基本一致。这说明通过GAN来生成新的设计方案这一思路可行，同时与传统的通过拓扑优化算法来改善设计的方法相比，通过GAN寻找新的方案可以节省大量的时间，预示着GAN这一技术在将来还有更大的潜力等待我们挖掘。

 引用文献