讓我們以《星際大戰 VI：絕地大反攻》中的恩多戰役（Battle of Endor）為案例研究，了解對於帝國來說，事情會如何以不同的方式發展。如果你還記得，在這場戰鬥中，叛軍和盟軍的伊沃克人注定要失敗，而帝國軍隊引起了轟動，他們的全地形偵察運輸車（AT-ST）是能夠造成巨大傷害的主要車輛（見圖 1）。然而，運輸車並不是無敵的。伊沃克人利用他們的智慧以及原始武器樹幹摧毀了這些大規模殺傷性的車輛。

圖 1 ：用於在 Altair HyperMesh 中設定模擬運輸車的初始 CAD 模型

 

圖 2 ：運輸車頭部和內部座椅視圖，參考運輸車飛行員

 

為了提升運輸車的性能和安全性，將針對運輸車的設計性能研究。借助 Altair 的模擬和數據分析軟體，採用與過往類似的最佳化方法。還重現了運輸車和樹幹，然後使用求解器 Altair Radioss 來模擬運輸車的破壞。

Altair Radioss 是一種顯式動力學求解器，用於模擬高速撞擊和大變形場景。它通常用於汽車碰撞模擬，是測試運輸車與伊沃克誘殺裝置碰撞的理想解決方案。就像汽車底盤在交通事故中因嚴重負載而變形一樣，而運輸車在兩根巨大的擺動樹幹之間被壓扁時也是如此。

在模擬分析中，為每個樹幹分配了 5,651 公斤（約 12,458 磅）的重量和每秒18公尺的速度。從這個角度來看，這使得這些樹幹中的每一個都相當於一輛以40英里/小時的速度行駛的滿載救護車。

 圖 3 ：比較運輸車在電影場景的衝擊（上圖）和 Altair Radioss 中的模擬衝擊（下圖）

 

透過具有代表性的基線碰撞模擬以及 Altair 的最佳化和生成式設計工具，快速為全地形偵察運輸車改進設計，並重點分析車輛頭部的耐撞性和安全性，尤其是車輛頭部在承受巨大樹幹的猛烈撞擊時的表現。Altair OptiStruct 提供的最佳化工具幫助我們有效地調整結構設計，以最大限度地提高車輛的性能。在這次設計中，以滿足效能目標為基準（例如 Ewok 樹幹攻擊），產生具有最小質量和最大剛度的最佳設計，確保運輸車能在最殘酷的戰鬥中生存下來。同時，在最佳化研究中增加了額外的撞擊位置，以確保結構不會僅對單一撞擊情況進行最佳化。

透過拓樸最佳化結果，可以深入了解哪些地方需要材料，哪些地方不需要材料。這些結果大大提高了運輸車的頭部安全性和性能。透過自由形狀最佳化，看到了形貌特徵可以在哪些方面進一步提高結構剛度，從而在不增加品質的情況下增強結構性能。在解讀新的最佳化設計時，需要考慮這些特徵。

 圖 4 ：Altair OptiStruct 中的拓樸與自由形狀最佳化結果

 

運用 AI 進行結構分析

這些初步的最佳化研究為加強結構和特徵的發展提供了設計方向。為了開始評估耐撞性和安全性，我們對最佳化結果進行了低保真度的解讀，並將其匯入至 Altair Radioss 模擬中。這項技術可以與 Altair 的概念開發「C123」流程相媲美，「C123」流程廣泛應用於汽車車身結構。在低保真度的全地形偵察運輸車模型中，並使用了1D單元和較粗的殼單元網格，這樣可以在評估碰撞性能的同時進行快速設計探索。

圖 5 ：Altair HyperStudy 最佳化使用的低保真 1D 樑與殼單元模型

 

首先，運行幾次不同的一維樑連接迭代以提高碰撞性能。一旦我們對主要結構感到滿意，就使用 Altair HyperStudy 進一步調整殼板的厚度和一維樑單元的橫截面來最佳化結構。

HyperStudy 是一款多學科設計研究軟體，可以智慧且有效地探索任何系統模型的設計空間，幫助使用者了解數據趨勢，進行權衡研究，並最佳化設計效能和可靠性，同時考慮多物理場約束。

圖 6 ：低保真 1D 樑與殼單元模型 Altair Radioss 碰撞模擬

利用從低保真度模型中獲得的訊息，我們創建了保真度更高的解讀模型，並進行了最終的 HyperStudy 參數最佳化研究。

本研究的設計目標是在滿足安全要求的同時減少整體品質。在我們的案例中，我們希望限制全地形偵察運輸車的兩個內部座椅變形。此外，如果你回想電影中的場景，一旦運輸車的頭部被壓碎，你會看到一場大爆炸。我們推測，可能是主中央 MS-4 雙爆能砲的壓碎引起了這場爆炸。防止這次爆炸對駕駛運輸車的帝國士兵造成危險是至關重要的，因此，增加一個限制條件以盡量減少對中央雙爆能砲的損壞。使用更高保真度的模型後，模擬運行時間有所增加，但透過存取 Altair 的高效能運算 (HPC) 集群，可在一晚的時間內完成這次 HyperStudy 參數最佳化研究。

圖 7：比較原始全地形偵察運輸車頭部設計（左）和最佳化設計（右）

 

圖 8：全地形偵察運輸車最佳化後的詳細特徵

 

最終新設計讓兩個座椅保持原形，同時將樹幹撞擊的變形降到最低——這也有助於保護運輸車的兩名飛行員的安全。整體結構在碰撞情況下的表現得到了提升，這減少了整體衝擊，特別是減少了 MS-4 雙爆能砲吸收的應力，因為這些應力可能會在碰撞過程中引發大規模爆炸。中央爆能砲所受到的致命損傷很少，因此有可能保持其功能。

最後，最令人印象深刻的是，與原始運輸車頭部設計相比，改進後的運輸車頭部總重量減少了 392 磅以上（減少了 15%）。更輕的頭部結構也降低了車輛的重心，使得機器在移動時更靈活，可以更好地在恩多 (Endor) 的茂密森林中進行機動。

 

圖 9：原始設計（左）和改進的最佳化設計（右）碰撞模擬比較。每種設計的內部座椅都顯示在左下角的框框中

 

AI 碰撞模擬達到最佳化設計

為了測試最佳化的運輸車頭部設計，先創建一個 HyperStudy 實驗設計（DOE），其中改變衝擊位置，以觀察結構的承受能力。

接著，模擬了 200 個額外的撞擊位置，再次利用了 Altair 的 HPC 集群。對於大多數撞擊位置，座椅和 MS-4 雙爆能炮均維持良好，符合我們的安全要求。在某些情況下，座椅和雙爆能炮仍然完好無損，但頭部結構上側部分卻受到損壞，可能會造成輕微傷害（見下文最後一個案例）。這顯示我們需要調整對座椅上方區域的設計標準。

 

圖 10 ：評估不同撞擊位置的最佳化設計

最後，我們可以利用撞擊位置 DOE 創建的所有模擬數據，並使用 Altair physicsAI 建立了一個預測模型。接著選擇了 200 個撞擊模擬中的 180 個用來訓練 AI 模型，並保留了 20 個模擬結果來測試 AI 模型。我們期待看到 physicsAI 如何處理模型中的幾何複雜性以及結果中的大變形。

此外，在 Altair Radioss 模擬中，不同的撞擊位置產生了大量的擠壓結果，這些結果對撞擊位置非常敏感。總體來說，我們對預測模型的性能印象深刻。它不僅在預測碰撞事件的全局行為方面表現出色，還能夠在 26 秒內提供預測結果，而有限元素模擬則需要 72 分鐘，速度快了近 166 倍。

在下面的動畫中，我們將 AI 預測結果與模擬結果進行比較，發現有些區域的結果「噪音」較大。這需要進一步研究 physicsAI 的參數與演算法，探討是否可以改善，但總體來說，該工具如何處理結果的多樣性，預測結果令人印象深刻。

 

圖 11 ：將 Altair physicsAI 預測與 Altair Radioss 碰撞模擬進行比較

 

AI 幫助加速模擬分析流程

透過結合 Altair 軟體的 AI 技術、模擬以及最佳化，全地形偵察運輸車的設計得到了大幅提升，不僅降低了車輛重量，還提高了結構的耐撞性與安全性。同時，利用 physicsAI 高效的預測分析，幫助您快速達到從設計到產品驗證的工作流程。這項案例研究不僅展示了 Altair 在結構設計和性能提升中的強大潛力，也為未來應用 AI 於產品開發提供了新方向，讓工程設計邁向更高效、更智能的未來。

 

 

想了解更多，歡迎聯絡我們

安捷新科技股份有限公司 AgileSim Technology Corp.

• 電話 : (02)2518-9060
• 郵件 : info@agilesim.com.tw