收稿日期：2025-11-26

上线日期：2026-01-27

引用格式：张洪浩, 张尚彬, 王凌宇, 等. 基于数据挖掘的薄壁吸能结构耐撞性能预测及优化[J/OL]．铁道科学与工程学报. (2026-01-27)[引用日期]. 

https://doi.org/10.19713/j.cnki.43-1423/u.T20251823.

获取全文：

薄壁吸能结构因其轻质高效、几何可设计性强等优势，已成为列车碰撞能量耗散的关键部件。然而，当前基于机器学习的耐撞性优化仍面临高保真仿真成本高昂导致的样本稀缺，以及传统模型在小样本条件下对复杂非线性响应预测精度不足的挑战。基于此，本研究构建了“数据–代理–优化–决策”一体化机器学习优化框架。提出了KNN-动态高斯SMOGN数据增强策略，通过局部密度感知自适应生成物理合理的虚拟样本，在扩充数据规模的同时改善响应分布均衡性；同时采用XGBoost作为代理模型，结合贝叶斯优化对超参数进行全局寻优，引入多项式特征工程以增强对变量间非线性耦合关系的捕捉能力。以外波纹方管嵌套式薄壁结构为验证对象，基于150组拉丁超立方采样构建初始数据集并开展研究。结果表明：经数据增强与贝叶斯调参后，所提出的模型对峰值碰撞力、比吸能和平均碰撞力的预测决定系数R²分别达0.999、0.977和0.998，独立测试集平均绝对百分比误差均控制在10%以内。进而结合非支配排序遗传算法II算法与CRITIC-TOPSIS决策方法完成多目标寻优，优化后的结构比吸能和平均碰撞力分别提升18.2%和12.9%，同时PCF降低2.1%，有效实现了轻量化与安全性的协同提升。本研究有效提升了小样本条件下代理模型的预测精度，为薄壁吸能结构性能预测及优化设计提供了技术支撑。

图2  数据增强策略流程

图3  KNN-动态高斯SMOGN算法流程伪代码

图4  SCOD结构几何边界条件设置及有限元模型

(a) PCF预测精度；(b) SEA预测精度；(c) MCF预测精度

(a) PCF结果对比；(b) SEA结果对比；(c) MCF结果对比

图9SCOD结构多目标优化的帕累托前沿分布

(a) PCF结果对比；(b) SEA结果对比；(c) MCF结果对比

图10优化解集有限元验证结果与预测结果对比

2.3结果与讨论

(a) PCF原始模型与增强模型对比；(b) SEA原始模型与增强模型对比；(c) MCF原始模型与增强模型对比

图11  原始与增强模型在PCF、SEA、MCF预测中的精度对比

(a) 稀疏区域的样本分布；(b) 稀疏区域梯度稳定性对比

图12  数据增强效果对比图

1）在该优化方法中，构建了“数据–代理–优化–决策”机器学习优化框架，重点提升小样本条件下的预测精度。针对150组原始样本存在的稀疏性与分布不均问题，采用KNN-SMOGN结合动态高斯噪声进行数据增强，使样本量翻倍并改善了样本在设计空间分布的连续性与均匀性；在此基础上，通过贝叶斯优化调优XGBoost代理模型，显著提升泛化能力。最终，SEA、PCF和MCF三项指标的预测R²均超过0.92，独立测试误差控制在15%以内，验证了该方法在小样本下仍能实现高精度建模。

2）以列车前端SCOD薄壁吸能结构为研究对象，通过系统性案例验证了所提方法的有效性。优化前SCOD结构的SEA为2.2kJ/kg，PCF为95kN，MCF为140kN；优化后SEA提升至2.6kJ/kg（提升18.2%），PCF降至93kN（降低2.1%），MCF提升至158kN（提升12.9%），有效避免了传统结构易发生的局部屈曲和折叠不均问题。

3）研究表明，该方法通过迁移学习策略，当面对结构形式变化但类型相似的薄壁吸能结构时，仅需少量新数据即可在已有模型基础上快速实现高精度预测，大幅降低了模型重构成本，为轨道车辆高强轻质吸能结构设计提供了新的技术路径。