电动汽车头部碰撞相容性拓扑构型的优化设计

为了获得电动汽车头部最优结构,基于满足碰撞相容性的某纯电动汽车头部拓扑构型,采用拓扑优化与正交试验设计相结合的方法,以实现轻量化的前提下满足最佳比吸能为优化目标,对提取的纯电动汽车头部拓扑构型进行优化设计,并对最优头部结构进行100%重叠正面碰撞安全性验证与可靠性分析。结果表明,拓扑优化、正交试验设计与有限元仿真方法的结合使用,可得到满足优化目标的电动汽车最优头部结构。     

基于多目标的组合式桥梁护栏优化研究

为提高某组合式桥梁护栏的安全防护能力,并利用已施工的底部混凝土结构,对原护栏结构进行优化研究,得到优化护栏结构:高度提升至1300mm,底部混凝土结构不变,H型立柱,三层矩形管横梁,立柱和横梁通过防阻块和螺栓连接。按照五(SA)级碰撞条件模拟车辆碰撞护栏过程,仿真结果表明优化护栏安全性能满足要求,实车碰撞试验进一步验证优化护栏防护能力达到五(SA)级。优化护栏可继续使用已施工的原护栏混凝土结构,较原护栏防护能力大幅度提升,并可节省钢材用量,实现多目标优化要求。     

基于ADVISOR 2004的双电机纯电动汽车仿真研究

以双电机纯电动汽车为研究对象,设计了一种电机-驱动桥整体式动力系统结构,以及双电机驱动控制策略,并对汽车仿真软件ADVISOR 2004原有EV模型进行二次开发,构建了双电机纯电动汽车仿真专用软件平台,满足了国内对双电机仿真分析的需求,并利用该平台进行了双电机纯电动汽车整车性能的仿真.结果表明:所设计的结构和控制策略可靠,且车辆的经济性能和动力性能都满足要求.     

微型纯电动汽车动力系统匹配设计

在QQ整车的基础上,进行微型纯电动汽车的改装.提出动力系统参数设计原则,在整车基础上进行动力系统匹配设计,对此款微型纯电动汽车的电机、蓄电池合理选型与计算匹配.最后利用ADVISOR(Advanced Vehicle Simulator,高级车辆仿真器)进行仿真.仿真结果表明,所选用的电机与电池满足微型纯电动汽车的要求.     

基于性能的相邻结构间距优化设计

现代都市城市空间有限,地震作用下相邻建筑碰撞对城市安全有非常大的影响。针对相邻结构的碰撞问题,本文对地震激励下的连接和未连接阻尼器的相邻结构的间距设计进行了基于性能的研究和分析,通过分别对不同相邻间距下的受控和未控制相邻结构进行地震易损性分析,选取结构的总超越概率为目标函数进行优化分析,获得了受控和未受控两个状态下相邻结构在各不同性能水平下的最优间距值,并且研究了相邻结构连接阻尼器后对结构间距的优化效果。研究给出的最优相邻间距值能够很好地优化已有抗震设计规范,并可有效运用于实际工程,用以防止相邻结构碰撞并节约城市空间。     

纯电动汽车的研究

在能源危机日益凸显的当代,研究新能源汽车是当今全世界的重大课题。电动汽车是未来汽车的发展趋势。本文针对新能源汽车中的纯电动汽车,分析了其特点,阐述了其分类、结构与工作原理。     

基于燃油汽车开发的纯电动汽车系统设计与实现

在传统燃油汽车平台进行纯电动汽车的开发,将燃油动力系统替换为纯电动动力系统,对纯电动系统进行布置设计,其中电池组的加装使得整备质量增加,从而影响原车其他系统,包括悬架系统、制动系统和转向系统。对相关系统进行匹配开发并在实车上进行校核验证,最终在燃油汽车平台上完成了纯电动汽车样车的开发。     

一次续航240公里 江淮iEV5纯电动汽车试驾体验

<正>虽然在国家和汽车厂商的大力推动下,采用洁净能源的纯电动汽车已经逐渐出现在大大小小的马路上,但是纯电动车充电难,续航短等问题一直让消费者有所担忧。而在纯电动汽车领域已经研发多年的江淮纯电动汽车则已经推出了最新的i EV5,其充满电的最高续航能力可达到240公里,可以说是国内品牌续航能力最强的纯电动汽车之一,至于它是一款怎样的纯电动汽车,下面我们一起来看看吧!科技感十足的前脸设计!外观方面,作为江淮纯电动汽车系     

锂离子动力电池包热管理系统研究与方案设计

动力电池是纯电动汽车的唯一动力源,锂离子电芯因自身的优点已成为目前设计纯电动汽车主要使用的电芯。锂离子电池的性能受温度的影响很大,当温度过高或过低时,会减少电池的使用寿命和车辆的续航里程。文章以纯电动汽车锂离子动力电池包为研究对象,通过对动力电池组产热机理的研究,对动力电池包温度控制方案进行设计。     

电动汽车有序充电可行性分析

本文介绍了国内外电动汽车的发展状况,建立了不同目标函数的调度策略数学模型,包括模拟退火算法和粒子群优化算法,为实现电动汽车有序充电提供了参考,最后展望了电动汽车的发展。     

工期—效益优化模型在西岭隧道工期优化中的应用

介绍了采用工期—效益优化模型对海南东环铁路工期进行合理优化的方法,并基于工期—效益模型的建立和相关分析,结合案例进行实证分析,指出施工企业在采用常规措施的基础上,可根据具体的情况,采用工期—效益优化模型,从而实现资源优化配置与动态管理,促进高铁建设项目工期达到合理优化。     

基于修正萤火虫算法的多模函数优化

萤火虫优化(glowworm swarm optimization,GSO)算法是一种计算多模函数优化问题的新型算法,该算法和蚁群优化、粒子群优化一样,都是一种群智能算法。针对GSO算法在优化多模函数时收敛速度慢、求解精度不高和发现峰值率低的缺点,首先在算法中采用变步长的运动策略,使得步长随着迭代时间自适应地逐渐减小;其次采用较小的初始决策范围值;最后添加了萤火虫的自探索机制。改进后的学习行为更符合自然界生物的学习规律,更有利于萤火虫发现问题的所有局部最优解。利用标准测试函数对修正后的萤火虫算法进行测试,仿真结果表明,修正的萤火虫算法具有良好的收敛性和计算精度,在寻找多模函数的峰值个数时显示出很大的优势。     

蝉鸣优化算法在组合优化问题中的应用

文献(1)提出了蝉鸣优化(CSO)算法,利用CSO、 PSO和DE对9个高维Benchmark函数的仿真,得到了非常好的优化结果,该算法尚未在组合优化问题中应用,本文利用CSO算法对旅行商问题(TSP),这一典型的组合优化问题,进行优化,建立了CSO算法解决TSP问题的模型,并利用MATLAB进行仿真。实验结果表明, CSO也是一种非常适于求解组合最优化问题的进化算法。     

浅谈建筑设计优化

本文浅析建筑设计过程中需要优化的环节和建议措施。     

模糊优选模型在水利工程施工方案优选中的应用

水利工程施工方案的选择涉及确定性的定量指标和模糊不确定性的定性指标,属于半结构的模糊决策。将工程模糊集理论的两级模糊优选模型应用到水利工程施工方案的决策上,同时将二元比较权重确定法应用到指标权重的确定,并结合实例讨论了该方法的具体应用。     

Constrained mean‐variance mapping optimization for truss optimization problems

Truss optimization is a complex structural problem that involves geometric and mechanical constraints. In the present study, constrained mean‐variance mapping optimization (MVMO) algorithms have been introduced for solving truss optimization problems. Single‐solution and population‐based variants of MVMO are coupled with an adaptive exterior penalty scheme to handle geometric and mechanical constraints. These tools are explained and tuned for weight minimization of trusses with 10 to 200 members and up to 1,200 nonlinear constraints. The results are compared with those obtained from the literature and classical genetic algorithm. The results show that a MVMO algorithm has a rapid rate of convergence and its final solution can obviously outperform those of other algorithms described in the literature. The observed results suggest that a constrained MVMO is an attractive tool for engineering‐based optimization, particularly for computationally expensive problems in which the rate of convergence and global convergence are important.     

应用MATLAB最优化工具箱求解沉井井壁最优化问题

应用MATLAB程序工具箱，将最优化设计思想应用于沉井结构设计，通过对沉井井壁作最优化分析．求解井壁造价最小值及其对应的井壁厚度及配筋，为量大面广的沉井结构设计提供参考。     

Genetic evolutionary structural optimization

Evolutionary structural optimization (ESO) is based on a simple idea that an optimal structure (with maximum stiffness but minimum weight) can be achieved by gradually removing ineffectively used materials from design domain. In general, the results from ESO are likely to be local optimums other than the global optimum desired. In this paper, the genetic algorithm (GA) is integrated with ESO to form a new algorithm called Genetic Evolutionary Structural Optimization (GESO), which takes the advantage of the excellent behavior of the GA in searching for global optimums. For the developed GESO method, each element in finite element analysis is an individual and has its own fitness value according to the magnitude of its sensitivity number. Then, all elements in an initial domain constitute a whole population in GA. After a number of generations, undeleted elements will converge to the optimal result that will be more likely to be a global optimum than that of ESO. To avoid missing the optimum layout of a structure in the evolution, an interim thickness is introduced into GESO and its validity is demonstrated by an example. A stiffness optimization with weight constraints and a weight optimization with displacement constraints are studied as numerical examples to investigate the effectiveness of GESO by comparison with the performance of ESO. It is shown through the examples that the developed GESO method has powerful capacity in searching for global optimal results and requires less computational effort than ESO and other existing methods.