基于TabNet深度学习的行人腿部碰撞损伤预测模型构建与可解释性分析

为解决传统有限元仿真(FEM)在行人保护设计中计算成本高、优化效率低的问题，大连理工大学机械工程学院团队开发了融合高精度有限元数据与TabNet深度学习模型的解释性预测框架。研究通过拉丁超立方采样生成3000组碰撞场景数据，经贝叶斯优化调参后，TabNet模型在胫骨加速度(A)、膝关节弯曲角(ANG)和剪切位移(DSTR)预测中达到R2=0.94±0.01的精度，85%-90%预测误差控制在±20%内。SHAP分析揭示碰撞点位置和保险杠几何是损伤主控因素，为车辆前端结构优化提供了数据驱动的设计依据。

　　

随着全球机动车保有量激增，行人碰撞事故已成为重大公共卫生问题。世界卫生组织数据显示，每年约135万人死于交通事故，其中行人因缺乏物理防护尤其脆弱。典型碰撞中，行人下肢首先撞击保险杠，随后躯干和头部与发动机罩、挡风玻璃发生二次碰撞，常导致严重甚至致命伤害。尽管各国已出台行人保护法规，但传统依赖有限元仿真(FEM)的设计方法存在计算成本高、多变量优化困难等瓶颈。如何快速精准预测损伤并指导结构优化，成为汽车安全工程领域的核心挑战。

大连理工大学机械工程学院的研究团队创新性地将高精度有限元仿真与深度学习相结合，构建了基于TabNet的可解释预测模型。研究通过自动化有限元平台生成涵盖10种车型的3000组参数化碰撞数据，采用拉丁超立方采样(LHS)确保设计空间高效探索。数据预处理阶段对连续变量归一化、离散变量独热编码后，研究人员对比了支持向量回归(SVR)、随机森林(RF)等传统算法与TabNet的性能。经Optuna框架贝叶斯优化结合四折交叉验证，TabNet以R²=0.94±0.01、RMSE=0.14±0.02的指标显著优于对照组，独立测试集预测准确率超85%。

关键技术方法包括：1) 基于TRL腿部模型的有限元参数化仿真；2) 拉丁超立方采样生成多变量碰撞场景；3) TabNet架构的注意力机制实现特征选择；4) SHAP值量化设计参数对损伤指标的贡献度；5) 贝叶斯优化结合交叉验证的超参数调优。

有限元模型构建

采用EEVC标准定义的TRL腿部模型，包含胫骨、股骨、膝关节等生物力学细节组件。通过简化11款车型前端结构，保留保险杠、防撞梁等关键部件，建立包含46个设计变量的参数化模型。

设计特征识别

将影响因素分为6类：碰撞器类型（质量13.4±0.2kg、速度40±2km/h）、保险杠架构（长度占比、连接位置等）、碰撞点距离（纵向/横向位置）、碰撞点间隙（硬点间距）、材料属性（杨氏模量、屈服应力）和车型类别（轿车/SUV/MPV）。

预测方法验证

TabNet在n_d=23、n_steps=15的最优参数下，预测胫骨加速度的误差分布最集中（84.5%样本误差<20%）。SHAP分析显示，碰撞点纵向位置(D)对加速度影响最大（贡献度28.7%），保险杠外皮杨氏模量(M_bf)和防撞梁厚度(Tbr)分别贡献19.3%和15.6%。

讨论与意义

该研究首次将可解释深度学习引入行人碰撞安全领域，突破传统仿真"计算黑箱"局限。TabNet的注意力机制能动态捕捉保险杠几何与碰撞动力学的非线性关系，其预测速度较FEM提升500倍，支持实时设计迭代。研究提出的"前端角度优化优先于材料强化"等设计准则，已被证实可使膝关节剪切位移降低32%。未来通过整合多体损伤模型，该框架有望扩展至头部、胸部等多部位联合优化，推动行人保护技术从经验设计向数据驱动范式转变。论文发表于《CMES - Computer Modeling in Engineering and Sciences》，为智能汽车安全开发提供了新方法论。