车身钣金改厚不必逐次跑整车有限元：SHIFT-NVH在192个测试算例上把全场误差中位数压到1.1%
核心概要
Luminary发布SHIFT-NVH，一个在单一白车身有限元求解结果上训练的大物理模型，输入15个零件的板厚、材料与车速，直接输出13万余个表面节点在ISO 8608 B级路面激励下的三向RMS加速度。在按设计划分、材料与车速均未见的192个测试算例上，全场相对L2误差中位数为1.1%，零件级RMS误差中位数为0.47%，约为钣金引起的中位变化5.4%的十分之一。模型覆盖固定网格、±30%板厚范围、三种材料和30至110 km/h四档车速，最终钣金决策仍以完整有限元和物理试验为准。
深度剖析
车身几何冻结后，板厚与材料成为噪声、振动与声振粗糙度（NVH）设计剩下的主要变量，而每改一次板厚都要在整车有限元模型上重做模态与强迫响应求解。SHIFT-NVH把这一步换成一次神经网络前向计算，工程师无需持有整车有限元模型即可评估板厚与材料改动，并看到每个改动影响哪些零件。 此前候选组合随板厚、材料和车速相乘增长，速度快过NVH团队在钣金冻结前完成求解的能力；供应商往往拿不到整车模型，即便拿到也常需返工才能在自己的工具链里运行。 在192个留出算例上，全场相对L2误差中位数为1.1%、最差为2.6%，零件级RMS误差中位数为0.47%、p95为2.4%。
模型把设计参数映射到已知表面网格上的响应场，学习的是厚度与材料如何重新分配振动，而不是几何形状本身的变化。 所用架构为Luminary的Luminary-SMART编码器—解码器，输入19项，即15个零件的板厚、杨氏模量、密度、泊松比与车速，输出每个节点的x、y、z三向RMS加速度，零件级振动取该零件节点的平均。 训练集840例、验证集180例、测试集192例按设计划分，同一设计的四种车速与三种材料落在同一划分中；训练在4块NVIDIA H100上进行300个epoch，最佳验证相对L2误差为0.020。
除振动场外，另一个在钢制模态数据上训练的SMART模型只输入15个板厚，预测前5阶弹性模态振型。 该模态模型不预测频率，只给出振型，因此可与频率求解分开使用。 在16个未见钢制设计上，第1至4阶振型相对参考的平均MAC为0.98至1.00，第5阶为0.92。
启示与展望
演示范围是2010款丰田Yaris白车身这一固定网格，15个零件板厚在标称值±30%内变化，材料为钢、铝、镁三种，车速30、50、80、110 km/h，路面为ISO 8608 B级；在这一范围内工程师可用模型筛查板厚与材料组合，入围设计的最终钣金决定仍以完整有限元与物理试验为基础。
模型不学习几何变化，只学习厚度与材料在已知网格上如何重新分配响应；其精度结论来自16个未见设计、3种材料与4档车速组成的192个测试算例，超出该板厚范围、零件集合或路面等级的表现未在所述范围内给出。