薄壁结构是一种常用的重要工程结构形式,该结构在汽车、造船、航空航天等领域应用广泛。随着产品个性化、多样化的需求愈发强烈,如何提高优化设计效率成为仿真分析领域的热点话题。虽然计算机硬件与软件不断更新升级,但仿真计算和形状优化仍需消耗大量时间。如何快速准确的得到复杂结构优化结果成为亟待研究的问题。本文在保证结果质量的前提下,提出了一套面向仿真大数据的形状优化流程,以神经网络替代传统的求解器计算过程。同时以冲压可制造性作为几何约束,保证复杂薄壁结构的形状优化效果。为提升效率,编写C++程序来实现仿真数据批量化生成、数据处理及标注等工作。具体研究内容如下:(1)鉴于B柱在车辆侧碰事故中直接影响驾驶员的人身安全,本文对B柱薄壁结构进行形状优化以提升其耐撞性。考虑到汽车零部件多以冲压工艺制作,而复杂薄壁模型的变形易出现负角结构,因此本文提出了一种基于冲压工艺的制造性约束,并使用专业冲压仿真软件Auto Form进行验证,以此证明该算法具有较高的鲁棒性。使用最优拉丁超立方采样方法(Optimal Latin Hypercube Sampling)从特定的设计域中采样设计参数,通过RBF变形方法生成变体网格模型,使用Hypermesh和Ls-Dyna对少量模型进行碰撞仿真实验,建立训练数据集。(2)使用应用最广泛的BP神经网络提取模型的变形参数与碰撞性能之间的非线性映射关系,进而可得到使模型拥有最佳耐撞性的形状解集。将上述算法集成为Auto Morpher/TSi MGen程序集,方便后续使用。对仿真领域的大数据应用进行探索,使用本文的Auto Morpher/TSi MGen程序集建立部分三维网格模型数据库,建立模型几何信息与在碰撞工况下的力学性能的对应关系,为未来相关研究提供获取高质量数据的渠道。(3)经验证,本文提出的算法及程序可较好的实现预期目标,B柱模型的耐撞性提升可达15%以上。实验流程与传统形状优化流程相比,可节省大量重复性劳动,且由于算法高度集成,用户无需拥有力学或数学基础便可完成对模型的优化工作。