摘要：电动垂直起降飞行器（eVTOL）可以在城市内提供便捷的点对点飞行，有望革命性地改变城市居民的出行方式。然而与常规飞机相比，它在耐撞性设计方面存在诸多新挑战。对此，本研究对滑橇式起落架和吸能元件进行了适坠性优化设计，并将其应用于整机适坠性分析。同时，开展了多角度

摘要

电动垂直起降飞行器（eVTOL）可以在城市内提供便捷的点对点飞行，有望革命性地改变城市居民的出行方式。然而与常规飞机相比，它在耐撞性设计方面存在诸多新挑战。对此，本研究对滑橇式起落架和吸能元件进行了适坠性优化设计，并将其应用于整机适坠性分析。同时，开展了多角度、多速度的离轴坠撞仿真研究。鉴于坠撞仿真耗时多、不利于优化设计的问题，还提出了使用机器学习技术预测滑橇式起落架应力、吸能元件吸能效率的方法，并且开发了与遗传算法相结合的优化方法。本研究大幅提高了滑橇式起落架、吸能元件、以及eVTOL整机的适坠性能，初步掌握了各离轴坠撞参数对乘员安全的威胁程度，并能在误差可接受范围内实时预测滑橇式起落架应力和吸能元件的吸能效率。

eVTOL；能量吸收；适坠性；机器学习；离轴坠撞

电动垂直起降飞行器（electric Vertical TakeOff and Landing，eVTOL）可以在城市内或较近城市间提供价格实惠、噪音较低和快速可靠的点对点飞行，既能作为“飞行汽车”供人们便捷出行，或作为“空中的士”提供公共交通服务，也可以作为“空中救护车”用于紧急医疗救援，或是作为“飞行摩托”供发烧友进行运动竞技（图1）。这项技术有望革命性地改变城市居民的出行方式，因此eVTOL也成为当前航空业前沿热门研究领域之一。

作为载人飞行器，安全性是其需考虑的首要因素之一。美国国家运输安全委员会2020年公布的数据显示，从1983年到2017年发生的35起严重事故中，共有1034名乘客死于撞击，占总死亡人数的66%。因此提高飞行器在应急着陆过程中对乘员的保护能力，可大幅提高乘员的存活率。对此，中国、美国和欧盟分别出台了相应的适航条例，其中均对载人飞行器的适坠性有着明确而严格的要求。越南战争中大量直升机战损导致重大人员伤亡，也使得欧美国家在之后军用直升机的初始设计阶段就将适坠性与结构重量、疲劳寿命等放在了同等重要的位置。

传统飞行器已进行了大量适坠性的研究，但eVTOL存在诸多独特的适坠性设计难点（表1），已成为其投入实际应用的障碍之一。其自身无动力着陆能力弱且结构轻量化要求高，座舱底部空间较小，复合材料使用率高，同时eVTOL的适坠性要求还需考虑湍流、阵风和意外接触障碍物导致的离轴碰撞。

大量研究表明，结构在不同变形破坏模式下的能量吸收能力有很大的差异，继而会影响到结构的压溃行程、加速度峰值和加速度脉冲波形。这一现象在复合材料结构上更为显著，未经过合理设计的复合材料结构存在压溃初始峰值载荷较大、压溃载荷均值较小、载荷效率较低、吸能效率低下，且客舱地板处的加速度响应远高于同类纯金属材料飞机结构等问题。另外，多个复合材料结构组合使用后的能量吸收效能并不能简单叠加。因此，eVTOL适坠性优化是一项系统性工程，并不能依靠提高单一部件的适坠性能，而是要充分挖掘各部件的吸能潜力，并进行整体优化，才能使eVTOL整机拥有较好的适坠性能。

在适坠性设计中，实验法成本高、耗时长，难以通过实体原型机进行优化，只能在单一冲击条件下进行优化，而且很难对单个适坠性设计特征的能量吸收能力进行量化。而数值仿真方法具有成本相对较低，更少的“开发-验证”迭代循环，能够具体分析各部件坠撞时吸能特性和贡献，以及能对不同冲击条件下进行适坠性综合优化等优点，目前波音空客等飞机制造商已经广泛应用仿真方法进行适坠性设计。另外，有研究表明离轴坠撞条件会导致eVTOL的适坠性能下降，因此有必要考察更大范围坠撞条件下的适坠性能，同时也产生了对高精度快速适坠性预测方法、高效优化方法及智能设计方法的需求。

本研究采用了“积木式”优化设计方法，先对起落架进行适坠性优化设计，之后应用吸能元件以进一步吸收冲击能量、减小加速度峰值，并提出了应用机器学习技术对起落架的危险位置应力、以及吸能元件的吸能效果进行预测的方法，再联合应用遗传算法对吸能元件进行优化设计。最后，进行了整机一体化坠撞分析和优化，并对其在多轴撞击条件下的适坠性进行了研究分析。

1 有限元模型

eVTOL有限元模型在LS-PREPOST中完成建模，包括复合材料机舱、起落架、电池舱、机臂、电机、桨叶、座椅等结构，并在整机坠撞仿真中加入了假人模型以评估坠撞对乘员生存的威胁。选用了“HybridIII50�tailed”标准成年人假人模型，其广泛应用于车辆碰撞和飞机坠撞仿真之中。该模型在人体多个关键部位，如头部、颈椎、腰椎等设有力和加速度传感器的测量单元或节点。同时，建立了飞机中常用的安全带模型以固定座椅上的假人。整个模型共有392个部件，近70万网格（图2）。金属材料主要为Al2024铝合金，在LS-DYNA有限元模型中采用了*MAT_PIECEWISE_LINEAR_PLASTICITY材料模型；使用的复合材料为T700编织布和单向带，用*MAT_ENHANCED_COMPOSITE_DAMAGE材料模型模拟其力学行为，具体力学性能详见表2。使用将连接位置结点设置成虚拟刚体的方式对eVTOL中各部件进行了连接。在起落架和地面之间建立了“面-面”接触，摩擦系数设为0.3，并且对eVTOL整机各部件设置了自接触以防止穿透，并设置了重力加速度及初始垂直下坠速度。

2 滑橇式起落架适坠性优化

对于eVTOL而言，为满足适坠性，也即紧急着陆要求，要求滑橇式起落架结构能在意外事故中尽可能的通过塑性变形或破坏的方式吸收能量，减小加速度过载以保护乘员安全。参照适航标准，要求其在9.1m/s的垂直冲击下使残余动能及峰值加速度最小。同时为了满足正常使用中可能出现的硬着陆要求，要求机体结构能承受一定速度下的冲击而不产生破坏。具体设计目标为能承受0.5m高处的自由跌落，即3.1m/s的触地撞击速度。另外，由于eVTOL飞行器对结构轻量化有着较高的要求，因此应尽可能的减小其重量。

由于起落架横梁越靠近撬的部位弯矩越小，因此考虑采用变截面梁设计，即起落架梁的壁厚沿管轴向（机体横侧向）变化。通过合理的变截面的设计，不仅可以减小重量，还能提高坠撞时复合材料起落架的抗冲击和吸能特性。另外，通过在与撬连接部位设置一个冲击破损初始发生区域，可在较大冲击载荷下使其首先发生破坏，从而使得起落架结构可以按照预先设想的方案发生渐进破坏，尽可能多的吸收冲击动能。

如图3所示，由于在仿真中无法实现厚度的连续渐变，因此对起落架进行了分段，以设置不同厚度。优化采用传统的“试算-评估-校正”方法，观察起落架弓形梁的破坏模式及动响应后再对铺层做出相应的调整。从表3可以看到，方案1中复合材料滑撬式起落架的各分段区域铺层厚度都较小，在垂直向下初速度为9.1m/s的冲击仿真中，其在管状弓形横梁弯管位置的梁分段4处折断。该破坏模式为“局部破坏”，导致座舱直接撞击地面，吸能率极低而加速度极大，不符合滑橇式起落架的适坠性设计要求（图4a）。

因此，在设计方案2时，将梁分段4的铺层厚度从2mm增加到了2.5mm。同时为了预设一个冲击破损初始发生区域，将位于管状弓形横梁最底端的梁分段6的铺层厚度从1.5mm减小至1mm。可以看到方案2的破坏模式为“渐进破坏”（图4b），能量吸收比率大幅上升至89.3%，而过载减小了一个数量级。过载越小，说明集中质量点的加速度峰值越小。但是，方案2的过载仍高于可接受范围，因此需要进一步提高其吸能和缓冲的效能。

在经过方案3和方案4两种不是很成功的设计后，方案5获得了极佳的破坏模式以及相应的吸能性能，方案5的能量吸收比率达到了95.4%，而过载为24G。但经过测试，方案5无法承受正常使用情况下的极限冲击载荷，会在梁分段6和连接段产生破坏。因此，在方案6至方案11都增加了梁分段6和连接段的铺层厚度。但方案6至方案9的破坏模式及吸能效果均不理想，直到方案9将梁分段1至梁分段3的铺层厚度从5mm增加到7mm，同时将梁分段4的铺层厚度从4mm增加到5mm，才出现了预想中的渐进破坏模式。方案10和方案11在方案9的基础上进行了进一步的改进。

仿真结果显示，方案11的起落架能量吸收比率高达98.9%，过载小于30G，集中质量点的加速度峰值为288m/s2。方案11不仅满足设计需求，而且与原设计方案相比，其最大载荷、吸能量、能量吸收率均大幅提高，而重量、残余速度、加速度、过载等均显著下降，表明起落架的适坠性能全方位提升而重量反而下降，且同时满足正常起落的抗冲击要求（表4）。

复合材料滑撬式起落架优化后的最佳铺层方案具体如表5所示。表5第3列铺层方案中，数字代表铺层角度。默认铺层为编织布，小括号中的铺层为单向带，其后的下标数字为铺层的重复次数。方括号外字母s表示整个层合板的铺层是对称的。

按照表5中所示的铺层方案对适坠性优化后的起落架进行了生产。在模具内铺敷T700编织布和单向带，并填充聚甲基丙烯酰亚胺泡沫塑料（polymethacrylimide，PMI），之后送入热固化设备进行一体化成型制造，如图5所示。

通过之前的仿真发现，弯管处应力大小决定了滑橇式起落架是会从弯管处直接断裂，还是从底部发生渐进式破坏。由于采用了复合材料并进行分段设计，这就为使用理论方法分析应力带来了困难；而采用数值方法也需要调整模型再提交计算，大大延长了设计周期。因此，如何更快速地预测复合材料弓形梁滑橇式起落架的应力，是亟需解决的问题。近年来，机器学习不仅在人工智能取得了众多突破性进展，而且在处理材料和结构设计领域的高维度非线性问题中展现出了巨大的潜力，解决了传统代理模型方法泛化能力较弱的问题。深度神经网络能够根据输入的数据进行学习，形成一个复杂的函数，对结果进行快速预测。

调整不同复合材料铺层参数，并进行复合材料起落架静力分析，计算出对应危险位置的应力，建立数据集。以梁分段1至梁分段6的单向带铺层数，以及连接段的单向带铺层数作为起落架模型的7个仿真变量n(i)(i=1~7)，而滑橇的铺层方案不变。其中梁分段3、4、5、6和连接段的单向带铺层数为独立变量，即n(3)~n(7)，其取值范围分别为28~52、24~48、8~28、0~2和0~2，增量步长分别为4、2、4、1、1，并且梁分段3的单向带铺层数应大于等于梁分段4的单向带铺层数，即n(1)≥n(2)，进行组合后共得出1890个数据点。梁分段1单向带的铺层数的计算公式为：

梁分段2单向带的铺层数与梁分段1单向带的铺层数相等:

使用Tensorflow和Kersa构建深度神经网络模型，包括1层5节点的输入层、5层50节点的隐藏层、以及1层单节点的输出层。各层激活函数均设为Sigmoid。优化器选择RMSProp，它是一种自适应学习率的优化算法，通过计算梯度平方的移动平均值来调整学习率，从而为每个参数提供不同的学习率，并在训练过程中自适应地调整。损失值计算方法选择均方误差（meansquareerror，MSE），监控指标计算方法选择平均绝对误差（meanabsoluteerror，MAE），每个训练步的数据量为50，总训练次数为10000步。

根据有限元仿真模型中的铺层层数转换为铺层厚度，作为输入数据：

其中，h(i)为第i分段梁的铺层总厚度，n(i)为第i分段梁的单向带铺层数，0.125是单层单向带的厚度，2是4层每层0.5毫米编织布的厚度之和。取4个折弯处危险区域的应力值，去除最大和最小值，并将剩余的2个结果取平均值，作为起落架危险位置应力值。随机打乱数据集中各组数据的排列顺序，并按6:2:2比例分割为训练数据集、验证数据集和测试数据集。训练神经网络，损失值曲线如图7a所示。训练结束后读取训练过程中最佳的模型，使用测试数据集对深度神经网络模型预测精度进行测试，结果如图7b所示。

经过学习后的深度神经网络代理模型能够实时预测应力，其预测的平均误差为5.86%。设计时只需输入设计参数，即可得到应力预测结果，而不再需要进行繁琐的有限元建模和分析等操作，可极大提高设计效率。

3 吸能元件设计优化与分析

3.1 吸能元件设计

吸能元件在吸收碰撞冲击的动能和减缓加速度方面起着重要作用，常应用于座椅与地板、起落架与机舱的连接处等部位，可以通过自身的变形和破坏，较大幅度吸收冲击能量，并大幅降低冲击响应的峰值载荷，使得输出响应曲线更为平滑，降低乘员所承受的加速度峰值，有效避免乘员头部、脊柱等关键部位受到致命伤害。

圆柱壳形吸能元件的有限元模型如图8所示，根据eVTOL座椅与地板的高度，吸能元件的高度定为160mm，直径60~110mm，壁厚1~3mm。材料为T700碳纤维编制布，其详细力学性能如前文中表2所示。为了使吸能元件在冲击载荷超过其设定的阈值时有效工作，其上部边缘外翻且预制了4个中心对称的缺口，引导破坏可控地发生。

首先对吸能元件的几何尺寸进行了参数化研究，可以发现几何尺寸对缓冲效果有着显著影响（图9）。在壁厚为2mm的情况下，随着直径大小从60mm以10mm为间隔逐渐增大到110mm，腰椎受力呈现先增大后减小随后再增大的S型曲线。当直径为100mm时，腰椎受力达到最小值8kN。而在直径为100mm的情况下，随着壁厚从1mm以0.5mm为间隔逐渐增大到3mm，腰椎受力呈现先减小后增大的U型曲线。当壁厚为2.5mm时，腰椎受力达到最小值5.2kN，小于适航标准中规定的极限值6.7kN，而且仿真结果显示载荷比较平稳。采用该参数的吸能元件质量仅为0.23kg，对于500kg级的eVTOL整机而言，额外增加的重量基本可以忽略。

3.2 吸能元件吸能效率快速预测模型

由于吸能元件的破坏吸能过程是一个高度非线性的过程，传统的预测方法如实验测量需要大量的时间和费用，理论模型通常仅能给出其吸能的上限，对实际具体工况下的预测不够准确，而数值模拟则需要大量的计算量和计算资源，且受材料模型和破坏模式准确度和适用性的影响，结果往往需要校正。因此，本研究提出了一种基于机器学习预测吸能元件吸能效率的方法及在此基础上的优化方法（图10）。

首先，建立了圆柱壳吸能元件的有限元模型，并根据不同材料参数计算出了对应的吸能值，形成数据集。然后，构建了神经网络模型，确定总层数以及各层节点数和其它超参数。之后，再训练神经网络模型，使其能够准确地预测吸能元件的吸能效果。最后，使用遗传算法对吸能元件采用的材料属性进行优化设计，并利用训练完成的预测模型对吸能元件设计方案进行快速吸能效果预测评估，最终得到约束条件下的最优设计方案。

用于生成训练神经网络数据的圆柱壳型吸能元件有限元模型如图11所示，初始参数为高80mm，直径40mm，壁厚为1mm。圆柱壳用壳单元模拟，单元尺寸为1mm。其底部固支，即约束底部节点的全部自由度。圆柱壳顶部有一个压载头，用一块100mm×100mm的刚性平板模拟。其与圆柱壳之间设置“点-面”接触保证没有相互穿透。另外对圆柱壳设置自接触，防止其在压溃过程中发生自身穿透现象。

圆柱壳型吸能元件常用材料为金属，如5754、6061、6063铝合金等，使用LS-DYNA中*MAT_PIECEWISE_LINEAR_PLASTICITY材料模型，其中对吸能特性有影响的5个材料参数，分别是密度（ρ）、弹性模量（E）、屈服强度（σ）、强化模量（Et）和失效应变（εf）。为讨论它们对吸能特性的影响，分别取了2~5个值，并使取值范围覆盖吸能元件较常用材料（表6）。

因此，一共有了800个不同材料参数的组合，分别对其进行有限元计算，分析得到的载荷力-位移曲线，获得峰值压溃力（peakcrushingforce,PCF）、平均压溃力（meancrushingforce，MCF）、吸能效率（crushingforceefficiency，CFE）、吸能量（energyabsorption，EA）和比吸能（specificenergyabsorption，SEA），其定义分别如下：

式中：F(x)是载荷，x是压溃位移，a是总压溃距离，m是吸能元件质量。

由于5个输入参数是不同物理量，数值差异较大，因此先对其进行了归一化处理，使其值区间均为[0,1]。然后随机打乱数据集中各组数据的排列顺序，再按6:2:2比例分割数据集，作为训练数据、验证数据和测试数据集。经过超参数的调优，采用如图12所示的全连接层神经网络：输入层为5个节点，分别对应吸能元件的所用材料的5个参数；隐藏层共有2层，每层有10个节点；输出层为5个节点，对应5个吸能特性值。各层激活函数也均选用了Sigmoid，同样优化器也选择了RMSProp，损失值计算方法选择了MSE，监控指标计算方法选择了MAE，每个训练步的数据量为50，总训练次数为10万步。训练中观察到出现过拟合现象，因此在两个隐藏层之间加入一个随机丢弃层，比率为0.2，可一定程度上减小过拟合。

如图13所示，随着训练过程的进行，其误差不断降低，但也出现验证集的预测误差在训练1000多步后反而上升的趋势，表现出过拟合现象。因此，采用自动保存最佳模型的方法，训练结束后再载入最佳的模型，此时的神经网络模型已经具备了较强的预测能力。使用800组训练数据中随机抽取的160组独立数据进行测试，显示神经网络模型的预测结果与实际结果的平均误差为9.4%，最大误差为12.7%，最小误差仅为0.007%。

3.3 吸能元件优化方法

遗传算法是一种可靠实用的优化算法，将其与机器学习相结合，有望快速有效地根据设计需求找到优化设计方案，提高了吸能元件设计效率和产品质量。在本研究中，主要设计目标是追求尽可能大的吸能量，要求不低于850J；另外需要吸能元件重量尽可能小，即材料密度尽可能小。因此，设置优化的目标函数为：

式中：Y是目标函数值，Y∈[0,1]；γ是权重系数，γ∈[0,1]；和分别是归一化后的吸能量和密度，为优化参数。另外考虑到结构刚度要求，设置弹性模量不小于65GPa的约束条件。

由于设计对吸能元件尺寸的限制，仅对材料参数进行优化，即密度、弹性模量、屈服强度、强化模量和失效应变这5个参数。采用遗传算法，设置DNA编码长度为24，种群数目为200，交叉概率0.8，变异概率0.005，种群迭代进化迭代次数为100。设置种群中每个个体的适应度为：

使用训练完成的神经网络模型对当前设计的吸能元件的吸能性能进行预测，即计算得到。如图14所示，通过100次迭代后，目标函数值趋于收敛，达到0.77，此时吸能量也达到最大。设计参数为密度2681kg/m3，弹性模量65.13GPa，屈服强度379.8MPa，强化模量42.2MPa，失效应变0.149，其吸能量为971.97J。即吸能量大于等于850J且弹性模量不小于65GPa。可见设计方案的吸能效果达到设计要求值，且刚度符合要求。

4 整机适坠性评估

4.1 整机适坠性评估

在起落架和吸能元件分别单独完成适坠性优化后，完成eVTOL整机模型装配，并加入假人模型，进行整机坠撞仿真。适坠性优化后坠撞结果和对人体所受威胁的对比分别如图15和图16所示。表7显示未经适坠性优化设计的eVTOL在9.1m/s垂直速度的坠撞时人体腰椎受力高达26.4kN，同时头部损伤判据HIC（HeadInjuryCriterion）也高达2491，均远超适航标准规定的最大值6.7kN和1000，分别达到了近4倍和2.5倍。经过起落架适坠性优化以及机体框架整体的适坠性优化，人体的腰椎受力和HIC值分别减小到9.7kN和233，前者已接近适航标准要求，而后者已远远优于适航标准要求。加入吸能元件后，尽管其吸能量在总吸能中占比较小，但其对于减缓乘员的腰椎受力表现出很好的效果，将乘员腰椎受力降到5.2kN，达到了适航标准。并且其对减小加速度也有所帮助，使HIC值减小到了166，而且其自身重量较轻。

4.2 部件吸能量分析

为研究各部件在坠撞中吸能的贡献，对适坠性优化后eVTOL各部件的结构破坏吸能（断裂能）和结构变形储能（内能）进行了统计。图17显示了其中贡献最大的几个部件，可见断裂吸能主要是由起落架前后横梁斜撑贡献（梁分段5、6），弹性变形储能则主要由座舱、加强框、起落架连接段和起落架撬贡献，但破坏吸能比变形储能大1~2个量级。这也是本研究中主要对起落架进行吸能优化的原因所在。

5 离轴坠撞仿真分析

eVTOL的应用场景多为城市区域，高楼林立，导致较多湍流、阵风，并且存在很多其它障碍物，如电线杆、广告牌等，因此需要考虑离轴碰撞下的适坠性。为了考察离轴角度、速度、地面摩擦系数以及它们的组合对eVTOL坠撞的影响，共进行了4个系列22个仿真实例的坠撞模拟。

系列1考察了竖直冲击速度对坠撞结果的影响，共包含3个实例：实例A是基准实例，冲击速度为适航标准规定的9.1m/s；同时为了考察较低和较高坠撞速度下的坠撞情况，设置实例B和实例C的冲击速度分别为6m/s和12m/s。

系列2考察了侧倾角和俯仰角对坠撞结果的影响，共包含3个实例：实例D中eVTOL坠撞时机身向右倾斜10°，而实例E和实例F中eVTOL坠撞时机身分别前倾10°和后仰10°。

系列3考察了多种角度速度组合的情况，共包含5组共12个实例：实例G1和实例G2分别设置了6m/s和12m/s的前飞速度，以考察前飞速度对坠撞的影响；实例H1和实例H2分别为在6m/s和12m/s的前飞速度下eVTOL机身向右倾斜10°的坠撞情况；实例I1和实例I2分别仿真了在6m/s和12m/s的前飞速度下eVTOL机身前倾10°的坠撞情况，而实例I1和实例I2分别模拟了在两速度下eVTOL机身后仰10°的坠撞情况；实例J1和实例J2分别仿真了在6m/s和12m/s前飞速度下eVTOL机身左偏航10°的坠撞情况；实例K1和实例K2则分别模拟了在两种不同前飞速度下eVTOL机身同时右侧倾10°、前倾10°和左偏航10°的坠撞情况。

系列4考察了地面摩擦系数的影响，共有2组共4个实例：L组地面摩擦系数为0，即绝对光滑地面；而M组地面摩擦系数为0.8；各组也分别算了2个实例，其前飞速度分别设置为6m/s和12m/s。

多角度多速度坠撞仿真详细设置以及坠撞后200ms内人体腰椎最大受力、头部损伤判据HIC最大值、以及座舱完整性情况如表8所示，坠撞后200ms时eVTOL变形结果如图18所示。从中可见头部损伤判据的值均没有超过适航标准规定的极限值1000。另外，多个有较大前飞速度、多撞击离轴角组合和较大地面摩擦系数的例子显示座舱被压溃。相比之下，多个实例的腰椎力均超过了适航标准规定的极限值6.7kN，因此需要进一步提高吸能元件的吸能缓冲性能，尤其是可在大冲击角度下和宽冲击速域内保持稳定吸能的能力。

对比分析这些系列1中的实例，可以发现垂直撞击速度与人体损伤量呈正相关且非线性，可能是多项式或指数关系。比较分析系列2中的实例与基准实例B，发现单侧首先触地的撞击未表现出比垂直正撞带来更严重后果，而前俯（低头）状态触地使腰椎受力减少，反之后仰（抬头）状态触地使腰椎受力增加。另外，比较分析系列3中实例发现，较低前进速度下（6m/s）触地可能与其它状态组合时产生较大腰椎受力（如实例H1和实例M1），但大部分情况并未带来显著的座舱压溃风险；而较大前进速度下（12m/s）触地会带来重大的座舱被压溃的风险，使乘员直接遭受碰撞伤害或难以逃离，这主要是由于底部摩擦力与顶部惯性力（电池舱、三通、电机等）形成的剪切力与扭矩使机舱框架发生断裂。因此，除了增强部件竖直方向的吸能能力，还需要保证结构具有一定的抗剪切能力。

6 结论

本文针对eVTOL适坠性设计的难点，对滑橇式起落架和吸能元件进行了适坠性优化设计，将优化后的部件组装进行了整机适坠性分析，并进行了多角度多速度和不同摩擦条件的坠撞仿真。同时，针对有限元仿真速度慢、不利于优化设计的问题，提出了使用机器学习技术预测滑橇式起落架应力和吸能元件吸能效率的方法，并且开发了结合遗传算法和机器学习的吸能元件优化方法。主要结论如下：

（1）通过对复合材料滑橇式起落架梁进行合理的变厚度铺层设计，可使得其按预设的“渐进破坏”模式充分断裂吸能，相比于在局部破坏折断的破坏模式，其适坠性能可全方位提升，并同时满足正常起落的抗冲击要求。

（2）吸能元件的几何尺寸和所使用的材料参数对缓冲效果具有显著影响，加入优化后的吸能元件，尽管在总吸能量中贡献不大，但可以很好地减缓乘员的腰椎受力。

（3）加入合理优化后的起落架和吸能元件，可使eVTOL坠撞时乘员的腰椎受力和头部损伤判据HIC值均有显著减小，小于适航标准规定值。

（4）神经网络能够有效快速预测起落架危险处应力和吸能元件吸能效果，平均误差在10%以内，可大幅提高设计效率。

（5）离轴坠撞条件下乘员腰椎有很大受伤风险，需进一步提高吸能元件的吸能缓冲性能，尤其是能在大冲击角度下和宽冲击速域内保持稳定吸能的能力，后续有必要深入开发更高精度、更强预测能力的快速计算代理模型，并开发高效优化方法及智能设计方法。

（6）离轴坠撞条件下座舱有很大风险会因为地面摩擦力和大质量部件的惯性力导致剪切破坏以致溃塌，因此需要在eVTOL适坠性设计中充分考虑座舱结构的抗剪切能力。

（文章选自《航空学报》作者：丁梦龙，李道春，周尧明，冯传宴，邵浩原，向锦武，转载此文章仅以传播知识为目的，如有任何版权问题请及时联系我们！）

精彩推文

声 明：原创文章，欢迎联系获取转载授权，并注明来源飞行邦；转载文章，目的在于传递更多信息，并不代表平台赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请及时联系我们更正或删除。文章版权归原作者及原出处所有 ，本平台只提供参考并不构成任何投资及应用建议。

来源：小萱科技论