在側面碰撞中電動汽車電池模塊破損的預測

摘 要：為增強電動汽車在側面碰撞事故中的電池安全性，以某新能源汽車電池箱為研究對象，創建側面碰撞情況下的有限元模型。通過LS-DYNA進行5種速度側面碰撞仿真，提取電池箱側壁幾何中心點的應力曲線以及電池模塊破損情況，根據兩者之間的相關關系，建立預測電池模塊碰撞破損的反向傳播（BP）神經網絡模型。模型的輸入量為應力曲線，輸出向量為模塊破損情況。結果表明：5種速度碰撞后預測錯誤3塊，其余177塊預測均正確；準確率達到98.33%。因而，通過對算法的設計可預測出電動汽車在受到側面碰撞時將要破損的具體模塊，有利于提高電動汽車安全性。

關鍵詞： 電動汽車（EV）；電池模塊；側面碰撞；破損預測；反向傳播（BP）神經網絡；有限元（FE）仿真

中圖分類號： U 467.14 文獻標識碼： A DOI： 10.3969/j.issn.1674-8484.2024.02.004

電動汽車在碰撞事故中[1]、尤其在側面碰撞事故中，電池模塊受損是影響電動汽車安全性的關鍵因素之一[2-3]。電動汽車碰撞安全集中在以下幾方面研究[4]：

在電動汽車結構布局研究方面，王月等通過優化設計箱體的吸能構件，減輕碰撞時電池模塊的損傷[5]，V. Motevalli 通過研究得出需要進一步優化電池模塊的布置方式和電動汽車的吸能結構[6]。L. Sudworth 采用有限元仿真技術和實驗驗證方法，對Zebra 電池在多種不同碰撞情況下的安全性進行測試和改進研究，其改進后的Zebra 電池在碰撞方面表現出了很好的安全性[7]。M. Hartmann 等對電池箱進行設計之后，利用Optistruct 軟件得到電池箱加強筋的位置，綜合考慮制造約束確定最終的加強筋形狀，結果表明電池箱的前３階模態均有提高[8]。

在電池高壓電的控制方面，陳彥雷研究了汽車碰撞時及時切斷相應的配電系統降低起火危險[9] ；張亞軍利用計算機輔助工程（computer aided engineering，CAE） 仿真計算，優化高壓元件空間布置問題[10] ；東風汽車公司研發了碰撞時整車高壓斷開系統[11]。

人工智能為汽車帶來了智能算法[12]。人工神經網絡因其在非線性映射方面的優勢表現而備受矚目。陳誠利用神經網絡進行預測碰撞的可能性，提前提醒駕駛員規避，以減小碰撞概率[13]。劉佳使用神經網絡對電動客車提出了基于自適應模糊神經網絡識別的動力電池系統碰撞程度分級方法，并且制定了分斷信號觸發的控制策略，從而在受到側面碰撞時，減小電池破損程度[14]。

已有研究僅對電池箱體進行安全性研究，對電池模塊研究較少。

本文通過有限元仿真不同速度的移動變形壁障（movable deformable barrier，MDB） 對整車側面碰撞，并提取電池模塊破損情況及傳感器應力曲線作為反向傳播（back propagation，BP） 神經網絡的訓練樣本，利用BP 神經網絡建立碰撞預測模型，實現在汽車側面受到碰撞時，預測出電池內部將要破損的具體模塊編號，并通過控制系統及時對相應模塊斷電，減小在碰撞事故中的起火和爆炸的概率。此外，準確的預測可以幫助汽車制造商改進電池模塊的設計，不僅提高電動汽車在碰撞中的安全性能，而且有助于開發更先進的被動和主動安全系統，以進一步減小側面碰撞對電池模塊的沖擊。

1 有限元模型及仿真

1.1 有限元模型的建立

圖1a 所示某中大型SUV 電動汽車。電池包1 位于座椅下方，由36 個模塊組成并分別對其進行了編號，如圖1b 所示，每個模塊包含12 個軟包式鋰離子電池單元。對電池模組采用均質化建立有限元模型，電池的力學性能與可壓縮泡沫力學性能相似，電池模塊芯層材料用各向同性可壓縮泡沫材料代替[15]，電池箱箱體和上蓋選用鋁合金材料，電池模塊支架、壓板等選用PA6 塑料材料。

基于Hyper Works 對整車模型進行建模和網格劃分。本文主要研究對象為電池箱。電池箱側壁與上蓋采用四邊形殼單元，電池箱體與電池模塊采用六面體實體單元，電氣控制模塊采用四面體單元，共1 283263 個節點，1 608 756 個單元。考慮到碰撞仿真的準確性和計算時間，將模型中的二維和三維網格都按照5 mm 劃分，并在網格劃分完成后對其質量進行檢查以確保滿足質量標準。利用*Constrained_extra_nodes_set/node （Xtranode） 關鍵字對電池模塊和電池箱定義剛柔連接，使用*Constrained_rigid_bodies 關鍵字對電機與變速器之間定義剛性連接，采用鉸鏈（Fe-Joint） 來模擬相對運動的部件，如轉向節臂球鉸采用球鉸鏈模擬，車軸和轉向拉桿等轉動部件采用轉動鉸鏈模擬。

碰撞仿真不需要假人的數據，在主駕駛座椅上配重50 kg，這樣才能保證仿真中汽車各個零部件質量分布與真實情況一致[16]。

根據國標GB 20071-2006 法規要求，如圖2 所示，將移動變形壁障（MDB） 分為吸能塊和移動臺車2 部分，并進行建模。在撞擊時，移動臺車不會發生變形和吸能，可認為剛性體。吸能塊要在仿真中表現出變形和吸能，設置為6 塊單獨的蜂窩鋁組成。根據國標規定將可移動壁障的中心對準汽車前排座椅的R 點，壁障的下邊緣與地面的距離為300 mm，并對該模型施加50 km/h的碰撞速度，100 ms 的碰撞時間。

整車側面碰撞仿真有限元模型如圖2 所示。它共有8 970 486 個節點，10 247 823 個單元，提交LSDYNA軟件計算，得到仿真結果。由于模型較大，網格數較多，需利用超算中心進行計算。硬件配置為每個計算節點裝備2 顆Intel Xeon Platinum 8280 處理器，每顆擁有28 個核心和56 個線程，基礎時鐘頻率為2.7GHz，每個節點配置 512 GB DDR4 ECC 內存。

1.2 仿真與試驗結果的對比

設置移動變形壁障（MDB） 的初始速度為50 km/h，在LS-DYNA中導入輸出的k 文件進行計算。碰撞過程中遵循能量守恒，由圖3 所示能量曲線。系統的總能量為111 kJ。碰撞開始時，總能量完全表現為動能，隨著時間的變化，動能逐步轉變為內能，且變化曲線比較平滑沒有發生突變。沙漏能始終保持平穩而且較小，大約占總能的0.13%，不超過總能量的5%，滿足整車仿真可靠性要求。

在車輛碰撞測試中，會在車身上安裝多個加速度傳感器來收集數據，其中，右側B 柱下端是一個重要的測量點。在仿真模型中，也需要在同樣的位置添加傳感器模塊，以便對試驗與仿真的數據進行對比。圖4 展示了傳感器的安裝位置和試驗和仿真數據的對比結果。由圖4b 可發現，仿真和實驗曲線的加速度峰值分別為89.2 m/s2 和80.4 m/s2，且峰值時間都在33 ms 附近，2 個曲線的變化速度基本一致， 表明了仿真模擬的準確性較好。

EURO NCA 側面碰撞試驗變形結果[17] 和仿真的結果如圖5 所示。

碰撞后，車門與翼子板連接處車門產生向外翻轉的變形，車門中下部入侵量較大，車窗處凸起加強筋中部彎曲形成45°凹陷，車門檻對應防撞梁發生彎曲變形，后輪眉受到MDB 沖擊造成輪眉輕微向內翻轉，試驗實測與仿真后的車身變形方面高度吻合。

MDB 變形情況如圖6 所示。位置4 處碰撞塊在碰撞時與后車輪和輪眉處接觸，碰撞后產生凹陷，位置3處碰撞塊與B 柱接觸，在碰撞后B 柱變形量小，因此產生凹陷，位置1 處和位置2 處的碰撞塊在碰撞時與汽車前門和后門接觸，因此凹陷程度也一致，因此仿真碰撞的MDB 變形與試驗結果具有較好的一致性。

通過仿真結果以及與試驗結果對比，側面碰撞仿真整個過程中能量守恒，仿真與測試的B 柱加速度曲線的走勢也比較一致，仿真與測試的變形程度基本吻合，說明建模方法及仿真結果正確[18]。

2 碰撞預測算法數據樣本提取

由文獻[19] 研究得，側面碰撞時電池箱體側壁不與電池內部結構接觸時，電池損傷判定標準為電池模塊加速度大小，加速度提取安裝電池的剛性框架的4 個節點測量的平均值，平均值大于35g 時電池模組會破壞。

本文通過側面碰撞仿真分析，當側面碰撞速度為95 km/h 時，電池箱體位移如圖7 所示。最大入侵量為11.2 mm，而在電池箱體中電池箱側壁距離電池模塊的最小距離為85 mm，因此電池箱體的側壁不會與電池內部結構接觸，不會因為擠壓對電池模塊產生威脅。當側面碰撞速度為50 km/h 時，通過對比所有電池模組的平均加速度變化曲線，發現平均加速度最大值出現在5 號電池模塊。

圖8 是5 號電池模塊的平均加速度- 時間變化曲線。最大值出現在55 ms 時為25.625 km/s2，最大加速度為26.14g，小于35g，未受到任何損壞。當速度超過100 km/h 時，通過仿真可知，電池模塊損壞數量為18塊，達到總模塊數量的1/2，破損數量較多。為了保證算法的適應性和預測的準確性，將仿真速度范圍限制在55～95 km/h 之間， 選取55、65、75、85、95 km/h共5 組速度進行側面碰撞仿真。

2.1 樣本輸入向量

在碰撞中，電池箱側面的電池箱壁會最快發生變形，通過設計預測模型來探究汽車在側面碰撞中電池箱壁應力變化與電池模塊破損情況之間的相關性。如圖9 所示，在電池箱壁側面的吸能盒上設置4 個等距節點提取應力。1、2、4 號節點應力曲線用作預測的訓練樣本，第3 號節點應力曲線則用來驗證預測的準確性。

當側面碰撞速度分別為55、65、75、85、95 km/h時，其 1、2、3、4 號節點的應力變化情況如圖10 所示，橫坐標為撞擊時間t，縱坐標為節點的應力值。

由圖10 可知：碰撞仿真總時間為100 ms，所有速度的碰撞在40 ms 左右時出現最大應力，在此刻電池模塊的損壞風險最高。標記段為前25 ms 內的應力曲線，此時段內應力較小，電池模塊還未發生損壞，因此將此階段的應力曲線作為預測模型的輸入量。為利于數據處理，將前25 ms 階段離散成50 個元素的向量X[x1， x2， …， x50] ；同理，其他速度碰撞仿真中1、2、3、4 號節點離散后的輸入向量如表1 所示，形成完整的輸入向量集。

2.2 樣本輸出向量

碰撞預測算法使用向量來表示電池箱中36 個模塊在側面碰撞時的破損情況，根據仿真后每個電池模塊的破損情況，將這些信息轉化為一個向量的形式，作為預測算法的輸出向量。

當圖1b 所示36 個電池模塊中第i 號模塊損壞時，將輸出向量Y 的第i 個元素（yi） 設置為1，否則為0。最終，每個速度下選用3 組樣本作為BP 神經網絡的訓練集，并使用一組樣本作為測試集，整個數據集包含15 個訓練樣本和5 個測試樣本。

3 電池模塊碰撞預測算法

通過以上不同速度的碰撞仿真結果得到輸入和輸出向量，本節利用Python 中的神經網絡庫來構建BP神經網絡模型。該模型將包括輸入層、隱藏層和輸出層，根據需要調整隱藏層的神經元數量和層數，以獲得更好的模型性能。通過迭代和優化模型的權重和偏差，使其能夠準確地預測碰撞結果。訓練完成后，將測試集中的輸入向量輸入到模型中，并與仿真的結果進行比較以評估模型的準確性。

3.1 BP 神經網絡

BP 神經網絡由輸入層、隱含層、輸出層組成，相鄰層之間各神經元進行全連接，而每層各神經元之間無連接[20]，最主要優點是具有極強的非線性映射能力[21]。由于文中模型輸出層節點較多，一層隱含層的迭代速度和預測準確率較低，因此使用2 層隱含層，模型網絡結構如圖11 所示。

BP 神經網絡模型可以描述為：

式中： xi 為輸入層，zj 為隱層，yk 為輸出層，wij 為輸入層第i 個神經元與隱含層第j 個神經元之間的權重，wjk 為隱含層第j 個神經元與輸出層第k 個神經元之間的權重，f 為激勵函數，bj、bk 為偏置[22]。

ReLU 函數是一個分段線性函數，如果輸入為正，它將直接輸出，否則，它將輸出為零。

f （x） = max（0， x）. （2）

在神經網絡中，ReLU 函數作為神經元的激活函數，為神經元在線性變換之后的非線性輸出結果。換言之，對于進入神經元的來自上一層神經網絡的輸入向量x，用ReLu 激活函數作為非線性變換所得輸出結果為

f （x） = max（0， wTx + b）. （3）

Sigmoid 函數是一個適用于二分類或需要輸出概率的函數。用Sigmoid 函數作為隱含層激活函數，激活函數的數學表達式為

f （sj） = [1 + exp（sj）]-1. （4）

式中，sj 為BP 神經網絡的節點輸出值。

3.2 數據的處理

為了加快BP 神經網絡模型的收斂速度和提高模型的準確性，使用Z-score 標準化方法對輸入數據進行標準化處理，把輸入的樣本數據歸一化。對于輸出樣本數據，不進行處理，因為目標是表現出每個電池模塊破損的概率，將輸出數據視為破損的概率，并保留其原始值，這樣可以確保模型的輸出結果與實際情況更為貼切。Z-score 標準化為

式中： σ 為標準差，μ 為輸入向量的均值。經過Z-score標準化后得到的結果是所有數據都聚集在均值附近，方差為1。

3.3 碰撞預測算法的訓練

電池模塊破損預測BP 神經網絡模型采用圖11 所示的4 層網絡結構。前25 ms 的應力曲線離散為50 個元素作為輸入，36 個模塊的損壞情況作為輸出，故輸入層節點數為50，輸出層節點數36。模型選用Relu 函數和Sigmoid 函數作為激活函數，使用均方誤差（MSE）函數作為模型的損失函數，訓練學習效率為0.09，最大迭代次數為3×104。隱含層節點數的數量會影響BP 神經網絡的性能[23]，利用Kolmogorov 定理對隱含層節點數計算：

式中： n 為隱含層節點數，n0 為輸出層節點數，ni 為輸入層節點數，α 的范圍為1 到10。

經過計算和訓練，選擇80 和10 作為第一層和第二層隱含層的節點數。誤差曲線用于監控模型的訓練過程和判斷模型是否過擬合或欠擬合。

本文的訓練迭代誤差變化如圖12 所示。初始的訓練誤差快速降低；在大約迭代2 萬次后，訓練誤差開始停止下降并趨于穩定；當訓練次數達到3 萬次時，最終樣本均方誤差為1.3×10-3 接近0。

最終，確定用4 層BP 神經網絡作為電池模塊破損預測模型，以及輸入層X = 50，輸出層Y = 36，隱含層分別為80 和10，迭代次數為3 萬。

4 預測結果分析

4.1 BP 神經網絡的測試

將表1 中5 組測試集數據X4 分別輸入到訓練好的BP 神經網絡預測模型中。表2 分別列出了5 組速度下的36 個電池模塊的預測破損概率的結果。

表3 為5 組速度下的36 個電池模塊的仿真破損結果，0 代表對應電池完好，1 代表損壞。并將預測破損情況和仿真破損情況進行比較，以檢驗模型的實際應用能力和泛化能力。為了確保預測的準確性，通過多組預測數據驗證，本文中設定預測破損概率大于98% 時，判定對應編號的電池模塊損壞。預測結果向量Y 中的每一個數據代表每個模塊破損的概率，例如，預測輸出結果Y = [2.31×10-5， 9.99×10-1， 2.86×10-3，…，4.50×10-5， 9.90×10-3]，1 號電池模塊值為2.31×10-5，趨近于0，預測電池模塊沒有破損，均與仿真破損情況一致，預測正確，以此類推。

通過5 組速度進行驗證，每組速度預測出36 個電池模塊破損概率，見表3。一共測試了180 個模塊，其中預測錯誤3 塊，分別為65 km/h 碰撞時28 號模塊，85 km/h 碰撞時3 號模塊，95 km/h 碰撞時28 號模塊。其余177 塊測試正確，預測準確率達到98.33%。

4.2 電池模塊預測破損概率分析

圖13 為1、9、18、27、36 號模塊在不同速度碰撞下預測破損概率。

當碰撞速度大于65 km/h 時，1 號和27 號模塊破損概率逐步上升，由于27 號模塊位于碰撞點對面，因此隨著碰撞速度增加，損壞的概率變大，在75 km/h碰撞時便開始損壞。而1 號電池位于電池箱前端，在碰撞時沖擊力相對小點，因此隨著碰撞速度增加破損概率逐步增加，直至95 km/h 碰撞時模塊損壞。而9 號和36 號模塊位于后排座椅下部，在受到碰撞時后輪眉部位加強筋較多，吸能效果較好，因此在每個速度碰撞中均未發生破壞。18 號模塊位于B 柱后方，由于B柱設計強度大，因此在碰撞時B 柱后部電池相對保護較好，18 號模塊破損概率也就較低。

本預測模型的數據為仿真數據，但是與際碰撞中的實驗數據由一定的差距，所以在接下來的研究中，希望數據能夠和真實的碰撞數據更為接近，并且還可優化算法，使其實現對多種車型也可適用。

5 結 論

針對電動汽車側面碰撞中電池模塊的破損預測進行研究。通過建立某車型的有限元模型，對其進行幾何清理、網格劃分、為模型部件添加材料屬性、建立部件之間的接觸和連接。根據碰撞標準進行設定側面碰撞條件，仿真出電池模塊在受到側面碰撞過程中的受力情況以及其破損情況，提取出不同速度撞擊下電池箱側壁受力曲線以及電池模塊破損數據。

基于BP 神經網絡模型建立碰撞預測算法模型，利用仿真中所提取的3 組節點應力曲線作為BP 神經網絡的訓練樣本，剩余一組節點應力曲線則用來驗證預測模型的準確性，經過多組數據驗證，預測準確率達到了98.33%。

可實現在任意碰撞速度下預測出電池模塊破損情況，在碰撞前25 ms 時提取出電池箱側壁受力曲線并離散成50 個點，然后將這50 個點值導入訓練好的BP 神經模型中，利用BP 神經網絡模型對電池模塊破損預測。

根據以上研究，在電動汽車受到側面碰撞過程中，可在25 ms 時準確預測出將要破損的具體模塊。這種高精度的預測信息對于控制模塊至關重要，可以在車輛側面受到撞擊時提供實時的有效信息，精準的預測能夠使行車電腦及時對將要破損的電池模塊進行快速斷電，降低電池在意外事件中發生短路起火的風險，保護車輛和人員的安全，有望為電動汽車碰撞安全性研究提供有力支持。

參考文獻（References）

[1] 蘭鳳崇， 劉金， 陳吉清， 等. 電動汽車電池包箱體及內部結構碰撞變形與響應分析[J]. 華南理工大學學報（ 自然科學版）， 2017， 45（2）： 1-8.

LAN Fengchong， LIU Jin， CHEN Jiqing， et al. Collisiondeformation and response analysis of electric vehiclebattery pack enclosure and internal structure [J]. J SouthChina Uni of Tech （Nat Sci Ed）， 2017， 45（2）： 1-8. （inChinese）

[2] Avdeev I， Gilaki M. Structural analysis and experimentalcharacterization of cylindrical lithium-ion battery cellssubject to lateral impact [J]. J Power Sources， 2014， 36（8）：271-279．

[3] 蘭鳳崇， 陳元， 周云郊， 等. 輕質多材料動力電池包箱體選材與優化[J]. 吉林大學學報（ 工學版）， 2020， 50（4）：1227-1234．

LAN Fengchong， CHEN Yuan， ZHOU Yunjiao， et al.Material selection and optimization for lightweightmultimaterial power battery pack enclosure [J]. J JilinUniv （Engi Ed）， 2020， 50（4）： 1227-1234. （in Chinese）

[4] 李寶寧. 電動汽車電池包箱體及內部結構碰撞變形與響應設計分析[J]. 企業技術開發， 2017， 36（10）： 40-41+54.

LI Baoning. Analysis of collision deformation andresponse design of battery pack box and internal structureof electric vehicle [J]. Enterprise Tech Develp， 2017，36（10）： 40-41+54. （in Chinese）

[5] 王月， 肖海濤， 王鵬翔， 等. 某混動車型側面柱撞結構優化[J]. 電池工業， 2017， 21（5）： 1-4+8.

WANG Yue， XIAO Haitao， WANG Pengxiang， et al.Optimization of side pillar collision structure for a certainhybrid vehicle model [J]. Battery Indu， 2017， 21（5）： 1-4+8.（in Chinese）

[6] Motevalli et al. New approach for performing failureanalysis of fuel cell-powered vehicles. Int’l J Auto Tech，2009， 10（6）： 743-752.

[7] Sudworth J L. Zebra batteries [J]. J Power Sources， 1994，51（1）： 105-114.

[8] Hartmann M， Roschitz M， Khalil Z. Enhanced batterypack for electric vehicle： Noise reduction and increasedstiffness [J]. Mate Sci Forum， 2013， 765： 818-822.

[9] 陳彥雷. 一款純電動汽車碰撞斷電功能及碰撞后高壓電安全測試[J]. 汽車電器， 2016， 334（6）： 18-20.

CHEN Yanlei. A pure electric vehicle crash power failurefunction and post-collision high-voltage electric safetytest [J]. Automotive Elec Appl， 2016， 334（6）： 18-20. （inChinese）

[10] 張亞軍， 任高暉， 李君杰， 等. 基于某電動汽車高壓電碰撞安全設計與防護[J]. 汽車安全與節能學報， 2017， 8（4）：388-396.

ZHANG Yajun， REN Gaohui， LI Junjie， et al. Safetydesign and protection based on the high-voltage electriccollision of an electric vehicle [J]. J Autom Safe Energ，2017， 8（4）： 388-396. （in Chinese）

[11] 劉爽， 吳杰余， 楊問弘， 等. 一種電動汽車碰撞斷電保護系統[P]. 中國： CN104494544B， 2017-01-18.

LIU Shuang， WU Jieyu， YANG WenHong， et al. Acollision power-off protection system for electric vehicles[P]. China： CN104494544B， 2017-01-18. （in Chinese）

[12] GAN Nianfei， FENG Yanan， YIN Hanfeng， et al. Quasistaticaxial crushing experiment study of foam-filledCFRP and aluminum alloy thin-walled structures [J].Composite Struc， 2016， 157： 303-319.

[13] LONG Jiangqi， HUAG Wenhao， ZHANG Wuhu.Lightweight investigation of extended-range electricvehicle based on collision failure using numericalsimulation [J]. Shock Vibr， 2015， 20（15）： 1-9.

[14] 劉佳. 碰撞工況下電動客車動力電池系統安全控制研究[D]. 北京： 北京理工大學， 2015.

LIU Jia. Study on safety control of electric bus undercollision condition [D]. Beijing： Beijing Inst of Tech， 2015.（in Chinese）

[15] Wierzbicki T， Sahraei E. Homogenized mechanicalproperties for the jellyroll of cylindrical lithium-ion cells[J]. J Power Sources， 2013， 241（8）： 467-476.

[16] 郝霆， 王雍. 汽車碰撞試驗及Hybird Ⅲ （ 假人） 應用分析[J]. 人民公交， 2003（1）： 21-23.

HAO Ting， WANG Yong. Automobile crash test andHybird Ⅲ （dummy） application analysis [J]. People's Bus，2003（1）： 21-23. （in Chinese）

[17] 徐飛. 2021 年EURO NCAP 第五批測試結果發布[J]. 世界汽車， 2021， 474（10）： 60-71.

XU Fei. The fifth batch of EURO NCAP 2021 [J]. WorldAutomotive， 2021， 474（10）： 60-71. （in Chinese）

[18] 郝琪， 潘文杰， 肖琪， 等. 純電動汽車側面碰撞試驗及仿真分析[J]. 機械設計與制造， 2019， 341（7）： 119-122.

HAO Qi， PAN Wenjie， XIAO Qi， et al. Side collision testand simulation analysis of pure electric vehicles [J]. MechDes Manu， 2019， 341（7）： 119-122. （in Chinese）

[19] Abbas K， Saeid N， Doug C， et al. Comprehensive reviewof neural network-based prediction intervals and newadvances [J]. IEEE Trans Neural Networks， 2011， 22（9）：1341-1356.

[20] 林仕高， 歐元賢. BP 神經網絡學習參數優化研究[J]. 微計算機信息， 2010， 26（16）： 199-200+206.

LIN Shigao， OU Yuanxian. Research on optimizationof BP neural network learning parameters [J].Microcomputer Info， 2010， 26（16）： 199-200+206. （inChinese）

[21] Hecht-Nielsen R. Theory of the backpropagation neuralnetwork [J]. Neur Networks Perception， 1992， 15（11）：65-93.

[22] 蔣佳欣， 王博， 王猛， 等. 基于BIM 技術和BP 神經網絡的成都理工大學圖書館天然采光研究[J]. 土木建筑工程信息技術， 2020， 12（1）： 30-38.

JIANG Jiaxin， WANG Bo， WANG Meng， et al. Researchon natural lighting in the library of Chengdu Universityof Technology， based on BIM technology and BP neuralnetwork [J]. Civil Constr Eng Info Tech， 2020， 12（1）： 30-38. （in Chinese）

[23] 王嶸冰， 徐紅艷， 李波， 等. BP 神經網絡隱含層節點數確定方法研究[J]. 計算機技術與發展， 2018， 28（4）： 31-35.

WANG Rongbing， XU Hongyan， LI Bo， et al. Study on thenumber of nodes in BP neural network [J]. Computer TechDeve， 2018， 28（4）： 31-35. （in Chinese）