基于發動機罩板體素數據的頭部碰撞損傷快速預測

主題詞：行人保護機器學習頭部損傷指標罩板結構3D-CNN自編碼器

中圖分類號：U463；TP181 文獻標志碼：A DOI： 10.19620/j.cnki.1000-3703.2025008

Fast Head Crash Damage Prediction Based on Hood Plate Voxel Data

Chen Guangl2，Shang Yunlong12，Zhang Junyuan4，Tang Hongbin3，Sun Xiuxiu1.2 （1.Engneering，ianjin3O3O;2.ianjinPower for s， 3.Global Center， FAW CorporationLimited，130o13;4.Colege ， ， ）

【Abstract】Inorder toquickly evaluate thepedestrian protectionperformance hood platestructures difrent vehicles atthe vehicle development stage，thispaper proposesa machine learning prediction method basedon3D voxel data. ，a3Dvoxeldatasetcenteredonthecolisionpointthehodplateheadisconstructedbasedonthefiniteelementmodels 7vehicles toaccuratelycharacterizethecomplex 3Dstructurethehoodplate.Second，unsupervisedfeature learning is performedonthe3Dvoxeldata byusing3D-CNNAuto-Encodertogenerate the1Ooo-dimensional coded dataset. Subsequently，thenoisefeaturesarefilteredbythePCA lineardownscaling techniquetoobtain the24-dimensionalPCA dataset.Finally，theperformancethetwodatasetsonthefourmachinelearning modelsiscompared.Theexperimentalresults showthatthe224-dimensionalPCAdataset hasabetter prediction effect，inwhich thecoeffcient determination R² the SVR model for the prediction HIC a-peak reaches 98.86% 98.44% ，respectively，which significantlyimproves the predictionaccuracygeneralizationability.Inaddition，thecomputationtimemorethan1OOsetscollsionpoints fora singlevehicleisshortenedtolessthan1Os，whichsignificantlyimprovestheficiencythedevelopmentautomobilesafety performance.

words：Pedestrian protection，Machine learning，Head Injury Criterion （HIC），Cowl structure，3D-CNNAuto-Encoder

【引用格式】陳光，尚云龍，張君媛，等.基于發動機罩板體素數據的頭部碰撞損傷快速預測[J].汽車技術，2025（10）：52-62.CHENG，SHANGYL，ZHANGJY，etal.Fast Head CrashDamagePrediction BasedonHoodPlateVoxelData[J]. ，2025（10）： 52-62.

1前言

在交通事故中，行人頭部撞擊發動機罩板是造成其致命傷害的主要原因之一]。為了降低事故傷亡率，國內外相繼出臺嚴格的法規和測試標準，要求車輛設計必須嚴格考慮行人保護性能2。因此，優化發動機罩板結構對于提高行人保護性能具有重要意義。

在車輛開發階段，通過有限元分析（FiniteElement Analysis，FEA）計算頭部損傷指標（Head Injury Criterion，HIC）評估發動機罩的保護性能。在罩板結構開發中，需對各碰撞點單獨建模，細微的結構調整即需重新建模計算，單個設計方案評估計算耗時長達2～3天，嚴重影響研發效率，難以滿足當下快速開發的需求。隨著人工智能技術的蓬勃發展，多數研究利用機器學習快速獲取結構安全性能[3-8]。賀宏偉等提出利用圖神經網絡，在吸能盒結構相同的條件下，預測不同厚度對耐撞性能的影響；林翔等基于數值模擬與機器學習建立汽車碰撞代理模型，獲得不同碰撞速度下的力-位移曲線；馬騁浩等通過仿真采樣與圖像識別構建數據集，利用機器學習模型實現了電池包側面柱碰撞安全性的高效預測；李杰等[12]提出SVM-SSA-BP（Support Vector Machine-SparrowSearchAlgorithm-BackPropagation）融合的機器學習模型，預測機械濫用下鋰電池組的安全性能。上述研究均針對同一結構在不同工況下的性能預測，但缺乏同一工況條件下針對結構差異的非線性分析。

在車輛行人保護幾何結構研究方面，Kaushik等[13]根據碰撞點的結構特征，手動提取6組設計參數預測行人的保護性能，但不同車輛罩板的結構差異較大，無法利用同一組設計參數準確描述，導致泛化能力弱。Shanbhag等4克服了參數化限制，提出基于碰撞點位置的橫縱截面圖，并結合ResNet模型對碰撞點HIC進行端到端預測，但精度較低。

由于難以精確描述復雜的罩板結構，模型在車輛行人保護性能分析中的預測精度明顯不足。為此，本文提出一種基于發動機罩板體素數據的頭部損傷快速預測方法。將罩板的三維結構轉化為體素模型，充分表征其幾何細節；針對模型開發中小樣本問題，利用3D-CNN（3D-ConvolutionalNeuralNetwork）自編碼器進行幾何特征降維，并構建高質量數據集；通過機器學習模型可替代有限元計算，實現對不同車輛罩板結構行人保護性能的快速預測。

2頭部碰撞損傷數據集構建

2.1總體框架

汽車罩板結構為復雜曲面結構，不同車輛罩板結構差異顯著，如圖1所示。由于發動機罩內板拓撲與外板曲面組合的三維結構特征對HIC具有較高的靈敏度，難以通過離散的截面信息和簡單參數準確描述。因此，本文提出有限元模型的體素化方法，利用3D-CNN自編碼器對高維幾何特征進行降維，同時利用主成分分析（PrincipalComponentsAnalysis，PCA）方法進行特征篩2025年第10期選，構建適用于小樣本的高質量數據集，并基于4種機器學習模型預測測試集的HIC與a峰，驗證本文方法的可行性，總體結構框架如圖2所示。

圖2預測模型系統框架

2.2頭部損傷評價指標

根據中國新車評價規程（CarAssessmentProgram，C-NCAP），HIC的具體評分機制如表1所示，利用頭模型沖擊罩板獲取時間間隔不超過 15ms 的頭部傷害指標 HIC₁₅ ，從而量化車輛前端結構的行人保護性能[15]，如圖3所示。

表1頭部損傷顏色得分

在生物力學中，HIC根據頭部質心的合成加速度-時程曲線計算，其表達式為：

式中： a（t） 為時間歷程中頭部質心處的合成加速度， g 為重力加速度， 為最大HIC的時間窗口。

2.3頭部碰撞有限元模型

本文收集7輛不同的有限元整車模型，并按C-NCAP進行驗證。按照車輛環繞距離（WAD1000～WAD1700）劃分整車模型碰撞測試區，并確定頭部碰撞點。由于碰撞主要發生在汽車前端區域，為了簡化計算，截取整車A柱前端部分，同時施加6個自由度約束。由于兒童頭部碰撞區域集中于發動機罩板，所以本文主要探究兒童頭部碰撞工況。根據C-NCAP的規定建立兒童頭型沖擊器，以 40km/h 的速度和相對于水平面 50^° 的沖擊角度撞擊發動機罩，如圖4所示。

圖3C-NCAP車輛行人保護性能評價

探究罩板結構與頭部碰撞響應間的關聯性，考慮到罩板外板結構與整車造型緊密相關且不易改動，所以，在結構優化設計時，應聚焦于內板結構。隨機選取一輛整車的有限元模型，通過調整其內板結構，并驗證其對頭部碰撞響應的影響，結果如圖5所示。

由圖5可知，碰撞過程中內板結構變化會導致頭部加速度峰值a峰與HIC差異顯著。除罩板結構外，罩板的局部加強板、隔聲材料等均影響頭部響應，但內板結構對碰撞中的HIC與a峰的影響更加明顯。因此，本文將構建基于罩板結構的HIC和a峰的預測模型。

為了精確解析結構特征對頭部碰撞損傷響應的作用機制，在保證數據質量的同時，在建模過程中將所有整車模型罩板的內、外板材料及屬性統一化，移除個別整車模型中的加強板、隔聲材料、膠塊等部件。通過LS-DYNA軟件仿真計算出7個整車模型碰撞點（共814個）的時間-加速度歷程曲線，并根據式（1）計算各碰撞點HIC。

根據仿真結果可知，罩板下方具有充足的吸能空間，因而整車模型的所有碰撞點未存在與發動機艙內硬點發生二次碰撞的現象。因此，罩板的結構是影響頭部碰撞損傷差異的關鍵因素。

圖4有限元模型搭建

（c）碰撞位置3

圖5不同內板結構下的時間-加速度響應與HIC

3罩板結構特征表示

發動機內外板結構具有高度復雜性，若將整車罩板作為基本單元構建數據集，會面臨嚴重的樣本量限制問題。在分析實際碰撞過程時，發現頭部沖擊的影響范圍集中于碰撞點附近區域。某碰撞點的時間-加速度曲線如圖6所示，其對應的HIC計算區間內罩板的局部變形情況如圖7所示。

圖6碰撞過程中時間-加速度曲線

圖7碰撞過程中的頭部碰撞響應及罩板變形情況

在碰撞中，實際起作用的部位是與頭部接觸的罩板區域。基于這一物理特性，以單個碰撞點為中心，截取200mm×200mm×300mm 的局部區域作為基本數據單元，構建包含7輛車，共計814組碰撞區域結構的數據集。為了精確表征復雜的三維結構，使用點云化和體素化兩步實現高效體素化方法，如圖8所示，解決傳統參數化和二維圖像表征復雜三維結構的局限性的同時，便于后續深度學習的特征提取。

3.1 模型點云化

鑒于點云在表征罩板復雜幾何結構方面具有顯著優勢，點云數據常由激光雷達掃描實車獲得。在車輛設計階段，頻繁的結構修改無法分析實車問題，因而可在有限元階段獲取點云，提取有限元模型均勻分布的網格節點構建點云數據，如圖9所示。

3.2 模型體素化

體素化是指將點云轉化為可直接被卷積神經網絡（ConvolutionalNeuralNetwork，CNN）識別的體素模型[17-18]。利用投影原則，將點云依次映射至三維體素空間，使無序的點云轉換為規則的體素網格。若點被映射到體素塊內，假設該體素塊的體素值為1，表示存在罩板材料；反之為0，表示沒有材料。則體素化過程為：

式中： C_coords 為點的三維坐標信息， C_coords，max?C_coords，min 分別為點云中最大、最小坐標信息， S_voxel 為體素塊尺寸，S_grids（x，y，z） 為坐標系 x，y，z 方向的體素塊數量 ，I，J，K 為體素坐標。

圖8有限元模型體素化過程

圖9有限元模型點云獲取過程

點云體素化生成體素模型，如圖10所示，統一體素模型的大小為 40×40×40 ，經批量處理構建814組體素樣本的數據集。采用裁剪策略獲取碰撞點區域體素數據，精確表征發動機罩板碰撞區域的三維空間結構，以及不同碰撞位置的幾何形貌特征。針對發動機罩邊緣碰撞區域，點云數據記錄了內外板的完整空間拓撲關系，由于內外板采用共節點連接方式，所以體素模型中保留了獨特的連接結構特征。

圖10點云體素化

3.33D-CNN自編碼器體素特征降維

高維的體素模型直接用于端到端的深度學習模型訓練時，受限于樣本量不足，導致模型預測精度低[9]。因此，本文利用無監督3D-CNN自編碼器對三維體素數據進行特征提取與降維，以自動捕捉高維體素的低維特征。

3.3.1 網絡架構

自編碼器（Auto-Encoder，AE）是一種典型的無監督特征學習模型，通過反向傳播實現對輸人數據的重構，框架包含編碼器和解碼器兩部分。傳統的線性全連接自編碼器難以處理三維體素網格數據。因此，本文在自編碼器模型中引入3D-CNN網絡，其結構如圖11所示[20]。以 1×40×40×40 的體素作為輸入，在編碼器階段，通過多個3D卷積與池化模塊提取特征，得到表征結構的低維特征向量；在解碼器階段，采用3D轉置卷積對低維的特征向量進行數據重構，并不斷縮小重構體素與原始體素之間的損失。同時，在每個網絡層后均使用修正線性單元（RectifiedLinearUnit，ReLU）激活函數以引入非線性特性。

圖113D-CNN自編碼器模型網絡架構

3.3.2 損失函數設計

在模型訓練階段，由于罩板為薄壁結構，在體素化過程中產生大量未被占用體素（0值）。為了提高模型的重建效果，提出體素均方誤差（VoxelMeanSquaredError，V-MSE）損失函數，最小化輸入與輸出間的重構差異。

該損失函數由2個部分組成：均方誤差（MeanSquaredError，MSE）損失函數，用于衡量重構體素值與原始體素值間的差異；Voxel損失函數，用于優化非0體素塊的重建精度。V-MSE損失函數通過引人非零體素塊的權重系數，增強模型對薄壁結構特征的關注度，解決單一MSE損失函數在稀疏體素數據上訓練效果不佳的問題。相關損失函數表達式為：

L_V-MSE=w₁L_MSE+w₂L_voxel

式中： 分別為重建前、后體素值非0的體素數量， 分別為輸入體素值和重構體素值， n 為輸入體素塊數量， 分別為損失函數的加權系數。

3.3.3模型訓練與結果分析

為了驗證模型的預測性能及泛化能力，將6輛整車模型的體素數據作為訓練集，1輛整車模型數據作為測試集。在訓練過程中，批大小設置為16，學習率為 0.0001 采用自適應矩估計（AdaptiveMomentEstimation，Adam）優化器。訓練過程中重建體素與原始體素之間的損失曲線，如圖12所示。當訓練輪次（epoch）達到20000時，訓練集與驗證集損失值均趨于穩定，表明模型已經收斂，訓練效果良好。

從測試集中隨機抽取數據，模型的重構效果與原始體素的對比結果如表2所示。設定閾值進行過濾，對比過濾后的重構體素與原始體素的結構差異。結果表明，本文的自編碼器模型在復雜形貌和三維結構方面均具有良好的重建效果。根據自編碼器原理，若通過低維潛在特征向量解碼重構后與原始數據相似程度越高，則證明模的特征提取能力越強。因此，可利用低維的特征向量表達罩板復雜三維結構的幾何信息2]。

圖123D-CNN自編碼器損失收斂曲線

表2測試集模型的重建效果對比結果

4行人頭部損傷預測模型

4.1機器學習模型

本文對比4種機器學習算法，包括支持向量回歸（SupportVectorRegression，SVR）、隨機森林（RomForest，RF）梯度提升回歸（Gradient Boosting Regression，GBR）以及人工神經網絡（ArtificialNeuralNetwork，ANN）。其中，SVR通過映射關系將非線性回歸問題投射至高維特征空間，實現最大非線性回歸擬合精度；RF基于決策樹的方法，通過集成多個決策樹增強預測準確性和穩定性；GBR通過迭代訓練一系列弱學習器（如決策樹），逐步提升模型性能；ANN利用神經元接收輸入信號并處理信息，在網絡層進行傳遞，最終在輸出層生成預測結果。上述模型善于處理非線性問題，能準確建立起頭部碰撞工況下復雜三維結構與碰撞響應的聯系。

4.2數據集及數據處理

4.2.1歸一化預處理

基于訓練完成的自編碼器模型，保留編碼器進行特征提取，將原始 1×40×40×40 體素數據降維至長度為1×1 000 的特征向量，并將其作為機器學習模型的輸入，通過FEA計算，得到HIC與a峰并作為模型輸出。

為了確保模型訓練的穩定性和收斂效率，對數據進行歸一化預處理，結果如圖13所示：

式中： 分別為第 i 個目標值HIC與a峰的歸一化數據， 為歸一化后的特征， x_i 為編碼特征向量的第 i 個特征， x_i，t 為編碼特征的特征值。

通過仿真計算歷史數據得到HIC與a峰的最大值分別為2500和 。

圖13體素數據低維編碼特征

4.2.2 主成分分析

盡管編碼器實現了體素數據的非線性特征壓縮，但編碼特征仍存在線性的冗余與噪聲干擾，嚴重影響小樣本模型預測精度。因此，本文利用PCA將原始特征數據投影至新坐標系，進行二次降維[22]。

將歸一化后的編碼特征向量進行特征主成分提取，設置累計方差貢獻率閾值為0.99，對原始1000維特征進行篩選，構建累計方差貢獻率達到0.99008的224維特征的特征子集，有效過濾掉無關特征。

經過PCA篩選后的低維特征能夠與目標值間建立良好的聯系，可作為機器學習輸入特征。利用篩選出的224維特征與目標值的進行相關性分析，結果如圖14所示。在模型訓練前，參照3D-CNN自編碼器的評估策略，將6輛車的數據劃分為訓練集，并預留1輛車的完整數據作為獨立測試集。

圖14PCA提取主成分的特征分析

4.3評價指標

本文使用平均絕對誤差（MeanAbsoluteError，MAE）、均方誤差、均方根誤差（RootMeanSquared Error，RMSE）和決定系數 R² 作為模型的評價指標。其中，MAE衡量預測值與實際值差的絕對平均值，MAE越小，表示預測誤差較小；MSE衡量預測值與實際值差的平方的平均值，MSE越小，模型的性能越好；RMSE衡量預測值與實際值差的平方的平均值的平方根； R² 衡量模型解釋的變異性占總變異性的比例，表示模型的解釋能力。相關公式為：

式中： Y_i? 分別為第 i 個目標值與預測值， 為目標值的平均值。

4.4 HIC預測結果分析

為了評估PCA降維后特征集對機器學習模型性能的影響，將降維前的1000維原始特征與線性降維后的224維特征的兩組數據集，通過4種代表性的機器模型進行對比試驗，其超參數組合如表3所示。

表3機器學習模型超參數組合

模型在訓練集和測試集上的性能預測結果如圖15所示，結果表明：在訓練集上，4組模型在兩組數據集上均表現出較好的擬合效果，其決定系數 R²gt;0.95 ;在測試集上，經PCA線性降維后的224維特征數據，模型的擬合效果相對更優。

2025年第10期

圖15不同模型在兩組數據集的HIC擬合效果

表4詳細展示了模型在測試集上的預測性能，在原始1000維特征的數據集上，所有預測模型在測試集上的 R²gt;0.7 ，其中，GBR模型的擬合能力最為顯著，達到了 0.81 。在224維特征的數據集上，模型的擬合能力得到進一步提升，SVR模型在測試集上的 RMSElt;2% MSE lt;0.3% ， MAElt;1.5% ，且 R²?98.86%

表4HIC模型預測評價指標

對比兩組測試集中最優HIC預測模型的預測值與FE仿真計算的真實值，結果如圖16所示，不同碰撞點的HIC預測結果與FE獲取的結果擬合效果良好。224維特征的數據的模型預測效果更優，表明PCA能夠過濾數據噪聲與冗余特征，保留最具有判別性的特征成分，增強模型的泛化能力。因此，本文的復雜結構表征與特征降維方法在高效預測頭部碰撞損傷HIC時具有合理性，利用罩板局部三維結構構建數據集具有可行性。

圖16兩種數據集訓練的模型HIC預測效果對比

為了更加直觀地評估模型的性能，將測試集車輛的模型預測結果與FEA計算結果進行對比，繪制頭部碰撞區域的行人保護性能顏色分布圖，結果如圖17所示。預測的顏色分布與FEA仿真結果在空間模式和風險等級均高度一致，表明模型不僅準確預測了整體性能得分，更精確地捕捉到傷害值的空間變化趨勢，進一步驗證了本文預測模型的有效性，模型的預測結果在車輛的行人保護性能得分方面同樣具有較高的準確性。

（a）1000維訓練集

圖17車輛的碰撞點損傷顏色圖對比

4.5a峰預測結果分析

為了進一步評估兩組數據集的預測能力，使用4種模型對a峰進行訓練并預測，結果如圖18所示。雖然所有模型在訓練集上均表現出較好的擬合效果，但是模型在預測1000維特征的測試集時，4種模型的預測精度普遍較低。而在經PCA降維后的224維特征測試集上，本文模型展現出相對更好的預測性能。

（b）224維訓練集

圖18不同數據集不同模型下的a峰擬合效果對比

兩組測試集在各模型上的a峰預測評價結果如表5所示。在1000維特征的測試集中 R²lt;40% ，經過PCA處理的224維測試集的預測表現提升效果顯著。其中，SVR模型在測試集上的RMSE lt;1.1% MSElt;0.11% ，MAElt;0.8% ，且 R²?98.44% 。結果表明：經二次降維后的數據更適合于a峰的預測任務，a峰對結構特征變化更為敏感，所以對數據集的質量與數據量要求較高。

對比兩組測試集最優a峰預測模型的預測值與FE仿真計算的真實值的對比，結果如圖19所示。二次降維后的數據集在預測a峰方面具有較好的表現。同時，在HIC與a峰的預測任務中，本文模型在預測效率方面大幅提升，測試集中超100個碰撞點的計算時間由原始的2～3天壓縮至10s內，極大地提高了計算效率，為加快車輛產品的設計周期提供有力支持。

表5a峰模型預測評價

圖19兩種數據集訓練的模型a峰預測效果對比

5結束語

本文針對汽車發動機罩行人頭部碰撞損傷預測的問題，創新性地提出基于發動機罩板體素數據的頭部損傷快速預測方法。在保證預測精度的基礎上，縮短了計算時間，成功構建了復雜的結構特征與汽車性能響應間的定量關系模型，為汽車安全性能預測提供技術支持。

盡管本文在預測不同車輛罩板結構的行人頭部碰撞損傷中取得了一定的成果，但存在一定的局限性。當前模型主要考慮發動機罩板的結構影響，未將罩板的材料屬性、發動機艙硬點布置等納入影響因素，后續將對上述因素進行補充建模與綜合分析，進一步提升模型的完備性與工程適用性。

參考文獻

[1]MALLORY A，RAMACHANDRA R，VALEKA，etal. Pedestrian Injuries in the United States：Shifting Injury Patterns with the Introduction Pedestrian Protection into the Passenger Fleet[J]. Traffic Injury Prevention， 2024，25（3）：463-471.

[2]中國汽車技術研究中心有限公司.C-NCAP管理規則[S]. 天津：中國汽車技術研究中心有限公司，2024. Research Center.CNCAPManagementRegulations[S].： Research Center，2024.

[3]YANG C X，MENG KP，YANG LT，et al.Transfer Learning-BasedCrashworthinessPredictionforthe Composite Structure a Subway [J]. International Journal Sciences，2023，248.

[4]AIZJ，LUO S，XU ZY，et al. Prediction Optimization Design Porous Structure Properties Biomass-Derived Biochar Using Machine Learning Methods[J]. ，2024， 313.

[5] IMAM H M，MOHIUDDIN M， SHUMAN N M，et al. Prediction Seismic Performance Steel Frame Structures： a Machine Learning Approach[J]. Structures， 2024， 69.

[6]姜豐，李卓，汪怡平.基于GA-BP神經網絡的汽車空氣阻 力系數預測研究[J].汽車工程學報，2023，13（5）：730-738. JIANGF，LI Z，WANGYP.Research on the Prediction Air Resistance Coefficient Based on GA-BP NeuralNetwork[J]. ChineseJournal ，2023，13（5）： 730-738.

[7] LI G，LUO R，YU D H.A Framework for Developinga MachineLearning-Based Finite Element Modelfor Structural Analysis[J]. Computers Structures， 2025，307.

[8]ZHUANG WM，WANG EM，ZHANGHL.Prediction the Compressive Properties Reverse Structural Design Two-Dimensional Mesoscopic Aluminum Foam Based on Deep Learning Methods[J]. Journal Materials Science，2024，59（25）： 11416-11439.

[9]賀宏偉，余海燕，高澤，等.基于機器學習的汽車吸能結構 耐撞性智能預測方法[J].同濟大學學報（自然科學版）， 2024，52（增刊1）：29-38. HE H W，YU HY，GAO Z， et al. Intelligent Prediction Crashworthiness -Absorbing Structures Based on Machine Learning[J]. Journal Tongji （Natural Science），2024，52（S1）： 29-38.

[10]林翔，嚴波，牟哲岳，等.基于數值模擬和機器學習的汽 車碰撞代理模型[J].重慶大學學報，2021，44（2）：86-93. LIN X，YANB，MOU ZY， et al. Numerical Simulation Machine Learning Based Crash Agent Modeling[J]. Journal Chongqing ，2021，44（2）： 86-93.

[11]馬騁浩，莊梓傲，Shin Jonghyeon，等.數據驅動的動力電 池包側面柱碰撞安全性預測方法[J].爆炸與沖擊，2025， 45（2）： 139-149. MACH， ZHUANG ZA，SJ， et al.A Data-Driven Method forPredicting the Crash Power Pack Side Columns[J]. Explosions Shocks Waves，2025，45（2）： 86-93.

[12]李杰，袁博興，張云龍，等.機械濫用工況下鋰電池組的 安全性能預測[J].哈爾濱工業大學學報，2025，57（6）： 136-144+153. LI J，YUAN B X，Z Y L，et al.Prediction Perlormance Lithium Battery Packs under AbuseConditions[J].Journal Harbin Institute ，2025，57（6）： 136-144+153.

[13] KAUSHIK B，DAPHAL P，KHARE P，et al.Pedestrian Performance Prediction Using Machine Learning Techniques[J]. SAE Technical Paper 2021-26-0026，2021.

[14] SHANBHAG G.Pedestrian Head Injury Prediction Based on Section Image Using Machine Learning[C]// 38th FISITA World Congress. Prague，Czech Republic： FISITA，2021.

[15]HENN H W. Crash Tests the Head Injury Criterion. TeachingMathematicsItsApplications：An International Journal the IMA，1998，17（4）： 162-170.

[16] HYUN D， JOO S， KIM I， et al. 3D Point Cloud Acquisition Correction in Radioactive Underwater Environments Using Industrial 3D Scanners[J]. Sensors， 2022，22（23）.

[17]NOURIAN P，GONCALVES R， ZLATANOVA S，et al. Voxelization Algorithms for Geospatial Applications： Computational Methods for Voxelating Spatial Datasets 3D City Models Containing 3D Surface，Curve Point Data Models[J].MethodsX，2016，3： 69-86.

[18] XU Y S，TONG X H，STILLA UWE.Voxel-Based Representation 3D Point Clouds：Methods，Applications， Its Potential Use in the Construction Industry[J]. Automation in Construction，2021，126.

[19] BAO Y Q，SUN HB，GUAN X S，et al. An Active Learning MethodUsing Deep Adversarial Autoencoder-Based Sufficient Dimension Reduction Neural Network for HighDimensional Reliability Analysis[J]. Reliability System ，2O24，247.

[20] SHINDE K， ITIER V，MENNESSON J，et al.Dimensionality Reduction through Convolutional Autoencoders forFracture Patterns Prediction[J]. Applied Mathematical Modelling，2023，114： 94-113.

[21]SHEN XY，HUQR，ZHU DF，et al. Dynamic Response Prediction Model Honeycomb Structure Based onMachine LearningMethod Finite Element Method[J]. International Journal Impact ， 2024， 184.

[22] ZHANG Y，MA N，GU X C，et al.Geometric Space Construction Method Combined A Spline-Skinning BasedGeometric Variation Method PCA Dimensionality Reduction for Ship Hull Form Optimization[J]. Ocean ，2024，302.

（責任編輯 瑞秋）

修改稿收到日期為2025年5月12日。