行人保护是汽车被动安全的核心课题，C-NCAP 2024版将头部伤害准则（HIC）和腿部多物理量伤害指标作为关键评价依据。传统有限元碰撞仿真单次计算耗时数小时，难以满足概念设计阶段快速迭代的需求，机器学习代理模型为突破这一效率瓶颈提供了新的技术路径。本项目由两名本科生协作完成，分为两个子项目：子项目一聚焦于行人腿部伤害预测，基于保险杠区域的多维结构特征构建深度学习模型，实现胫骨弯矩、膝关节伸长量和韧带应变等多项伤害指标的同步预测；子项目二聚焦于行人头部伤害预测，系统对比了三维截球点云、截面中点向量和截面位图渲染三种几何表征方式在伤害等级分类、HIC值回归和加速度曲线预测中的效果。

本项目旨在构建一套完整的行人保护智能预测系统，总体目标包括：

（1）开发基于Python和ANSA的CAE模型自动解析工具，分别提取头部碰撞区域和腿部碰撞区域的几何与材料特征，形成标准化的模型输入数据集；

（2）建立头部伤害值和腿部多物理量伤害指标的深度学习预测模型，单项预测精度均达到80%以上；

（3）实现C-NCAP 2024版头型试验和腿型试验评分规则的数字化映射，完成从预测伤害值到单点分数的自动转换；

（4）开发可视化模块，自动生成头部和腿部的伤害分布热力图与得分色阶图，形成从CAE模型输入到性能评分输出的端到端预测评估工具。

（1）腿部伤害预测子项目。构建了包含几何尺寸、空间截断体积等效刚度和拓扑约束三类共41项特征参数体系，基于ANSA Python API实现自动化提取。随机森林模型经留一交叉验证评估，股骨弯矩、胫骨弯矩和MCL伸长量三通道平均R²达0.856。开发了基于Streamlit的可视化界面，集成C-NCAP腿型试验评分规则，完成从特征提取到评分云图输出的工具链。

（2）头部伤害预测子项目。基于Python对LS-DYNA .key文件的直接解析，构建了截球点云和截面中点向量两套几何特征自动化提取管线。以PointNet++和ResNet18为核心，完整对比了3种特征表征方式×3种预测对象共9种组合，均达到目标准确率。其中截球点云HIC回归R²=0.927，截面中点向量等级准确率92.7%、曲线预测R²=0.881。开发了集成化GUI工具，实现统一预测引擎、交互式三维碰撞伤害可视化和源码分发部署。