详情

原文传递基于伴随法与智能优化算法的汽车气动外形优化设计

论文题名：	基于伴随法与智能优化算法的汽车气动外形优化设计
关键词：	汽车气动外形;优化设计;计算流体动力学;阻力系数
摘要：	汽车气动外形优化是改善汽车的动力性、燃油经济性、操作稳定性等各项性能的重要途径，对该技术的研究具有重要的工程实际意义和理论价值。在传统的气动外形优化过程中，优化部位以及优化方法的选取依赖于工程师的工程经验，然而，由于汽车流场的复杂性，仅依靠工程经验找到的优化变量往往不是最敏感的，并且容易忽视那些潜在的有效优化部位，带来较大的试错成本。另外，传统优化方法中使用的局部迭代并累加的方法，效率低且无法获得充分考虑各变量交互作用以及多个目标间矛盾性的全局最优解。本文引入伴随方法作为一种快速的梯度求解工具，并将梯度信息用于指导优化变量的选取，从而避免变量选取的盲目性，寻找到有效的优化变量以后，引入基于网格变形技术、试验设计、代理模型以及智能优化算法等基于CFD（Computational Fluid Dynamics）的智能优化技术进行多变量全局寻优，形成一套适用于汽车局部改型阶段的气动外形优化流程。　　首先，以Ahmed类车体简化模型为研究对象，进行单目标减阻优化研究，验证该流程的有效性并为后续实车应用研究奠定理论基础。在该部分中，首先对其建立数值仿真模型，利用风洞试验结果对本文的仿真结果进行对比验证，对比结果表明本文仿真方法具有较高的准确性，在此基础上，以阻力系数为成本函数进行伴随计算，根据伴随灵敏度信息确定出三个最为敏感的优化变量，使用网格变形技术对变量进行参数化，实现几何的快速重构，并搭建自动化计算平台提高样本点的计算效率，最后使用基于动态Kriging代理模型的EGO（Efficient Global Optimization）算法在变量空间内进行全局寻优，最终减阻率为33.9%，效果较为显著，初步验证了该优化流程的有效性。其次，为了提高EGO算法的实用性，进行算法改进研究，结果表明，结合EI（Expected Improvement）与MSP（Minimum Surrogate Prediction）加点准则各自优点的混合加点策略可以提高算法在有限迭代次数内找到更优解的概率，并行混合加点策略则是可以在计算量保持不变的前提下，较大地减少迭代次数，从而为工程应用提供了一种用计算资源换计算时间的途径。　　接着，由于简化模型与实车模型仍有一定差距，为了探究该优化流程应用于实车模型的有效性，以快背式AeroSUV模型为研究对象，以最小化气动阻力的同时尽量降低气动升力为优化目标，分别对其上车身、底盘部位进行气动外形优化设计。首先建立符合精度要求的初始仿真模型，通过对阻力系数和升力系数伴随灵敏度的分析，确定出网格变形方案和底盘扰流板添加方案，并结合Kriging代理模型与NSGA-Ⅱ（Non-dominated Sorting Genetic AlgorithmⅡ）多目标优化算法进行寻优。最终，阻力系数从0.2809降低至0.2527，降幅约为10%，升力系数从0.145降低至0.0708，降幅约为51%，实现了整车气动特性的综合提升。本文的优化结果表明，结合伴随方法、网格变形技术、代理模型以及智能优化算法可以对汽车的气动外形进行快速有效的优化设计，本文的工作可为以后的汽车气动外形优化提供参考。
作者：	李怡俊
专业：	工程(车辆工程)
导师：	赖晨光;王庆洋
授予学位：	硕士
授予学位单位：	重庆理工大学
学位年度：	2022