基于遺傳算法的某汽車外形空氣動(dòng)力學(xué)優(yōu)化

賴晨光，陳小雄，文凱平，陸茂桂

(重慶理工大學(xué) 車輛工程學(xué)院，重慶　400054)

?

基于遺傳算法的某汽車外形空氣動(dòng)力學(xué)優(yōu)化

賴晨光，陳小雄，文凱平，陸茂桂

(重慶理工大學(xué) 車輛工程學(xué)院，重慶400054)

摘要：汽車外形氣動(dòng)優(yōu)化設(shè)計(jì)屬于多目標(biāo)優(yōu)化設(shè)計(jì)的領(lǐng)域。多目標(biāo)優(yōu)化的根本是尋找約束條件下的最優(yōu)解集即Pareto解集。首先建立某轎車的簡(jiǎn)化模型并參數(shù)化汽車的前部翹角(angle 1)、前風(fēng)窗角(angle 2)、后風(fēng)窗角(angle 3)和尾部上翹角(angle 4)，通過拉丁超立方取樣得出一組樣本點(diǎn)，再利用FLUENT軟件對(duì)該組樣本進(jìn)行模擬計(jì)算，得出氣動(dòng)阻力和升力。用遺傳算法對(duì)該組結(jié)果進(jìn)行數(shù)據(jù)迭代，找出Pareto解集，由此得出該款汽車具有最佳氣動(dòng)性能時(shí)的角度組合。

關(guān)鍵詞：氣動(dòng)優(yōu)化;參數(shù)化;數(shù)值模擬;遺傳算法

目前，在空氣動(dòng)力學(xué)研究方面，國(guó)內(nèi)外通常采用數(shù)值模擬與風(fēng)洞試驗(yàn)驗(yàn)證相結(jié)合的方法。數(shù)值模擬計(jì)算速度快、適用范圍廣，且不受邊界條件的影響，已廣泛應(yīng)用于汽車空氣動(dòng)力學(xué)的研究中[ 1-2 ]。隨著汽車性能和行駛條件的不斷改善，人們?cè)絹碓阶⒅仄囋诟咚傧碌目諝鈩?dòng)力特性?？諝鈩?dòng)力特性良好的汽車，可以使氣流平滑地流過車身表面。一般氣動(dòng)阻力的85%來自壓差阻力，其余15%為摩擦阻力。壓差阻力中9%來自車身前端，而91%來自車身尾部(其值隨車身長(zhǎng)短及外形不同而定)[3]。汽車在高速行駛時(shí)為抵消氣動(dòng)阻力而消耗的發(fā)動(dòng)機(jī)功率隨車速增加而急劇增加，所以良好的氣動(dòng)造型有利于降低汽車燃油消耗，也有利于提升汽車動(dòng)力性以及高速行駛時(shí)的操控穩(wěn)定性。

1參數(shù)模型

參照某款轎車的外形數(shù)據(jù)建立模型。表1列出了該轎車的主要外形參數(shù)。對(duì)其進(jìn)行幾何簡(jiǎn)化建模，忽略后視鏡、門把手等車身附件，并對(duì)車身做平整處理，最后得到的三維模型如圖1所示。需要參數(shù)化的4個(gè)角度(如圖2所示)的變化范圍如表1所示。

表1　某轎車主要外形參數(shù)　mm

圖1　某轎車的三維模型

(°)

圖2　需要參數(shù)化的角度

2網(wǎng)格生成與CFD計(jì)算

2.1控制方程

流體的流動(dòng)受到物理守恒定律的約束，即流動(dòng)需要滿足質(zhì)量守恒、動(dòng)量守恒和能量守恒3個(gè)方程[4]。通常情況下，非穩(wěn)態(tài)的連續(xù)方程和N-S方程適用于湍流的瞬時(shí)運(yùn)動(dòng)。在笛卡爾坐標(biāo)系下，速度矢量u在x,y,z方向的分量分別為u,v,w，表達(dá)式如下：

divu=0

其中：u為速度矢量；p為流體微元體上的壓力；ρ為流體密度。

2.2湍流模型的選擇

Realizablek-ε湍流模型中相對(duì)最新的兩方程由 Shih 提出[5]，即新的湍流控制方程和針對(duì)于耗散率的傳遞方程，而這些是標(biāo)準(zhǔn)k-ε湍流模型和 RNGk-ε湍流模型不能實(shí)現(xiàn)的。所以在計(jì)算氣動(dòng)阻力時(shí)，采用Realizablek-ε模型效果最好。在計(jì)算升力時(shí)，數(shù)值模擬方法與試驗(yàn)方法的誤差較大，當(dāng)前尚無湍流模型能準(zhǔn)確地模擬計(jì)算升力[6]。相比而言，用Realizablek-ε模型模擬計(jì)算升力效果較好。

2.3網(wǎng)格劃分與邊界條件的設(shè)定

本研究對(duì)象為某款轎車的簡(jiǎn)化模型。設(shè)定計(jì)算域中車頭離模型入口4倍車長(zhǎng)，車尾離模型出口10倍車長(zhǎng)，計(jì)算域總寬為10倍車寬，計(jì)算域總高為8倍車高，如圖3所示。采用非結(jié)構(gòu)網(wǎng)格與棱柱網(wǎng)格結(jié)合的網(wǎng)格策略。湍流模型為Realizablek-ε湍流模型，速度入口為v=30 m/s，壓力出口為pressure-outlet；為消除附面層的影響地面為移動(dòng)壁面[7]。計(jì)算采用Quick二階迎風(fēng)格式，并由經(jīng)驗(yàn)公式計(jì)算得到湍流耗散率為ε=0.028。

圖3　計(jì)算域

3數(shù)據(jù)處理與遺傳算法

3.1優(yōu)化流程

利用拉丁超立方取樣方法選取40個(gè)源樣本點(diǎn)。該方法可任意選取樣本，并且使輸入的樣本組合比較平均地布滿全部的試驗(yàn)空間。所有的設(shè)計(jì)變量均只使用一次，所以該試驗(yàn)方法能以較少樣本點(diǎn)表現(xiàn)出全部試驗(yàn)空間的特征，是一種效果好、平衡性好的試驗(yàn)取樣方法。利用FLUENT計(jì)算源樣本，用Kriging模型對(duì)結(jié)果進(jìn)行初步擬合。

3.2遺傳算法

遺傳算法是模仿生物進(jìn)化論中自然選擇和遺傳學(xué)機(jī)理的計(jì)算算法。遺傳算法的起點(diǎn)是搜尋種群中可能潛在解的個(gè)體，而每個(gè)個(gè)體的內(nèi)部某類基因排列組合又決定了個(gè)體表現(xiàn)，進(jìn)而決定了整個(gè)種群是否是有代表關(guān)鍵問題的解集。在每一代中，憑借遺傳算子的組合、交叉與變異選出對(duì)目標(biāo)問題適應(yīng)度好的個(gè)體構(gòu)成新的種群，將會(huì)產(chǎn)生越來越適應(yīng)環(huán)境的后代個(gè)體，即越來越能代表關(guān)鍵問題的解。最后末代的最優(yōu)個(gè)體就可以作為目標(biāo)問題的近似最優(yōu)解。本文對(duì)源樣本點(diǎn)采用遺傳算法分析，即個(gè)體隨機(jī)組成原始種群，經(jīng)過對(duì)目標(biāo)即整車的氣動(dòng)阻力和升力進(jìn)行評(píng)估，選取優(yōu)質(zhì)個(gè)體作為父代，再對(duì)父代個(gè)體進(jìn)行復(fù)制、雜交和變異繁衍子種群[8]。經(jīng)過多次的迭代，種群適應(yīng)性逐步增強(qiáng)，即最優(yōu)個(gè)體逐步增多。在通常情況下，對(duì)于較大的種群與較多迭代次數(shù)，其優(yōu)化質(zhì)量也較高。另外，多目標(biāo)優(yōu)化不同于單一目標(biāo)優(yōu)化，因?yàn)槎嗄繕?biāo)之間極可能是相互競(jìng)爭(zhēng)關(guān)系，使得各個(gè)目標(biāo)無法同時(shí)達(dá)到最優(yōu)解[9]，即多目標(biāo)最優(yōu)解多數(shù)都是一個(gè)解集。正是因?yàn)檫z傳算法具有多目標(biāo)優(yōu)化的特點(diǎn)，該算法多用于航空航天與機(jī)器人智能控制領(lǐng)域，在汽車工業(yè)領(lǐng)域應(yīng)用還較少。

4結(jié)果分析

氣動(dòng)優(yōu)化的設(shè)計(jì)狀態(tài)選定為轎車高速行駛(V=30 m/s),以整車阻力最小和升力適中作為優(yōu)化目標(biāo)。由于目標(biāo)之間互相競(jìng)爭(zhēng)并不能使阻力和升力同時(shí)達(dá)到最優(yōu)，所以多目標(biāo)優(yōu)化最終是找到滿足各目標(biāo)權(quán)重系數(shù)的解，即Pareto最優(yōu)解集。本文選擇13個(gè)Pareto解進(jìn)行再次模擬，計(jì)算結(jié)果如圖4所示。

圖4　預(yù)測(cè)值與再次模擬結(jié)果對(duì)比

由圖4可以看出：同一樣本點(diǎn)的阻力和升力偏差比較小，阻力偏差最大為8 N，升力偏差最大為14 N。預(yù)測(cè)結(jié)果與再次模擬結(jié)果比較接近，誤差較小，結(jié)果比較準(zhǔn)確。

通過相關(guān)分析得出各參數(shù)的全局敏感度，如圖5所示。4個(gè)角度變量中angle 4尾部上翹角對(duì)升力影響最大，達(dá)62.5%；angle 2對(duì)升力影響最小，為3.4%。對(duì)于阻力4個(gè)角度變量影響都比較接近。

圖5　敏感度分析

4.1模型計(jì)算結(jié)果對(duì)比分析

選取1個(gè)優(yōu)化前的樣本點(diǎn)(模型1)與優(yōu)化后的樣本點(diǎn)(模型2)進(jìn)行模擬計(jì)算分析。模型1與模型2相關(guān)參數(shù)如表3所示。

表3　優(yōu)化前后兩模型相關(guān)參數(shù)

由圖6對(duì)稱面壓力云圖可以看出：氣流在流到汽車前端時(shí)受到車頭阻礙，流動(dòng)狀態(tài)轉(zhuǎn)變?yōu)橄鄬?duì)靜止，氣流動(dòng)壓轉(zhuǎn)變?yōu)殪o壓，所以在兩種模型的車頭處都形成達(dá)到壓力峰值的紅色正壓區(qū)，模型1紅色正壓區(qū)域稍大；兩個(gè)模型在車頭外緣處都形成負(fù)壓區(qū)，模型2負(fù)壓區(qū)域顏色較深，負(fù)壓值較大；在車頭上方發(fā)動(dòng)機(jī)蓋處可明顯看到模型1氣流分離區(qū)域顏色較深，分離劇烈，分離的氣流再次附著流動(dòng)并在空調(diào)進(jìn)風(fēng)口處形成橙色正壓區(qū)域，模型1橙色區(qū)域明顯較大；在兩種模型的車頂前緣處都發(fā)生劇烈的氣流分離，形成了明顯的負(fù)壓區(qū)域。汽車在行駛時(shí)會(huì)在尾部形成拖拽渦，由于尾部渦流能量損耗使得車尾壓力下降，從而車頭壓力大于車尾，并因此產(chǎn)生了壓差阻力。由圖6可以看出：模型1車頭前方正壓區(qū)域大于模型2，車尾正壓區(qū)域小于模型2，所以模型1的壓差阻力大于模型2。因此，要降低汽車的壓差阻力就要設(shè)法增大汽車尾部的壓力并減小汽車前部壓力。

圖6　對(duì)稱面壓力云圖

由圖7速度矢量圖可以看出：兩種汽車模型前部和尾部顏色為淡藍(lán)色，說明氣流速度非常小。在汽車尾部匯集的氣流主要來自兩部分：一部分流經(jīng)發(fā)動(dòng)機(jī)前蓋、前風(fēng)窗與車頂，然后流到車尾；另外一部分則直接流經(jīng)車底盤與地面的間隙，再流到車尾。在模型2前風(fēng)玻璃轉(zhuǎn)折處相比模型1氣流速度明顯增大，氣流流過該區(qū)域更加順暢。在前風(fēng)玻璃與車頂處模型1相比模型2呈現(xiàn)明顯紅色，氣流速度高，發(fā)生明顯氣流分離。模型1后風(fēng)窗傾角過大不利于前方氣流向后順利流動(dòng)，所以形成的滯留區(qū)比模型2大。模型1增大了前部翹角，前方進(jìn)入底部間隙的氣流增多，大量氣流進(jìn)入會(huì)造成汽車升力增加，并且尾部上翹角的增大使得車尾最大離地間隙增大，車尾底部的氣流會(huì)順著車尾上卷進(jìn)一步增大汽車升力。

圖7　對(duì)稱面氣流速度矢量圖

模型1由于具有較大的尾部上翹角和較大后風(fēng)窗角形成滯留區(qū)，使得汽車尾部沒有明顯的渦流,如圖8(a)所示。模型2尾部有上下2個(gè)渦流，形成原理相同，都是因?yàn)槲膊康蛪簠^(qū)導(dǎo)致來自汽車上部氣流下卷或者汽車底部氣流上卷，如圖8(b)所示。可以明顯看出：汽車尾部造型對(duì)氣流的匯聚影響較大，即對(duì)整車氣動(dòng)阻力與升力均有較大影響。形成較大的渦流會(huì)損耗較多的能量，進(jìn)一步降低汽車尾部壓力，影響整車的氣動(dòng)阻力。所以，可以通過優(yōu)化汽車車身外形等參數(shù)改善汽車流場(chǎng)特性，以此提高汽車的空氣動(dòng)力學(xué)特性。

圖8　對(duì)稱面尾部氣流速度矢量圖

5結(jié)束語(yǔ)

通過對(duì)比分析可見：優(yōu)化后整車阻力減少了14%，升力變化較大，基本達(dá)到預(yù)期優(yōu)化目標(biāo)。

針對(duì)本文模型通過遺傳算法預(yù)測(cè)出最佳角度組合的解集，并再次模擬驗(yàn)證，誤差在5%以內(nèi)，在可接受范圍內(nèi)，說明遺傳算法可用于汽車外形優(yōu)化。

通過以上分析可知：4個(gè)角度不是相互獨(dú)立地影響汽車阻力和升力，相比之下尾部上翹角對(duì)整車阻力與升力影響最大。尾部上翹角會(huì)導(dǎo)致尾部氣流上卷，不利于保持后風(fēng)窗清潔，影響后風(fēng)窗視野，進(jìn)而影響汽車行駛安全性。

參考文獻(xiàn)：

[1]王福軍.計(jì)算流體動(dòng)力學(xué)分析 [M].北京：清華大學(xué)出版社，2004：158-162.

[2]DODDEGOWDA P,BYCHKOVSKY A L,GEORGE A R.Use of computational fluid dynamics for the design of formula SAE race car aerodynamics[C]//SAE Pape.USA:[s.n.],2006.

[3]任斌.后擾流板對(duì)汽車空氣動(dòng)力學(xué)特性影響的模擬研究 [D].南京.：南京航空航天大學(xué),2008.

[4]韓占忠，王敬，蘭小平.Fluent流體工程仿真計(jì)算實(shí)例與應(yīng)用 [M].北京：北京理工大學(xué)出版社，2005.

[5]SHIH T H,LIOU W W,SHABBI R A.A newk-εeddy viscositymodel for high Reynolds number turbulent flows[J].Comput Fliuds,1995,24(3):227-238.

[6]劉訓(xùn)，賴晨光.基于Ahmed模型的外流場(chǎng)數(shù)值模擬[J].重慶理工大學(xué)學(xué)報(bào)(自然科學(xué))，2013,27(9):122-127.

[7]杜子學(xué)，陳振明.移動(dòng)地面條件下的微型車外流場(chǎng)數(shù)值模擬研究[J].華東交通大學(xué)學(xué)報(bào)，2008(25):16-19.

[8]韓天時(shí),趙旭,楊秋萍.廂式貨車導(dǎo)流罩改進(jìn)設(shè)計(jì)及氣動(dòng)優(yōu)化[J].機(jī)械與電子,2010(10):19-22.

[9]韓天時(shí),趙旭,楊秋萍.基于遺傳算法的導(dǎo)流罩外形多目標(biāo)氣動(dòng)優(yōu)化設(shè)計(jì)[C]//2010中國(guó)汽車工程學(xué)會(huì)年會(huì)論文集.[S.l.]:SAE,2010.

(責(zé)任編輯劉舸)

Aerodynamic Optimization Based on Genetic Algorithm of Automobile Shape

LAI Chen-guang，CHEN Xiao-xiong，WEN Kai-ping，LU Mao-gui

(College of Vechical Engineering, Chongqing University of Technology, Chongqing 400054, China)

Abstract:Automotive exterior aerodynamic optimization design is a multi-objective optimization design field. The basic objective of solving multi-objective optimization problem is to get the best Pareto solution set. First, we established the simple model and got parameterization of front rake angle (angle 1), front windshield angle (angle 2), rear windshield angle (angle 3) and rear rake angle (angle 4). And we obtained sample points with Latin hypercube sampling, and then simulated the aerodynamic drag and lift of the samples by using FLUENT software. Using genetic algorithm data, we had iteration and found the optimum angle assembly for the best aerodynamic by finding the Pareto solution.

Key words:aerodynamic optimization; parameterization; numerical simulation; genetic algorithm

文章編號(hào)：1674-8425(2016)04-0001-05

中圖分類號(hào)：U462

文獻(xiàn)標(biāo)識(shí)碼：A

doi:10.3969/j.issn.1674-8425(z).2016.04.001

作者簡(jiǎn)介：賴晨光(1978— )，男，博士，教授，主要從事汽車與高速列車空氣動(dòng)力學(xué)研究；陳小雄(1988—)，男，碩士研究生，主要從事汽車外流場(chǎng)與汽車外形優(yōu)化研究。

基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目(51305477)

收稿日期：2015-08-16

引用格式：賴晨光，陳小雄，文凱平，等.基于遺傳算法的某汽車外形空氣動(dòng)力學(xué)優(yōu)化[J].重慶理工大學(xué)學(xué)報(bào)(自然科學(xué))，2016(4):1-5.

Citation format：LAI Chen-guang，CHEN Xiao-xiong，WEN Kai-ping，et al.Aerodynamic Optimization Based on Genetic Algorithm of Automobile Shape[J].Journal of Chongqing University of Technology(Natural Science)，2016(4):1-5.