賴晨光，陳小雄，文凱平，陸茂桂

(重慶理工大學 車輛工程學院，重慶　400054)

?

基于遺傳算法的某汽車外形空氣動力學優(yōu)化

賴晨光，陳小雄，文凱平，陸茂桂

(重慶理工大學 車輛工程學院，重慶400054)

摘要：汽車外形氣動優(yōu)化設計屬于多目標優(yōu)化設計的領域。多目標優(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化模型并參數(shù)化汽車的前部翹角(angle 1)、前風窗角(angle 2)、后風窗角(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，再利用FLUENT軟件對該組樣本進行模擬計算，得出氣動阻力和升力。用遺傳算法對該組結果進行數(shù)據(jù)迭代，找出Pareto解集，由此得出該款汽車具有最佳氣動性能時的角度組合。

關鍵詞：氣動優(yōu)化;參數(shù)化;數(shù)值模擬;遺傳算法

目前，在空氣動力學研究方面，國內(nèi)外通常采用數(shù)值模擬與風洞試驗驗證相結合的方法。數(shù)值模擬計算速度快、適用范圍廣，且不受邊界條件的影響，已廣泛應用于汽車空氣動力學的研究中[ 1-2 ]。隨著汽車性能和行駛條件的不斷改善，人們越來越注重汽車在高速下的空氣動力特性。空氣動力特性良好的汽車，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(其值隨車身長短及外形不同而定)[3]。汽車在高速行駛時為抵消氣動阻力而消耗的發(fā)動機功率隨車速增加而急劇增加，所以良好的氣動造型有利于降低汽車燃油消耗，也有利于提升汽車動力性以及高速行駛時的操控穩(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)。對其進行幾何簡化建模，忽略后視鏡、門把手等車身附件，并對車身做平整處理，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計算

2.1控制方程

流體的流動受到物理守恒定律的約束，即流動需要滿足質量守恒、動量守恒和能量守恒3個方程[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運動。在笛卡爾坐標系下，速度矢量u在x,y,z方向的分量分別為u,v,w，表達式如下：

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

2.3網(wǎng)格劃分與邊界條件的設定

本研究對象為某款轎車的簡化模型。設定計算域中車頭離模型入口4倍車長，車尾離模型出口10倍車長，計算域總寬為10倍車寬，計算域總高為8倍車高，如圖3所示。采用非結構網(wǎng)格與棱柱網(wǎng)格結合的網(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壁面[7]。計算采用Quick二階迎風格式，并由經(jīng)驗公式計算得到湍流耗散率為ε=0.028。

圖3　計算域

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個源樣本點。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空間。所有的設計變量均只使用一次，所以該試驗方法能以較少樣本點表現(xiàn)出全部試驗空間的特征，是一種效果好、平衡性好的試驗取樣方法。利用FLUENT計算源樣本，用Kriging模型對結果進行初步擬合。

3.2遺傳算法

遺傳算法是模仿生物進化論中自然選擇和遺傳學機理的計算算法。遺傳算法的起點是搜尋種群中可能潛在解的個體，而每個個體的內(nèi)部某類基因排列組合又決定了個體表現(xiàn)，進而決定了整個種群是否是有代表關鍵問題的解集。在每一代中，憑借遺傳算子的組合、交叉與變異選出對目標問題適應度好的個體構成新的種群，將會產(chǎn)生越來越適應環(huán)境的后代個體，即越來越能代表關鍵問題的解。最后末代的最優(yōu)個體就可以作為目標問題的近似最優(yōu)解。本文對源樣本點采用遺傳算法分析，即個體隨機組成原始種群，經(jīng)過對目標即整車的氣動阻力和升力進行評估，選取優(yōu)質個體作為父代，再對父代個體進行復制、雜交和變異繁衍子種群[8]。經(jīng)過多次的迭代，種群適應性逐步增強，即最優(yōu)個體逐步增多。在通常情況下，對于較大的種群與較多迭代次數(shù)，其優(yōu)化質量也較高。另外，多目標優(yōu)化不同于單一目標優(yōu)化，因為多目標之間極可能是相互競爭關系，使得各個目標無法同時達到最優(yōu)解[9]，即多目標最優(yōu)解多數(shù)都是一個解集。正是因為遺傳算法具有多目標優(yōu)化的特點，該算法多用于航空航天與機器人智能控制領域，在汽車工業(yè)領域應用還較少。

4結果分析

氣動優(yōu)化的設計狀態(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。由于目標之間互相競爭并不能使阻力和升力同時達到最優(yōu)，所以多目標優(yōu)化最終是找到滿足各目標權重系數(shù)的解，即Pareto最優(yōu)解集。本文選擇13個Pareto解進行再次模擬，計算結果如圖4所示。

圖4　預測值與再次模擬結果對比

由圖4可以看出：同一樣本點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。預測結果與再次模擬結果比較接近，誤差較小，結果比較準確。

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

圖5　敏感度分析

4.1模型計算結果對比分析

選取1個優(yōu)化前的樣本點(模型1)與優(yōu)化后的樣本點(模型2)進行模擬計算分析。模型1與模型2相關參數(shù)如表3所示。

表3　優(yōu)化前后兩模型相關參數(shù)

由圖6對稱面壓力云圖可以看出：氣流在流到汽車前端時受到車頭阻礙，流動狀態(tài)轉變?yōu)橄鄬o止，氣流動壓轉變?yōu)殪o壓，所以在兩種模型的車頭處都形成達到壓力峰值的紅色正壓區(qū)，模型1紅色正壓區(qū)域稍大；兩個模型在車頭外緣處都形成負壓區(qū)，模型2負壓區(qū)域顏色較深，負壓值較大；在車頭上方發(fā)動機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并在空調進風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，形成了明顯的負壓區(qū)域。汽車在行駛時會在尾部形成拖拽渦，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法增大汽車尾部的壓力并減小汽車前部壓力。

圖6　對稱面壓力云圖

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)動機前蓋、前風窗與車頂，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前風玻璃轉折處相比模型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后風窗傾角過大不利于前方氣流向后順利流動，所以形成的滯留區(qū)比模型2大。模型1增大了前部翹角，前方進入底部間隙的氣流增多，大量氣流進入會造成汽車升力增加，并且尾部上翹角的增大使得車尾最大離地間隙增大，車尾底部的氣流會順著車尾上卷進一步增大汽車升力。

圖7　對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個渦流，形成原理相同，都是因為尾部低壓區(qū)導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?？梢悦黠@看出：汽車尾部造型對氣流的匯聚影響較大，即對整車氣動阻力與升力均有較大影響。形成較大的渦流會損耗較多的能量，進一步降低汽車尾部壓力，影響整車的氣動阻力。所以，可以通過優(yōu)化汽車車身外形等參數(shù)改善汽車流場特性，以此提高汽車的空氣動力學特性。

圖8　對稱面尾部氣流速度矢量圖

5結束語

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

針對本文模型通過遺傳算法預測出最佳角度組合的解集，并再次模擬驗證，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個角度不是相互獨立地影響汽車阻力和升力，相比之下尾部上翹角對整車阻力與升力影響最大。尾部上翹角會導致尾部氣流上卷，不利于保持后風窗清潔，影響后風窗視野，進而影響汽車行駛安全性。

參考文獻：

[1]王福軍.計算流體動力學分析 [M].北京：清華大學出版社，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.后擾流板對汽車空氣動力學特性影響的模擬研究 [D].南京.：南京航空航天大學,2008.

[4]韓占忠，王敬，蘭小平.Fluent流體工程仿真計算實例與應用 [M].北京：北京理工大學出版社，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，賴晨光.基于Ahmed模型的外流場數(shù)值模擬[J].重慶理工大學學報(自然科學)，2013,27(9):122-127.

[7]杜子學，陳振明.移動地面條件下的微型車外流場數(shù)值模擬研究[J].華東交通大學學報，2008(25):16-19.

[8]韓天時,趙旭,楊秋萍.廂式貨車導流罩改進設計及氣動優(yōu)化[J].機械與電子,2010(10):19-22.

[9]韓天時,趙旭,楊秋萍.基于遺傳算法的導流罩外形多目標氣動優(yōu)化設計[C]//2010中國汽車工程學會年會論文集.[S.l.]:SAE,2010.

(責任編輯劉舸)

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：1674-8425(2016)04-0001-05

中圖分類號：U462

文獻標識碼：A

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

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

基金項目：國家自然科學基金資助項目(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力學優(yōu)化[J].重慶理工大學學報(自然科學)，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.