賀巖松, 曹禮鵬, 張志飛,李 云,陳 釗
(1.重慶大學(xué)汽車工程學(xué)院,重慶 400030; 2.東風(fēng)柳州汽車有限公司,柳州 545005)
汽車高速行駛時,氣動阻力嚴(yán)重影響汽車燃油經(jīng)濟性[1]。 在汽車開發(fā)階段,大幅優(yōu)化汽車外形可減小氣動阻力,而量產(chǎn)車型的氣動阻力優(yōu)化則受到原造型風(fēng)格的限制,優(yōu)化空間有限,面臨著巨大的挑戰(zhàn)。
通過優(yōu)化技術(shù)建立車輛氣動優(yōu)化的數(shù)學(xué)模型可以達(dá)到通過小幅結(jié)構(gòu)改動而減阻的目的。 在方法上,Jameson 等[2]結(jié)合控制理論首次提出了連續(xù)伴隨方法,實現(xiàn)了優(yōu)化過程中梯度的高效求解。 Nielson等[3]在此基礎(chǔ)上推導(dǎo)出了離散伴隨法,使得梯度的求解更加快速精確。 在應(yīng)用方面,劉峰博等[4]使用離散伴隨法實現(xiàn)了對機翼與翼身的定升減阻優(yōu)化設(shè)計。 張亮等[5]使用離散伴隨法對列車頭的氣動阻力與升力進(jìn)行了優(yōu)化。 Han 等[6]和Miretti 等[7]均使用離散伴隨法經(jīng)過多輪迭代實現(xiàn)對整車進(jìn)行氣動減阻。
離散伴隨法的基礎(chǔ)是梯度優(yōu)化法,可得到目標(biāo)函數(shù)的靈敏度,但無法確定最優(yōu)步長且容易陷入局部最優(yōu)。 使用啟發(fā)式算法,可快速得到目標(biāo)函數(shù)的全局最優(yōu)解。 汪怡平等[8]和張英朝等[9]均使用啟發(fā)式算法對代理模型進(jìn)行全局尋優(yōu),以實現(xiàn)對汽車外形的減阻。 楊易等[10]使用啟發(fā)式算法對汽車的后擾流板進(jìn)行了氣動減阻優(yōu)化。 雖然使用該類優(yōu)化法可快速得到代理模型的全局最優(yōu)解,但建立代理模型的變量選取須依靠經(jīng)驗,存在盲目性。
結(jié)合離散伴隨法與啟發(fā)式算法的優(yōu)點,以某量產(chǎn)SUV 為研究對象,通過離散伴隨法分析汽車表面關(guān)于風(fēng)阻系數(shù)Cd的靈敏度,進(jìn)而確定優(yōu)化部位為前保險杠、后視鏡、尾翼、后保險杠等區(qū)域。 為每一個優(yōu)化部位設(shè)置變形控制體,并以控制體節(jié)點的變形位移作為設(shè)計變量,結(jié)合哈默斯雷試驗設(shè)計法構(gòu)建設(shè)計變量的樣本點空間。 采用自由變形(FFD)技術(shù)得到各樣本點模型并計算出與之對應(yīng)的風(fēng)阻系數(shù)值,再利用Kriging 插值法建立代理模型。 選擇啟發(fā)式算法中的多島遺傳算法對代理模型進(jìn)行全局尋優(yōu),最終獲得較顯著的減阻效果。 該方法解決了單獨使用離散伴隨法不能快速得到全局最優(yōu)解,以及單獨使用啟發(fā)式算法尋優(yōu)代理模型時優(yōu)化變量選取的盲目性的問題,為以后汽車的優(yōu)化改型提供參考。
在進(jìn)行穩(wěn)態(tài)汽車外流場模擬時,使用的控制方程為雷諾平均方程,此方程是根據(jù)N-S 方程通過統(tǒng)計平均方法所導(dǎo)出的湍流統(tǒng)計方程,須使用湍流模型來使其封閉[11]。 使用 Realizablek-ε湍流模型來封閉雷諾平均方程,其輸運方程表達(dá)式[12]如下:
式中:k為湍流動能;ε為湍流耗散率;為平均速度;μ為動力黏度;ρ為流體密度;YM為壓力修正項;υ為運動黏度;Pk和Pb為湍動能為生成項;Sk和S∈為源項為湍流黏度為平均應(yīng)變率張量[13]。 其它常數(shù)值為:C1∈=1.44;σ∈=1.2;σk =1.0;C2=1.9;Cμ =0.09;當(dāng)Pb≥ 0 時,C3∈=1,當(dāng)Pb<0 時,C3∈=0。
在汽車氣動優(yōu)化過程中,目標(biāo)函數(shù)風(fēng)阻力D可寫為網(wǎng)格節(jié)點上流場變量U與設(shè)計變量x的二元函數(shù),即
同時,U與x滿足控制方程在求解過程中殘差為 0,即
上述優(yōu)化問題可表述為:以控制方程殘差值為約束,尋找風(fēng)阻力D的極小值所對應(yīng)的x值的約束優(yōu)化問題,即
引入拉格朗日算子λ,將上述約束優(yōu)化問題變?yōu)闊o約束優(yōu)化問題,即
將D關(guān)于x求偏導(dǎo)并整理可得
拉格朗日算子λ可為任意值,滿足
則式(7) 變?yōu)?/p>
式(8) 即為伴隨方程,式(9) 為靈敏度關(guān)系,λ為伴隨變量。
式(9) 表明目標(biāo)函數(shù)D對設(shè)計變量x的靈敏度關(guān)系不再依賴于而只需要先求解一次流動控制方程式(4),然后再求解一次伴隨方程式(9) 即可得到D關(guān)于x的靈敏度關(guān)系,且計算量與設(shè)計變量x的數(shù)目無關(guān)[14]。
哈默斯雷試驗設(shè)計屬于準(zhǔn)蒙特卡洛法的一種,該方法利用基于哈默斯雷點的準(zhǔn)隨機數(shù)生成器來進(jìn)行均勻采樣。 哈默斯雷點為設(shè)計空間內(nèi)一定數(shù)量下的一組均勻采樣點。 對n維設(shè)計變量,運用哈默斯雷試驗設(shè)計從設(shè)計空間中抽取N個樣本點,第p個樣本點可以表示如下[15]:
式中Ri為大于等于 2 的素數(shù)(2、3、5、7…),且R1<R2<…<Rn-1。 函數(shù)關(guān)系φR的計算方式如下:
式中ai為[0,R-1]上的整數(shù)。 非負(fù)整數(shù)p可以展開為關(guān)于基R的多項式:
其中m =int[logRN]
根據(jù)實車尺寸建立整車的幾何模型,打開進(jìn)氣格柵,保留汽車底盤原有幾何特征,忽略了雨刮、輪胎花紋、線束和螺釘?shù)燃?xì)小幾何特征,如圖1(a)所示。 再建立出計算流體動力學(xué)(CFD)仿真所需的計算域,計算域的尺寸為長11L,寬9W,高5H,其中L、W、H分別為汽車的長、寬、高,如圖1(b)所示。
圖1 整車幾何模型與仿真計算域
機艙內(nèi)的冷卻系統(tǒng)——冷凝器、中冷器、散熱器,使用多孔介質(zhì)模型來進(jìn)行模擬。 冷卻系統(tǒng)試驗數(shù)據(jù)如表1 所示,表中v為氣流速度, Δp為壓力損失。
表1 冷卻系統(tǒng)試驗數(shù)據(jù)
由表1 中的試驗數(shù)據(jù),根據(jù)公式?p =L(Piv2+Pυv) 擬合出冷卻系統(tǒng)的多孔慣性系數(shù)Pi與多孔黏性系數(shù)Pυ,如表2 所示,式中L為特征長度。
表2 冷卻系統(tǒng)擬合數(shù)據(jù)
在實際CFD 仿真計算中,六面體網(wǎng)格相對于多面體與四面體網(wǎng)格來說,具有網(wǎng)格質(zhì)量好、收斂快且精度高的特點[16]。 所以本文中選擇六面體網(wǎng)格填充計算域,并使用棱柱層網(wǎng)格來模擬近壁面邊界層的流動。
壁面第一層網(wǎng)格的厚度對計算結(jié)果的精度和殘差收斂性有著較大的影響。 在CFD 仿真中,常用壁面Y+值來檢驗第一層網(wǎng)格厚度是否合理。Y+是第一層網(wǎng)格節(jié)點的無量綱化壁面距離。 由于汽車外流場是一個多尺度的復(fù)雜流動過程,既有高雷諾數(shù)的流動也有低雷諾數(shù)的流動,于是在軟件Starccm+中選擇“全Y+”的壁面處理方式來自適應(yīng)地模擬汽車外表近壁面的流動情況。 試驗測量和數(shù)值模擬結(jié)果表明:對于低雷諾數(shù)流動情況,需要Y+<5 時才能精確模擬近壁面流動情況[11];對于高雷諾數(shù)流動情況,為了減少近壁面網(wǎng)格層數(shù),須使用壁面函數(shù)來模擬近壁面流動,此時推薦Y+位于30 ~100 之間,且靠近30 一端。 考慮到汽車外流場的復(fù)雜性,文獻(xiàn)[17]指出Y+位于0 ~300 之間即可得到滿足工程精度需要的模擬結(jié)果。 本文模型表面Y+分布與網(wǎng)格模型如圖2 和圖3 所示。
圖2 模型表面Y+分布云圖
圖3 計算域網(wǎng)格模型
依據(jù)風(fēng)洞試驗條件進(jìn)行CFD 仿真邊界條件的設(shè)置。 計算域入口設(shè)置為速度入口,風(fēng)速為33.33 m/s,出口為壓力出口,參考壓力為0。 計算域具體邊界設(shè)置如表3 所示。 之后選取 Realizablek-ε湍流模型對整車外流場進(jìn)行計算模擬,求解參數(shù)設(shè)置如表4 所示。
表3 邊界條件參數(shù)設(shè)置
表4 求解參數(shù)設(shè)置
根據(jù)以上的設(shè)置,對整車模型進(jìn)行外流場穩(wěn)態(tài)計算,得到了風(fēng)阻系數(shù)值為0.340 1 以及汽車對稱截面上的20 個壓力測點的壓力值變化趨勢。
通過風(fēng)洞試驗對CFD 模型進(jìn)行驗證,風(fēng)洞試驗條件如下:風(fēng)洞為3/4 開口回流風(fēng)洞,噴口面積為27 m2, 試驗環(huán)境溫度為 26 ~27 ℃,相對濕度 35%,大氣壓力103.1 ~103.3 kPa,入口湍流強度小于0.3%。 試驗得到了風(fēng)阻系數(shù)值為0.342 9 以及與仿真對應(yīng)壓力測點的壓力值變化趨勢。
表5 風(fēng)阻系數(shù)仿真值與試驗值對比
風(fēng)阻系數(shù)仿真值與試驗值結(jié)果如表5 所示,表中顯示其仿真值與試驗值的誤差為0.82%,滿足工程精度要求的5%以內(nèi)。 測點壓力的仿真值與試驗值的變化趨勢如圖4 所示,圖中顯示其仿真值與試驗值的變化趨勢一致。 因此,認(rèn)為模型精度可靠,且仿真結(jié)果有效。
圖4 測點壓力值變化趨勢對比圖
汽車頭部與尾部的壓力分布如圖5 所示,在汽車頭部存在著較大的正壓區(qū)分布,而在汽車尾部則全是負(fù)壓區(qū),且在后保險杠兩側(cè)存在著兩處異常的低壓區(qū)。 頭部與尾部的兩股力同時作用阻礙了汽車的前行。
圖5 汽車表面壓力分布云圖
汽車對稱截面上的湍動能分布如圖6 所示,在汽車尾流區(qū)存在著較大的湍動能區(qū)域,該區(qū)域消耗汽車行駛能量,阻礙汽車前行。
圖6 湍動能云圖
由1.2 節(jié)中的理論可知,通過離散伴隨法可識別出汽車表面關(guān)于風(fēng)阻系數(shù)的靈敏度。 首先對汽車外流場進(jìn)行一次耦合流初始計算,之后在初始計算的基礎(chǔ)之上進(jìn)一步求解伴隨方程,即可得到汽車表面關(guān)于風(fēng)阻系數(shù)的靈敏度關(guān)系。
靈敏度識別結(jié)果如圖7 所示,圈選區(qū)域為綜合考慮之后選取的優(yōu)化部位,除了尾翼外,其它部位均為對稱選取,在圖中只標(biāo)出了一側(cè)。 圖中區(qū)域A 代表沿著表面的正法線方向移動可以減小風(fēng)阻系數(shù),區(qū)域B 則反之。
圖7 風(fēng)阻系數(shù)靈敏度云圖
使用軟件Hypermesh 的網(wǎng)格變形功能,在選取的優(yōu)化部位上建立變形控制體,并通過tcl 腳本驅(qū)動變形控制體的控制節(jié)點進(jìn)行自動變形。 由于在區(qū)域4 處添加變形控制體會與區(qū)域5 處形成干涉,于是僅考慮在此處加裝側(cè)向擾流板,而不對其進(jìn)行變形。 變形體設(shè)置的具體情況如圖8所示。
圖8 變形控制體設(shè)置(圖中7表示垂直平面向外,?反之)
圖8 中黑色箭頭所指的方向為變形過程中控制節(jié)點移動的方向,X1~X6為本次優(yōu)化所選取的6 個設(shè)計變量,設(shè)計變量的取值范圍如表6所示。
表6 變量取值范圍 mm
常用的試驗設(shè)計方法有全因子設(shè)計、正交試驗設(shè)計、拉丁超立方試驗設(shè)計和哈默斯雷試驗設(shè)計等。對于相同的試驗水平和因素,前兩種試驗設(shè)計方法相較于后兩者需要更多的試驗次數(shù),而哈默斯雷試驗設(shè)計在處理高維非線性問題時,比拉丁超立方試驗設(shè)計采樣點的空間分布更加均勻[18]。
根據(jù)設(shè)計變量的取值范圍,采用哈默斯雷試驗設(shè)計方法抽取30 組樣本點,并據(jù)此編制tcl 腳本,用于驅(qū)動變形體控制節(jié)點按照樣本點取值進(jìn)行移動變形。 分別對變形得到的30 個樣本模型進(jìn)行仿真計算,得到與之對應(yīng)的風(fēng)阻系數(shù)Cd值,結(jié)果如表7所示。
表7 試驗設(shè)計樣本點與結(jié)果
根據(jù)表7 中數(shù)據(jù)值,采用Kriging 插值法來建立代理模型。 代理模型的精確性與泛化性可采用交叉驗證集的決定性系數(shù)R2來進(jìn)行評價,R2值越接近1表明模型擬合的精度越高,但此時模型很有可能出現(xiàn)過擬合的情況,導(dǎo)致泛化性變差。 因此,認(rèn)為代理模型的R2>0.8 即滿足精度要求,且R2能在0.9~1之間最好。
在本次代理模型建立的過程中,隨機選擇樣本點的20%,即6 個作為交叉驗證集,剩下的24 個點用于模型的擬合。 擬合結(jié)果顯示,交叉驗證集的決定性系數(shù)R2=0.92。 因此,認(rèn)為代理模型的精確性與泛化性滿足要求。
為了得到設(shè)計變量的最優(yōu)組合,選擇多島遺傳算法來對代理模型進(jìn)行全局尋優(yōu)。 多島遺傳算法參數(shù)設(shè)置如表8 所示,優(yōu)化的目標(biāo)函數(shù)與設(shè)計空間如下。
目標(biāo)函數(shù):min{Cd}
設(shè)計空間:0≤X1≤10,0≤X2≤10,0≤X3≤18,0≤X4≤15,0≤X5≤100,0≤X6≤100
表8 多島遺傳算法參數(shù)設(shè)置
根據(jù)表8 的參數(shù)設(shè)置,對代理模型進(jìn)行全局尋優(yōu),得到代理模型預(yù)測的最優(yōu)結(jié)果組合以及最小風(fēng)阻系數(shù)值。 將預(yù)測的最優(yōu)結(jié)果組合帶入CFD 模型中進(jìn)行仿真計算,得到實際的最小風(fēng)阻系數(shù)值,具體數(shù)據(jù)如表9 所示。
表9 優(yōu)化結(jié)果
由表可見,最小風(fēng)阻系數(shù)預(yù)測值與計算值的誤差僅為0.15%,這進(jìn)一步證明了代理模型以及優(yōu)化結(jié)果的可靠性。 風(fēng)阻系數(shù)仿真值在優(yōu)化前為0.340 1, 優(yōu)化后 為 0.328 9, 下 降 了0.011 2, 約 為 11 count(1 count=0.001), 減阻率為 3.29%。
優(yōu)化前后汽車尾部的壓力分布如圖9 所示。 由圖可見,優(yōu)化后汽車后窗、后背門等處的壓力恢復(fù)較優(yōu)化前有所回升,分布在后保險杠兩側(cè)的異常低壓區(qū)域也已經(jīng)消失。
圖9 優(yōu)化前后尾部壓力云圖對比
優(yōu)化前后汽車對稱截面湍動能分布如圖10 所示,可見優(yōu)化后汽車尾部湍流動能區(qū)域有明顯減小,表明優(yōu)化后汽車尾流對汽車能量的消耗減少,從而風(fēng)阻減小。
圖10 優(yōu)化前后湍動能云圖對比
被優(yōu)化區(qū)域在優(yōu)化前后的輪廓形狀如圖11 所示,虛線框為優(yōu)化前輪廓,實線框為優(yōu)化后輪廓。 由圖可見,被優(yōu)化區(qū)域的實際改變量較小,未對汽車的外型風(fēng)格造成明顯改變。 表明本優(yōu)化策略可以很好地應(yīng)用于量產(chǎn)車的氣動優(yōu)化。
圖11 優(yōu)化前后輪廓對比
以某量產(chǎn)SUV 為研究對象,對其進(jìn)行了氣動分析,之后利用離散伴隨法結(jié)合哈默斯雷試驗設(shè)計、FFD技術(shù)和Kriging 插值法對其進(jìn)行了靈敏度識別與代理模型建立,最后采用多島遺傳算法對代理模型進(jìn)行了全局優(yōu)化。 根據(jù)靈敏度識別結(jié)果,通過添加側(cè)向擾流板并對6 個設(shè)計變量進(jìn)行全局尋優(yōu),最終使整車風(fēng)阻系數(shù)下降了11 count,減阻率達(dá)3.29%。
所使用的優(yōu)化策略可很好地滿足僅小幅改動汽車外形卻須明顯減阻的實際需求。 同時,還解決了單獨使用離散伴隨法時不能快速得到全局最優(yōu)解,以及單獨使用啟發(fā)式算法尋優(yōu)代理模型時優(yōu)化變量選取的盲目性問題,為快速有效確定優(yōu)化方案提供了理論支持。