精选基于SHERPA算法的纯电动汽车空气动力学优化.docx
《精选基于SHERPA算法的纯电动汽车空气动力学优化.docx》由会员分享,可在线阅读,更多相关《精选基于SHERPA算法的纯电动汽车空气动力学优化.docx(12页珍藏版)》请在冰豆网上搜索。
精选基于SHERPA算法的纯电动汽车空气动力学优化
一、前言
1.1汽车工业引发的环境及能源危机
全球大量汽车的应用,已经产生并正在持续引发严重的环境与人类生存问题。
大气污染、全球变暖以及地球石油资源的迅速递减,成为当前人们首要的关注问题。
[1]
交通运输工具主要是汽车的大量使用,其产生大量的二氧化碳排放占据全球排放量的32%,并且占比随着人类迁徙和全球化商业模式的发展进一步提高,显然交通运输工具产生的二氧化碳占据主要的影响地位,这将对于全球变暖造成严重的影响。
[2]
图11980~1999年期间二氧化碳排放量分布
当前汽车主要应用的燃料为源于石油的液态燃料,石油其生成需要经过百万年的转换,因此这种燃料为有限的资源,为不可再生资源。
新储油地的发现进程缓慢,而另一方面,石油的消耗量则呈现高增长的势态,假若石油的新发现以及其消耗量遵循现在的趋势,则全世界石油资源可应用至2038年。
[3]
图2全球石油的新发现、保持的储量以及渐增的消耗量
与矿物燃料极度燃烧相伴随的许多问题,包括污染、全球变暖以及可以预见的资源枯竭等问题,与之相关的代价难以估计,但其损失是庞大而非直接的。
[4]
1.2汽车工业的应对
改善汽车的能源消耗方式,是目前应对环境及能源危机最有效的技术应用是尽快推动新能源汽车推广和应用。
新能源汽车主要有纯电动汽车、混合动力汽车等。
新能源汽车有低排放、噪音低、功耗低等特点,可以有效缓解车辆对于环境和能源的影响。
其中纯电动新能源汽车顾名思义就是主要采用电力驱动的汽车,大部分车辆直接采用电机驱动。
纯电动新能源汽车技术相对简单成熟,只要有电力供应的地方都能够充电。
其技术难点之一是是蓄电池单位重量储存的能量少,质量大,因此如何集约化的使用有限的电能是纯电动新能源汽车开发中一项重要的工作。
1.3车辆能耗与空气阻力
汽车在行驶过程中,空气将阻碍汽车的运动,形成空气阻力,或称之为风阻,风阻是汽车高速行驶中主要的阻力之一。
减低气动阻力,对于增加纯电动汽车行驶里程意义重大,相关数据表明,降低10%的空气阻力,将增加5%的行驶里程。
每降低风阻系数0.01,行驶里程可以增加15~20km。
图3汽车行驶中的空气阻力
一般来说由于乘员的乘坐空间和结构已经决定了车辆截面尺寸,因此空气阻力系数(风阻系数)表征了一个车辆的空气动力水平。
空气阻力系数的计算公式:
式中
和
为车辆表明的压力和剪切力,
和
为相对密度、速度和正投影面积。
1.4纯电动汽车降低风阻的特殊性
传统能源车辆车身造型约占整车空气阻力的70%-80%,机舱约占整车空气阻力的10%-18%[5]。
而纯电动汽车由于中网格栅开口较小,一般只有下部格栅开口,因此机舱阻力大幅降低。
底盘布置有动力电池,比较平整,底盘贡献的风阻也有限。
因此上车身造型所占的空气阻力比例远高于传统能源汽车,甚至能到90%以上,因此对于纯电动汽车造型的优化重要性大于传统能源汽车。
因此对于车身造型展开细致的、参数化的优化分析势在必行。
图4上格栅封闭,下格栅开口
在传统能源开发中风阻的优化主要依赖于工程师的经验,各个优化措施的实施也依赖于工程师的经验水平,并且由于计算资源不足,难以展开大规模的参数化详细优化分析。
然而对于纯电动新能源汽车,风阻对于降低能源消耗意义重大,因此在纯电动新能源汽车开发中展开参数化的优化分析重要性远大与传统能源汽车。
二、理论基础
2
2.1空气动力学计算理论[6]
流场仿真计算通过求解质量守恒方程、动量守恒方程和能量守恒方程,来获取流场中任意位置的压力和速度。
连续方程:
动量方程:
能量方程:
本文计算中根据流速较低,可以将空气认为是密度流体,密度定义如下:
密度定义为常数。
2.2SHERPA算法理论[6]
SHERPA是一种独特的搜索算法,在一个优化计算中,与传统的根据经验逐一尝试优化算法不同,SHERPA在综合考虑计算的可靠性、渐进性和自适应前提下使用多个优化算法进行寻优计算,如果某个算法被认为是无效的,那么SHERPA算法将减低此算法的参与程度。
在开发中,使用SHERPA与传统的优化在流程上有如下区别:
图4使用SHERAP优化与传统优化计算的区别
三、优化对象
本文主要针对汉腾汽车某款车型展开,鉴于整车空气阻力对于电动车续航里程意义重大,因此在项目初期确定项目的空气阻力目标。
为满足项目目标并进一步挖掘车型在空气阻力方面的潜力,进行相关的分析优化工作。
图5汉腾某新能源汽车
四、模型以及优化部位
在StarCCM+软件中对车型进行面网格重构并生成体网格,需要注意对于车型造型细节的细化和保留。
模型情况如下:
图6网格采用多面体网格
在变形部位中需要注意,一部分不允许变形的边界设定为Fixed,允许变形部位需设定成Floating,本文优化中变形控制部位有以下**个,具体位置如下图所示:
图7变形位置
变形参数和优化目标设定如下:
共计10个位置20个优化参数,每个参数从-0.01m变化到0.01m,变化率为0.0025m,单个参数有9个变量。
图8部分优化参数
将风阻系数Cd设定为优化参数,风阻系数最小值设定为目标,并设置相应的视图。
需要设定足够多的计算案例供SHERPA算法进行学习,用来寻找最优化解,这里设定计算案例数量为300个,SHERAP将在300个算例中寻找最优参数趋势,并进行寻优计算。
五、优化结果分析
3
4
5
5.1风阻系数优化寻优
优化算法首先计算Baseline的结果,SHERPA算法综合全局和局部进行寻优,不同的方法使用数量从2-10次变化,SPERPA算法将会根据已经取得的设计空间自动修改参数[6]。
以下是SPERPA算法自动寻优的过程,在300个解算中,可以看出风阻系数和设计空间的变化情况:
图9优化算例参数平行图
图10SHERPA优化过程
上图中可以看出,在案例计算过程中,SHERPA可以有效地识别关键因素,并能够对于参数选取做出正确判断。
5.2所有优化部位与优化目标
优化参数与优化目标的关联性如下图所示,其中红色部分表示优化参数与目标为线性正相关,蓝色表示为负相关,数值与颜色对应。
图10设计参数与设计目标关联关系
5.3不同优化部位与优化结果的相关性分析
选取下图几个关联性较大的部位来说明不同参数与优化目标关系:
1.前保下边缘中间部分(Z_Correlation=-0.63)
图11优化位置示意图
2.前保下边缘两侧部分(X_Correlation=0.71/Z_Correlation=-0.65)
图12优化位置示意图
3.发动机盖前缘(X_Correlation=-0.24)
图13优化位置示意图
4.后保下边缘(X_Correlation=-0.59/Z_Correlation=-0.50)
图14优化位置示意图
5.后窗侧部导流板(X_Correlation=0.55/Y_Correlation=-0.52)
图15优化位置示意图
6.尾翼中部(Z_Correlation=-0.46)
图16优化位置示意图
7.尾翼两侧(Z_Correlation=0.51)
图17优化位置示意图
多参数优化中,我们需要分析出各个参数的重要性以及参数变化与目标之间的关联关系,下图为各个优化参数与优化目标之间相关性,可以看出那些优化参数与优化目标之间关联性较大,那些较低。
5.4最优造型参数组合
通过对造型参数化分析,风阻系数有12个count降低,减阻4%,结果可以看出,下述组合为风阻最低的参数组合:
18最佳优化位置