基于多精度深度神经网络的汽车气动外形优化设计方法

在汽车气动外形优化设计中,往往需要大量的高精度CFD数据作为支撑。然而,高精度CFD数据获取难度大、成本高。为了缓解汽车气动优化设计中气动特性评估精度和效率之间的矛盾,根据迁移学习与数据融合的思想,提出了一种基于多精度深度神经网络(multi-fidelity deep neural network, MFDNN)的汽车外形优化设计方法,以减少优化设计中所需的高精度数据个数,从而有效提升优化速度、降低优化成本。将所发展的优化方法应用于快背式MIRA标准模型减阻优化设计中,优化结果表明,该方法能够充分融合不同精度数据所蕴含的知识,加速气动外形优化进程,提升优化效率。以收敛用时作为评价指标,在取得相近或更优优化结果的前提下,基于多精度神经网络的优化框架的收敛速度是基于单精度神经网络的离线优化框架的5.85倍,是基于单精度神经网络的在线优化框架的2.81倍。

基于智能算法的汽车气动外形参数多目标优化

为了对汽车外形进行优化设计,利用CFD软件与智能算法相结合的方法,以在天窗微开高速行驶状态下的汽车为优化的对象,选取气动阻力最小、气动升力为0、天窗后缘压强最小为`优化目标,以汽车关键外形参数为设计变量,对汽车气动外形进行多目标优化设计.同时,应用了数据挖掘技术评价设计变量与3个目标函数的影响关系,选取优化后的最佳关键参数制作汽车模型并进行风洞试验验证.研究结果表明:通过遗传算法优化的车身外形,在其他设计目标满足要求的条件下成功地将阻力系数降低了9.5%,并通过风洞试验验证了该智能算法结果的准确性.基于智能算法的汽车气动外形设计具有指导意义与实际应用价值,为汽车气动外形的多目标优化设计提供了一种高效、精确、可靠的先进优化方法.