一種新型車用導流器的研究及其氣動性能優化*

賴晨光，斯 洋，陳 祎，白海濤

（1.重慶理工大學車輛工程學院，重慶 400054； 2.日本東北大學流體科學研究所，日本仙臺 980-8577）

前言

空氣動力學附加裝置對整車氣動性能的改善起著不可忽視的作用。目前國內外對汽車減阻的研究正趨于完善，其方法主要為局部優化、整體優化和安裝導流附加裝置等。在減小升力方面，以運動型車輛如方程式賽車為主，其改善方式通常為安裝空氣動力學附加裝置如前翼、尾翼和擴散器等。目前，當在車身上只安裝傳統導流器時，整車阻力與升力的變化是相互矛盾的，不能同時實現減小阻力與升力，即不能同時提升整車的燃油經濟性與操縱穩定性。

2001年美國通用汽車研發中心Khalighi Bahram等［1］基于類直背車型設計一款減阻裝置，使在尾部分離的氣流再附著于減阻裝置表面，結果氣動阻力減小20%以上。2008年標致雪鐵龍Beaudoin等［2］在Ahmed尾部后風窗與行李艙處安裝多塊翼板進行了減阻減升的研究。翼板在合理的布局情況下可使阻力減小25%、升力減小107%，且側面翼板能夠有效抑制縱向渦的扭轉強度。2015年本田汽車Machida Kentaro等［3］在研究新本田飛度（FIT）的流場特性時發現：新飛度車頂后緣頂點與C柱沿氣流流動方向后移，在車頂尾部的氣流分離被延遲，車頂壓力分布梯度比原車型更加均勻，且頂點后移減小了自車頂方向的下洗流和車尾處的拖拽渦扭轉強度，使新飛度的氣動特性明顯改善。2017年日產汽車Taniguchi等［4］增大量產皮卡駕駛艙尾緣的曲率半徑，延遲了氣流在尾緣處的分離；同時在皮卡尾門處安裝導流部件，使從駕駛艙尾緣處分離的氣流再附著于導流部件，整車的氣動性能得到極大改善?；谝陨涎芯砍晒?，欲為某直背車型設計一款能同時減小阻力與升力的新型導流器，至少須滿足以下兩點：（1）安裝新型導流器后，在車頂尾緣處的氣流分離被延遲；（2）自車頂分離的氣流在新型導流器表面再次附著。

本文中為更好優化汽車氣動外形，引入遺傳算法研究多參數對整車外流場的影響，以獲得全局最優解，通過建立近似模型縮減多次調用仿真程序的計算時間，以提高優化效率［5］。

1 原模型數值仿真

1.1 建立原模型

在建模過程中對目標SUV外形采取適當簡化處理與修整后作為此次研究的原模型。簡化的部件主要有：后視鏡、發動機艙進氣格柵、雨刮器和門把手等。原模型車頂頂部具有一定傾角，前方來流由于頂部傾角的導流作用，利于附著在新型導流器表面。由于頂部傾角的作用，安裝新型導流器后整車的正投影面積并不改變。較大的后風窗傾角有利于新型導流器的安裝與優化。原模型及其參數分別如圖1和表1所示。

1.2 數值模擬設置

1.2.1 網格策略

考慮車身的對稱性，為節約計算資源，本次以半車進行模擬。計算域設置為：取計算域長度為11倍車長（入口距汽車最前端為3倍車長、出口距汽車最后端為7倍車長），計算域高度為5倍車高，計算域寬度為3倍車寬，如圖2所示。

圖1 原模型

表1 原模型參數

圖2 計算域設置

計算網格分兩大部分：汽車車身原模型網格和車身外面以空氣為介質的計算域網格。前者可分兩區：車身外表面，包括車輪拱板、保險杠、后風窗玻璃和車身部件之間的縫隙、凹槽、曲面等部位，采用10 mm的較小網格；其余采用較大網格，最大網格尺寸為40 mm。后者可分為4個區，如圖3所示。第1區為緊貼著車身表面的流體邊界層，為更準確地捕捉車身表面流體的流動狀態，生成了5層三棱柱網格，總厚度為0.96 mm；第2至第4區，都采用六面體網格，其中第2和第3區為加密區，最大網格尺寸分別為100和200 mm，第4區，即計算域的最外層（圖中僅畫出一部分），為縮短計算時間，采用較粗的網格，最大尺寸為400 mm，網格總數約為450萬。

圖3 近車身網格圖

1.2.2 邊界條件設置

本次模擬采用可實現κ-ε湍流模型，對流項和擴散項均為2階離散格式，壓力—速度耦合方法選用SIMPLE算法。邊界條件設置見表2。

表2 邊界條件設置

2 新型導流器型面設計與流場驗證

2.1 型面設計

根據新型導流器須滿足的流場條件，新型導流器初始形狀和氣流流動預想見圖4。上下型面各12個控制點（圖中只給出上型面控制點）。預想如下：新型導流器前緣A-D段的長度大于導流器安裝前氣流的附著路線M-N段的長度，其作用是延長氣流在車頂的附著長度，故A-D為附著區；C-F段的曲率半徑大于N-O段的曲率半徑，其作用是增大汽車尾緣處曲率半徑，以延遲氣流分離，故C-F為延遲氣流分離區；F-J段為氣流的分離區；從J點開始前方來流再附著于新型導流器表面，故J-L為再附著區。新型導流器尾部類似于一個倒置的翼型。

圖4 新型導流器初始形狀與流動預想圖

由圖4可見，A-L各點的x坐標逐漸增大，且相鄰兩個控制點的差值相等，取為89 mm；A-L各點的z坐標逐漸減小，其中，A-D間相鄰兩個控制點間的差值相等，取10 mm；D-J間相鄰兩個控制點間的差值相等，取35 mm；J-L間相鄰兩個控制點間的差值也相等，取8 mm。在z方向上有：J-L間相鄰控制點差值＜A-D間相鄰控制點差值＜D-J間相鄰控制點差值。

采用MATLAB中的準均勻B樣條來擬合新型導流器橫截面的上下型線。B樣條曲線遞推表達式［6］為

式中 Ni，k（u）為 B樣條基函數，i為 B樣條的序號，k為B樣條的冪次，其值為基函數階數減去1。準均勻B樣條和均勻B樣條的不同之處在于首末端點的重復度。

為獲得效果最優的導流器，將其橫截面上下型線各控制點的z坐標上下變動（變動范圍見表3），通過遺傳算法尋找最優新型導流器型面。在MATLAB中每次輸出上下型線后，在y方向以車頂傾斜線為引導線拉伸出與車頂等寬的型面，且安裝于車頂同一位置。

表3 導流器控制點變動范圍

在ISIGHT軟件中集成MATLAB、ICEM-CFD和FLUENT軟件，通過多目標遺傳算法以原模型+新型導流器結合體阻力最小、升力最小為目標進行優化，以獲得實現減小阻力與升力的新型導流器最優型面［7］。

2.2 氣流流動驗證

優化后的新型導流器型面見圖5，數值計算結果表明，整車阻力減小2.6%，升力減小 4.3%。下面進行氣流流動預想的驗證。

車輛縱向對稱截面處車頂壓力分布曲線見圖6，安裝新型導流器后，車尾部氣流的分離區域在流動方向上向后移動，即車尾處的氣流分離被延遲，且新型導流器較大的曲率半徑使氣流最大分離強度減弱。

圖5 新型導流器最優型面

圖6 對稱截面處車頂壓力分布曲線

對稱截面導流器流線見圖7。A線前部為氣流附著區，其氣流附著長度明顯長于新型導流器安裝前氣流在原車型頂部的附著長度。A-B之間為氣流分離區。B線之后為氣流再附著區，大量分離的氣流再附著于新型導流器尾部。前方來流在新型擾流器表面的流動狀態基本符合預想。

圖7 對稱截面導流器流線圖

以上分析表明，氣流在新型導流器表面的流動滿足前面提出的兩點要求。

C柱壓力云圖見圖8。由圖可見：由于新型導流器在y方向具有一定傾斜角度，部分氣流從車頂被導向側面，加速了氣流在C柱的分離，整車氣動性能惡化。因此新型導流器在y方向上的展長成為影響新型導流器氣動性能的重要參數。

圖8 C柱壓力云圖

3 新型導流器性能優化

3.1 優化變量與優化目標

為使新型導流器性能最優，對安裝新型導流器的原模型進行減阻減升的多目標優化。優化變量如圖9所示，每個變量對應的含義與取值范圍如表4所示。其中X、Z和A都與氣流在新型導流器表面的附著與分離有關。由前所述，Y值會影響氣流在C柱的分離，對整車氣動性能影響較大。以原模型+新型導流器結合體阻力系數最小、升力系數最小為目標。計算出新型導流器最佳的安裝位置和y方向展長，使其氣動性能最優，以便深入分析其減阻減升流動機理。

圖9 優化變量

表4 變量與含義

3.2 優化流程

在構造近似模型前，通過實驗設計方法在整個設計空間中選取有限、盡可能全面反映設計空間特性的樣本點。其選取方法直接影響近似模型的精度。常用的實驗設計方法有全因素設計、正交設計、均勻設計和拉丁超立方設計等。優化拉丁超立方設計是對拉丁超立方的改進設計，它具有很好的空間填充性與均衡性［5］。汽車外流場優化具有高度非線性，且難以直接構建優化變量與優化目標之間的函數關系。故在樣本點數充足的情況下，由數學模型擬合優化變量與優化目標的關系，即構建近似模型。其擬合精度與樣本點數量有關，根據經驗，樣本點數量與優化變量具有5～10倍的數量關系。常用近似模型主要包括響應面模型（RSM）、徑向基神經網絡模型（RBF／REF）和克里金模型（Kriging）等。Kriging模型所采用的插值方法，是一種從變量相關性和變異性出發，并在優先區域內對區域化變量的取值進行無偏、最優估計的方法，故在解決非線性程度較高的問題時更加容易取得理想的擬合結果［8］。多目標遺傳算法通過遺傳算法來求解多目標問題，在求解多目標問題過程中引入遺傳算法幫助計算目標函數的最優解集。常用的多目標遺傳算法包括多目標粒子群算法（MOPSO）、微遺傳算法（Micro-GA）、非支配排序遺傳算法（NSGA）和改進的NSGA算法（NSGA-II）。NSGA-II算法的應用范圍不受目標函數是否連續、可微等影響，即目標函數的形式可多樣化，保證算法能處理各種多維、非凸和非線性的復雜數學問題［9］。

新型導流器氣動性能優化流程見圖10。在DOE過程中，選用優化拉丁超立方設計方法選取100組樣本點，適當增加樣本點以保證近似模型的擬合精度。選用Kriging代理模型，通過交叉誤差驗證，本次擬合精度在0.96以上，認為符合工程實際需要。選用NSGA-II算法尋優預測，最后通過風洞實驗驗證仿真結果。

3.3 優化結果分析

3.3.1 DOE結果分析

根據DOE實驗結果得出的原模型+新型導流器結合體阻力系數與升力系數的自組織神經網絡（self-organization mapping，SOM）圖見圖 11。SOM是一種競爭式的學習網絡，它具有模擬大腦神經系統自組織特征映射的特點，且可無監督地進行自組織學習。SOM通過分析、獲取變量與目標的二維神經元網絡分布模式，將高維數據映射到一張二維的神經元網格圖上。從SOM中可定性地分析變量與目標之間內在影響關系，并揭示相對應的影響趨勢［10］。由圖11可知：阻力系數Cd與升力系數Cl的神經網絡圖在右上角存在顏色趨同的區域，表明新型導流器能實現整車阻力與升力同時達到最小值的目標。

圖11 SOM圖

3.3.2 優化結果

基于自動優化平臺通過NSGA-II遺傳算法尋優預測后的性能最優新型導流器參數如表5所示。

表5 最優新型導流器參數

根據表5的數據建立新型導流器模型，并將其安裝于原模型進行仿真，優化結果驗證見表6。由表6可知，預測結果與仿真結果的誤差在6%以內，優化結果可靠。最終仿真結果表明，安裝新型導流器后整車阻力減小4.8%，升力減小9.4%，新型導流器氣動性能優化工作有效。

表6 優化結果驗證

3.4 實驗驗證

實驗驗證在吉林大學汽車空氣動力學研究所模型風洞實驗室完成。實驗風洞為閉口、回流低速式。最大風速為50 m／s。本次實驗風速為30 m／s?？紤]到天平量程和阻塞比的限制，本次實驗選用1∶10縮比模型，見圖12。

圖12 實驗模型

實驗結果對比見表7。由表可見，安裝新型導流器后1∶10原模型阻力減小3.8%，升力減小7.9%。仿真結果與實驗結果的誤差在5%以內，表明新型導流器設計方法與減阻減升多目標優化方法能實現預期目的，具有一定可行性。

表7 實驗結果對比

4 流動機理分析

4.1 減升分析

整車頂部壓力云圖見圖13。由圖可知：由于新型導流器對來流的阻滯作用，部分氣流在車頂中后部停滯并形成一定壓力梯度，且氣流在新型導流器尾部再附著，車頂部壓力回升明顯，使整車的升力減小。

圖13 整車頂部壓力云圖

新型導流器表面流線圖見圖14。由圖可知：隨著Y值的增大，新型導流器中部的分離渦變小、尾部的氣流再附著長度持續增長，整車氣動性能改善明顯。

圖14 新型導流器表面流線圖

4.2 減阻分析

圖15 為車尾部壓力云圖。由圖可知，整車阻力的改善主要有4方面的因素：頂部氣流分離強度的減弱、后風窗處壓力的回升、新型導流器中部出現的正壓、C柱處氣流分離的改善。

圖15 車尾部壓力云圖

圖16 為X／L＝0.1處渦量云圖。由圖可見，安裝新型導流器后，風窗處的氣流流動完全改變：拖拽渦消失，C柱渦強度減弱，新型導流器附近生成許多小渦。圖17為 X／L＝0.1處湍動能云圖。由圖可見，安裝新型導流器后，后風窗處能量耗散的方式改變，但總體耗散強度減弱。

圖16 X／L＝0.1處渦量云圖

圖18 為X／L＝0.3處渦量云圖。由圖可見，消失的拖拽渦再次出現，但小于原車的渦量強度。圖19為X／L＝0.3處湍動能云圖。由圖可見，能量耗散的方式趨于相同，且安裝新型導流器后強度有所減弱。表明新型導流器改變了拖拽渦的產生方式，且降低了其扭轉強度。

圖17 X／L＝0.1處oyz平面湍動能云圖

圖18 X／L＝0.3處oyz平面渦量云圖

圖19 X／L＝0.3處oyz平面湍動能云圖

圖20 為渦流Q＝50 s-2時的等值面圖。由圖可見，根據漩渦判斷準則，安裝新型導流器后尾部流場改變如下：（1）C柱渦消失，在原C柱渦生成的位置生成新的渦對，但其強度小于原C柱渦，在圖16中觀察到的C柱渦即為新生成的渦對；（2）拖拽渦的生成位置延后且強度減弱。故整車的氣動性能明顯改善。

5 結論

為某直背車型設計了一款減小阻力和升力的新型導流器，并對其氣動性能進行優化，得出以下結論。

圖20 Q＝50 s-2時的等值面圖

（1）模型風洞實驗表明，新型導流器設計方法和減阻減升多目標優化方法在提升優化效果的同時還能保證較高的預測精度，是一種高效、可行的智能優化方法。

（2）引入近似模型能顯著減小CFD計算工作量，節省汽車研發周期。

（3）安裝新型導流器后，C柱渦消失，在原C柱渦的位置生成新的渦對，但強度減弱；拖拽渦的生成位置延后且強度減弱。這使整車阻力減小3.8%，升力減小7.9%。該研究可為提升整車的燃油經濟性與操縱穩定性提供參考。