一种商用车空气动力学序列优化方法技术

本发明专利技术公开了一种商用车空气动力学序列优化方法，包括：构建待优化商用车的GTS简化商用车模型，分析影响空气动力学性能的主要参数，作为优化变量，采集样本，生成样本空间，并建立样本数据集；根据样本数据集，构建自适应组合代理模型，由径向基函数和Kriging模型构成；采用POINTER优化求解器对自适应组合代理模型进行求解，得到最优值；判断自适应组合代理模型的模型精度是否达标，如果达标，则输出该最优值；如果没有达标，则利用序列优化算法，通过混合加点准则得到新的样本；将新的样本加入样本数据集，重复构建代理模型并求解。该方法可实现对商用车整体造型关键参数进行寻优计算，使商用车的风阻系数达到最小，有效提升了商用车的车辆减阻。了商用车的车辆减阻。了商用车的车辆减阻。

【技术实现步骤摘要】
一种商用车空气动力学序列优化方法


[0001]本专利技术涉及汽车空气动力学仿真优化
，特别涉及一种商用车空气动力学序列优化方法。

技术介绍

[0002]目前全球二氧化碳排放主要来自能源活动，占总排放量的73％。其中，发热供电占30％，交通运输占16％，制造业和建筑业占12％。因此，降低商用车能源消耗已成为商用车主要发展方向。
[0003]当商用车在高速公路上以80km/h匀速行驶时，气动阻力所导致的燃油消耗占到了总能耗的50％以上，又由于车辆高速行驶、运输里程大等使用特点，运用空气动力学减小商用车气动阻力的意义重大，且节能减排效果非常可观。根据相关数据显示，改善商用车的空气动力学性能，可以减少12％的燃料使用。因此，降低商用车气动阻力对降低碳排放量有着相当重要的意义。
[0004]目前，对车辆减阻方式的研究主要针对一些具体的气动附加装置。且传统商用车空气动力学试验过多依赖附加气动装置，整体造型设计过于依赖设计师传统经验所得，进而导致空气动力学试验成本过高，时间线过长，影响经济效益，且难以找到最佳方案。商用车的气动减阻技术正从车身细部造型优化、气动附加装置向卡车整体造型优化的方向发展。
[0005]且现有商用车造型优化算法的最优值求解多采用单一智能优化算法，其存在不可避免的缺陷。例如，遗传算法寻优需要在初始阶段设置大量的关键参数，如果参数设置错误或者不当，整个优化过程便会失败。梯度下山算法则极其依赖初始点，且极易陷入局部最优。
[0006]因此，在现有商用车的气动减阻技术的基础上，如何提供一种针对商用车整体造型关键参数优化设计的方法，使其空气动力学风阻系数最小，并且大大节约设计成本，缩短设计周期，并且避免在优化过程中陷入局部最优，成为本领域技术人员亟需解决的问题。

技术实现思路

[0007]鉴于上述问题，本专利技术提出了一种至少解决上述部分技术问题的商用车空气动力学序列优化方法，该方法可在取少量样本点的情况下以商用车空气动力学风阻系数最小为优化目标，实现对商用车整体造型关键参数的寻优计算，可有效节约计算时间，简化计算流程，且具有良好的优化性能。
[0008]本专利技术实施例提供一种商用车空气动力学序列优化方法，包括如下步骤：
[0009]S1、构建待优化商用车的GTS简化商用车模型，分析所述GTS简化商用车模型影响空气动力学性能的主要参数，将所述主要参数作为优化变量；根据所述优化变量采集样本，生成样本空间，并建立样本数据集；
[0010]S2、根据所述样本数据集，构建自适应组合代理模型；所述自适应组合代理模型由
径向基函数和Kriging模型构成；采用POINTER优化求解器对所述自适应组合代理模型进行求解，得到最优值；
[0011]S3、根据所述最优值，判断所述自适应组合代理模型的模型精度是否达到预设标准，如果达到所述预设标准，则输出所述自适应组合代理模型的最优值，所述最优值即为使所述待优化商用车的风阻系数达到最小值时的最优状态；如果没有达到所述预设标准，则执行步骤S4；
[0012]S4、利用序列优化算法，通过混合加点准则得到新的样本；将所述新的样本加入所述样本数据集，重复执行所述步骤S2～步骤S3。
[0013]进一步地，还包括：
[0014]S5、分别通过数值计算得到所述GTS简化商用车模型的气动阻力响应值，以及所述自适应组合代理模型的气动阻力响应值。
[0015]进一步地，所述步骤S1中，通过改进的拉丁超立方抽样生成所述样本空间；所述改进的拉丁超立方抽样中样本x
i
，x
j
之间的距离d
ij
通过如下公式表达：
[0016][0017]上式中，m为样本量；t为可选正整数。
[0018]进一步地，所述步骤S2中，所述径向基函数由RBF神经网络构成；所述RBF神经网络的学习过程包括：无监督学习阶段和监督学习阶段；所述无监督学习阶段根据所述样本空间，利用聚类分析计算中心数，利用K近邻法求出样本偏差；所述监督学习阶段将所述样本空间经基函数转换后，映射到高维空间，通过线性回归计算输出之间的权重。
[0019]进一步地，所述步骤S2中，所述POINTER优化求解器集成线性拟合、序列二次规划、梯度下山算法和遗传算法四种核心算法，根据所述自适应组合代理模型的优化精度指标，自动切换核心算法。
[0020]进一步地，所述步骤S3中，所述自适应组合代理模型的模型精度由全局精度评价和局部精度评价生成；所述全局精度评价采用均方根值RMSE和决定系数R2评价所述自适应组合代理模型的精度；所述局部精度评价采用绝对最大误差MAE表达评价所述自适应组合代理模型的精度。
[0021]进一步地，所述均方根值RMSE和决定系数R2分别通过下式表达：
[0022][0023]上式中，y
i
为第i个样本的实际气动阻力响应值；为所有样本的气动阻力响应值的均值；为所述自适应组合代理模型中的第i个样本的预测值；n为样本量。
[0024]进一步地，所述绝对最大误差MAE表达通过下式表达：
[0025][0026]上式中，y
i
为第i个样本的实际气动阻力响应值；为所述自适应组合代理模型中的第i个样本的预测值。
[0027]进一步地，所述步骤S4中，混合加点准则包括：局部加点准则和全局加点准则；所述局部加点准则将所述自适应组合代理模型的最优值以及所述最优值对应的优化变量作为新的样本加入所述样本数据集；所述全局加点准则采用交叉验证
‑
泰森图解采样。
[0028]进一步地，所述交叉验证
‑
泰森图解采样利用泰森图解法划分所述样本空间，生成多个空间，每个空间只存在一个样本点，且所述每个空间内的点到其对应的样本点的距离最近，位于空间边缘的点到其两侧最近样本点的距离相等。
[0029]进一步地，所述交叉验证
‑
泰森图解采样采用交叉验证对所述每个空间及其对应的样本点进行误差评价。
[0030]进一步地，所述交叉验证
‑
泰森图解采样获取误差最大的空间内距离中心样本点最远的点对应的优化变量；将所述优化变量作为新的样本加入所述样本数据集。
[0031]进一步地，所述自适应组合代理模型的预测精度采用预测平方和PRESS作为响应，使用CV交叉验证进行计算。
[0032]本专利技术实施例提供的上述技术方案的有益效果至少包括：
[0033]本专利技术实施例提供的一种商用车空气动力学序列优化方法，包括：构建待优化商用车的GTS简化商用车模型，分析影响空气动力学性能的主要参数，作为优化变量，采集样本，生成样本空间，并建立样本数据集；根据样本数据集，构建自适应组合代理模型，由径向基函数和Kriging模型构成；采用POINTER优化求解器对自适应组合代理模型进行求解，得到最优值；判断自适应组合代理模型的模型精度是否达标，如果达标，则输出该最优值；如果本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种商用车空气动力学序列优化方法，其特征在于，包括如下步骤：S1、构建待优化商用车的GTS简化商用车模型，分析所述GTS简化商用车模型影响空气动力学性能的主要参数，将所述主要参数作为优化变量；根据所述优化变量采集样本，生成样本空间，并建立样本数据集；S2、根据所述样本数据集，构建自适应组合代理模型；所述自适应组合代理模型由径向基函数和Kriging模型构成；采用POINTER优化求解器对所述自适应组合代理模型进行求解，得到最优值；S3、根据所述最优值，判断所述自适应组合代理模型的模型精度是否达到预设标准，如果达到所述预设标准，则输出所述自适应组合代理模型的最优值，所述最优值即为使所述待优化商用车的风阻系数达到最小值时的最优状态；如果没有达到所述预设标准，则执行步骤S4；S4、利用序列优化算法，通过混合加点准则得到新的样本；将所述新的样本加入所述样本数据集，重复执行所述步骤S2～步骤S3。2.如权利要求1所述的一种商用车空气动力学序列优化方法，其特征在于，还包括：S5、分别通过数值计算得到所述GTS简化商用车模型的气动阻力响应值，以及所述自适应组合代理模型的气动阻力响应值。3.如权利要求1所述的一种商用车空气动力学序列优化方法，其特征在于，所述步骤S1中，通过改进的拉丁超立方抽样生成所述样本空间；所述改进的拉丁超立方抽样中样本x
i
，x
j
之间的距离d
ij
通过如下公式表达：上式中，m为样本量；t为可选正整数。4.如权利要求2所述的一种商用车空气动力学序列优化方法，其特征在于，所述步骤S3中，所述自适应组合代理模型的模型精度由全局精度评价和局部精度评价生成；所述全局...

【专利技术属性】
技术研发人员：胡兴军，罗雨霏，郭鹏，余天明，兰巍，桑涛，
申请(专利权)人：吉林大学，
类型：发明
国别省市：