CN107506518A - 一种列车头型优化设计方法及装置 - Google Patents
一种列车头型优化设计方法及装置 Download PDFInfo
- Publication number
- CN107506518A CN107506518A CN201710543237.8A CN201710543237A CN107506518A CN 107506518 A CN107506518 A CN 107506518A CN 201710543237 A CN201710543237 A CN 201710543237A CN 107506518 A CN107506518 A CN 107506518A
- Authority
- CN
- China
- Prior art keywords
- optimization design
- head dummy
- variables
- optimization
- train head
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明实施例提供了一种列车头型优化设计方法及装置,该方法包括:构建列车头型的三维参数化模型,根据三维参数化模型提取列车头型的多个优化设计变量,并确定各个优化设计变量的优化设计空间;在各个优化设计空间内进行采样,获取多组优化设计变量组,其中,每组优化设计变量组中包括每个优化设计变量的一个采样点;根据优化设计变量组,建立气动性能指标与优化设计变量之间的近似计算模型;对近似计算模型进行优化设计,获得优化气动性能指标,根据优化气动性能指标和三维参数化模型,获得目标列车头型。该装置用于执行该方法。本发明实施例减少了列车头型的优化设计时间,缩短了列车头型的设计周期,提高了列车头型设计的效率。
Description
技术领域
本发明实施例涉及高速列车设计技术领域,具体涉及一种列车头型优化设计方法及装置。
背景技术
列车头型设计及列车车头的设计是高速列车研究的重要课题,列车头型外形与其空气动力学性能密切相关,人们追求造型最佳的列车头型,很大程度上是为了改善列车空气动力学性能。列车头型设计时,需要综合考虑列车行驶过程中的气动阻力、气动升力、横风性能、压力波、气动噪声等,而这些气动性能指标之间可能会发生冲突,列车头型的设计研发是多目标的外形优化设计问题。
现有技术中,高速列车头型的优化设计一般是先拟定出各种头型方案,再通过风洞试验和数值计算进行比较选择,最后根据运营条件进行设计完善,这种方法本质上属于优选方法,过多地依赖于工程经验,最终选定的头型也并不一定是最优的。为克服这些缺点而获得最优的头型外形,可以采用直接优化方法,提出通过建立列车参数化模型,利用优化算法进行迭代计算,实现头型优化设计。但是,现有技术中,进行列车头型的优化设计时,每一个优化迭代步骤内,都需要针对新更新的头型进行计算网格划分和列车空气动力学计算,而列车空气动力学计算非常耗时,从而会使得列车头型优化设计周期非常长。
因此,如何提出一种方案,能够缩短列车头型的设计周期,提高列车头型设计的效率,成为亟待解决的问题。
发明内容
针对现有技术中的缺陷,本发明实施例提供了一种列车头型优化设计方法及装置。
一方面,本发明实施例提供了一种列车头型优化设计方法,包括:
构建列车头型的三维参数化模型,根据所述三维参数化模型提取所述列车头型的多个优化设计变量,并确定各个所述优化设计变量的优化设计空间;
在各个所述优化设计空间内进行采样,获取多组优化设计变量组,其中,每组所述优化设计变量组中包括每个所述优化设计变量的一个采样点;
根据所述优化设计变量组,建立气动性能指标与所述优化设计变量之间的近似计算模型;
对所述近似计算模型进行优化设计,获得优化气动性能指标,根据所述优化气动性能指标和所述三维参数化模型,获得目标列车头型。
进一步地,所述根据所述优化设计变量组,建立气动性能指标与所述优化设计变量之间的近似计算模型,包括:
根据所述优化设计变量组,建立所述列车的整车模型,对所述整车模型进行网格划分和空气动力学计算,获得多个所述气动性能指标;
根据所述优化设计变量组和所述气动性能指标,利用径向基神经网络建立所述气动性能指标与所述优化设计变量之间的近似计算模型。
进一步地,所述建立气动性能指标与所述优化设计变量之间的近似计算模型,包括:每一个所述气动性能指标建立一个所述近似计算模型,或多个所述气动性能指标建立一个所述近似计算模型。
进一步地,所述在各个所述优化设计空间内进行采样,包括:利用最优拉丁超立方设计在各个所述优化设计空间内进行均匀采样。
进一步地,所述对所述近似计算模型进行优化设计,获得优化气动性能指标,包括:利用多目标遗传算法,对所述近似计算模型进行优化设计,获得所述优化气动性能指标。
进一步地,所述方法还包括:
预留预设组所述优化设计变量组,用于验证所述近似计算模型的精度。
另一方面,发明实施例提供一种列车头型优化设计装置,包括:
三维模型建立单元,用于构建列车头型的三维参数化模型,根据所述三维参数化模型提取所述列车头型的多个优化设计变量,并确定各个所述优化设计变量的优化设计空间;
采样单元,用于在各个所述优化设计空间内进行采样,获取多组优化设计变量组,其中,每组所述优化设计变量组中包括每个所述优化设计变量的一个采样点;
近似模型建立单元,用于根据所述优化设计变量组,建立气动性能指标与所述优化设计变量之间的近似计算模型;
优化设计单元,用于对所述近似计算模型进行优化设计,获得目标列车头型。
进一步地,所述近似模型建立单元具体用于:
根据所述优化设计变量组,建立所述列车的整车模型,对所述整车模型进行网格划分和空气动力学计算,获得多个所述气动性能指标;
根据所述优化设计变量组和所述气动性能指标,利用径向基神经网络建立所述气动性能指标与所述优化设计变量之间的近似计算模型。
又一方面,本发明实施例提供用于列车头型优化的电子设备,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述列车头型优化设计方法。
再一方面,本发明实施例提供一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述列车头型优化设计方法。
本发明实施例提供的列车头型优化设计方法及装置,通过构建列车头型的三维参数化模型,提取优化设计变量和优化设计空间,进一步建立优化设计变量和气动性能指标之间的近似计算模型,对该近似计算模型进行优化,获得优化气动性能指标,进一步获得列车头型的目标列车头型,完成列车头型的优化设计。在整个列车头型的优化设计过程中,只有建立近似计算模型的过程需要少量的进行网格划分和空气动力学计算,在近似计算模型的优化过程不再需要网格划分和空气动力学计算,减少了列车头型的优化设计时间,缩短了列车头型的设计周期,提高了列车头型设计的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中列车头型优化设计方法的流程示意图;
图2为本发明实施例中列车头型的三维参数化模型;
图3为本发明实施例中纵向对称线的优化设计空间及纵向对称线变形后的列车头型示意图;
图4为本发明实施例中每组优化设计变量组对应的列车头型的气动阻力示意图;
图5为本发明实施例中纵向对称线的优化设计变量的采样信息示意图;
图6为本发明实施例中优化设计过程中纵向对称线的优化设计变量的收敛示意图;
图7为本发明实施例中优化设计过程中气动阻力和气动升力的收敛示意图;
图8为本发明实施例中列车头型优化设计装置的结构示意图;
图9为发明实施例中的用于列车头型优化设计的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例中列车头型优化设计方法的流程示意图,如图1所示,本发明实施例提供的列车头型优化设计方法包括:
S1、构建列车头型的三维参数化模型,根据所述三维参数化模型提取所述列车头型的多个优化设计变量,并确定各个所述优化设计变量的优化设计空间;
具体地,本发明实施例利用样条曲线和样条曲面构建列车头型即列车车头的外型的三维参数化模型,具体实施过程中考虑列车头型的对称性,可以对列车头型的一半进行建模。可以基于Catia软件的二次开发,编制Catia脚本程序,利用若干样条曲线和样条曲面重构列车头型外形,构建出列车头型的三维参数化模型。图2为本发明实施例中列车头型的三维参数化模型,如图2所示,本发明实施例中的列车头型的三维参数化模型由7个样条曲面(S1-S7)组成,每一个样条曲面由若干样条曲线如C1-C5生成。当然,根据需要,可以构建出其他形状的列车头型的三维参数化模型,本发明实施例不作具体限定。构建出列车头型的三维参数化模型后,针对列车头型关键控制型线,提取列车头型的优化设计变量,并确定各个优化设计变量的优化设计空间。其中,优化设计变量可以是列车头型的关键控制型线,如:纵向对称线、最大水平外轮廓线、车底水平轮廓线、中部辅助控制线和前端控制线,当然,也可以是列车头型的关键控制型线上的关键点如各列车头型的关键控制型线的中点。优化设计空间是指各个优化设计变量的可活动空间,如各个列车头型的关键控制型线上的关键点(如:中点)的活动空间。
图3为本发明实施例中纵向对称线的优化设计空间及纵向对称线变形后的列车头型示意图,图3中将纵向对称线的中点作为一个优化设计变量,将该中点的活动空间即向上移动的最大值和向下移动的最大值,作为该优化设计变量对应的优化设计空间。如图3所示,当纵向对称线的中点变化时,纵向对称线的整体形状也会随之变化,对应的列车头型的三维参数化模型也会变化。如图3所示,给出了当纵向对称线上移到最大值和下移到最大值时对应的列车头型的外形即三维参数化模型,可以看到优化设计变量处于不同的位置时,会对应不同的列车头型的外形。在确定各个优化设计变量的优化设计空间时,可以基于自主开发Matlab程序,通过列车头型优化设计变量的取值,修改Catia的脚本程序,实现列车头型关键控制型线的变形,进而改变列车头型的外形,确定出各个优化设计变量对应的优化设计空间。
S2、在各个所述优化设计空间内进行采样,获取多组优化设计变量组,其中,每组所述优化设计变量组中包括每个所述优化设计变量的一个采样点;
具体地,获取到各个优化设计变量的优化设计空间后,在优化设计空间内进行采样,获得多组优化设计变量组,每组优化设计变量组内包括每个优化设计变量的一个采样点。例如,若有5个优化设计变量,可以在每个优化设计变量的优化设计空间内采取一个采样点组成一个优化设计变量组,依此方法获得多组优化设计变量组;也可以分别在这5个优化设计变量的优化设计空间内进行采样,分别获得5个优化设计变量的多个采样点,再从每个优化设计变量对应的多个采样点中,随机选取每个优化变量的1个采样点组成1组优化设计变量组,再在剩余的采样点中,随机选取每个优化变量的1个采样点,组成另一组优化设计变量组,依此方法获得多组优化设计变量组。其中优化设计变量组的数量可以根据需要进行设置,本发明实施例不作具体限定。
S3、根据所述优化设计变量组,建立气动性能指标与所述优化设计变量之间的近似计算模型;
具体地,获得多组优化设计变量组后,根据该多组优化设计变量组,建立气动性能指标与优化设计变量之间的近似计算模型。其中,气动性能指标可以是气动升力、气动阻力、气动噪声等,具体可以利用网格划分和空气动力学计算的方法,结合径向基神经网络,建立气动性能指标与优化设计变量之间的近似计算模型。
S4、对所述近似计算模型进行优化设计,获得优化气动性能指标,根据所述优化气动性能指标和所述三维参数化模型,获得目标列车头型。
具体地,获得气动性能指标与优化设计变量之间的近似计算模型后,对该近似计算模型进行优化设计,获得优化气动性能指标。进一步根据该优化气动性能指标,可以获得优化气动性能指标对应的优化设计变量,再利用上述建立的列车头型的三维参数化模型,可以获得优化气动性能指标对应的目标列车头型。整个近似计算模型的优化过程,不需要进行网格划分和空气动力学计算,节约了列车头型优化设计的时间。
本发明实施例提供的列车头型优化设计方法,通过构建列车头型的三维参数化模型,提取优化设计变量和优化设计空间,进一步建立优化设计变量和气动性能指标之间的近似计算模型,对该近似计算模型进行优化,获得优化气动性能指标,进一步获得列车头型的目标列车头型,完成列车头型的优化设计。在整个列车头型的优化设计过程中,只有建立近似计算模型的过程需要少量的进行网格划分和空气动力学计算,在近似计算模型的优化过程不再需要网格划分和空气动力学计算,减少了列车头型的优化设计时间,缩短了列车头型的设计周期,提高了列车头型设计的效率。
在上述实施例的基础上,所述根据所述优化设计变量组,建立气动性能指标与所述优化设计变量之间的近似计算模型,包括:
根据所述优化设计变量组,建立所述列车的整车模型,对所述整车模型进行网格划分和空气动力学计算,获得多个所述气动性能指标;
根据所述优化设计变量组和所述气动性能指标,利用径向基神经网络建立所述气动性能指标与所述优化设计变量之间的近似计算模型。
具体地,本发明实施例中在获得多组优化设计变量组后,针对每组优化设计变量组对应的列车头型,建立出“头车+中间车+尾车”的三车编组的整车模型。对建立的整车模型进行网格划分和空气动力学计算,获得多个气动性能指标,如气动升力、气动阻力、气动噪声等。其中,每组优化设计变量组对应有不同的气动性能指标的值,图4为本发明实施例中每组优化设计变量组对应的列车头型的气动阻力示意图,如图4所示,横坐标表示优化设计变量组,纵坐标表示对应的气动阻力。如图4所示,本发明实施例中包括100组优化设计变量组,每一组优化设计变量组对应的气动阻力的值不同,相应的,每组优化设计变量组对应的气动升力、气动噪声等气动性能指标的值也不同。根据获得的各个气动性能指标以及对应的优化设计变量组,利用径向基神经网络建立出气动性能指标与优化设计变量之间的近似计算模型。
其中,所述建立气动性能指标与所述优化设计变量之间的近似计算模型,包括:每一个所述气动性能指标建立一个所述近似计算模型,或多个所述气动性能指标建立一个所述近似计算模型。
具体地,本发明实施例在建立气动性能指标与优化设计变量之间的近似计算模型时,可以一个气动性能指标建立一个对应的近似计算模型,也可以所有的气动性能指标建立一个近似计算模型。例如:假设本发明实施例中气动性能指标为气动升力和气动阻力,则可以根据获得的每组优化设计变量与气动升力之间的关系建立一个近似计算模型,根据获得的每组优化设计变量与气动阻力之间的关系建立一个近似计算模型,即建立两个近似计算模型;也可以根据获得的获得的每组优化设计变量与气动升力以及气动阻力之间的关系共同建立一个近似计算模型,即建立一个近似计算模型。
本发明实施例提供的列车头型优化设计方法,根据获取的优化设计变量组,利用网格划分和空气动力学计算,获得不同的优化设计变量组对应的气动性能指标。再根据优化设计变量组与各个气动性能指标之间的关系,利用径向基神经网络建立出气动性能指标与优化设计变量之间的近似计算模型。由于优化设计变量组的数量不多,网格划分以及空气动力学计算的工作量不太,在后续根据近似计算模型进行列车头型的优化设计时,不再需要网格划分以及空气动力学计算,减少了列车头型的优化设计时间,缩短了列车头型的设计周期,提高了列车头型设计的效率。
在上述实施例的基础上,所述在各个所述优化设计空间内进行采样,包括:利用最优拉丁超立方设计在各个所述优化设计空间内进行均匀采样。
具体地,在建立好列车头型的三维参数化模型,提取到优化设计变量,确定出各个优化设计变量的优化设计空间后,本发明实施例利用最优拉丁超立方设计在各个优化设计空间内进行均匀采样。因为构建近似计算模型的基础是样本信息即优化设计变量组,均匀分布的样本可以更好的提供优化设计空间的信息,使得所构建的近似计算模型能够捕捉列车的气动性能指标在优化设计空间内的趋势和变化。本发明实施例利用最优拉丁超立方设计在优化设计空间中进行均匀采样,得到若干组的列车头型的优化设计变量组,每组优化设计变量组均对应于一种列车头型的外形,进一步对应一组气动性能指标。
图5为本发明实施例中纵向对称线的优化设计变量的采样信息示意图,如图5所示,横坐标表示采样点的个数,纵坐标表示纵向对称线的优化设计变量的值,即dz1的值。如图5所示,本发明实施例中每一个优化设计变量对应100个采样点,相应的对应有100组优化设计变量组,从图5可以看出,本发明实施利的采样信息在优化设计空间内分布较为均匀。当然,根据需要,可以将采样点以及优化设计变量组的个数进行相应的减少,以减少后续建立近似计算模型的网格划分以及空气动力学计算的工作量,以提高列车优化设计的效率。当然,若想提高近似计算模型建立以及列车头型优化设计结果的准确性,也可相应的增加采样点以及优化设计变量组的个数,具体数量根据需要进行设置,本发明实施例不做具体限定。
本发明实施例提供的列车头型优化设计方法,利用最优拉丁超立方设计在优化设计空间中进行均匀采样,使得获得的优化设计变量组的样本信息比较均匀,进一步使得后续构建的近似计算模型能够捕捉列车的气动性能指标在优化设计空间内的趋势和变化,为近似计算模型的建立以及列车头型的优化设计提供了准确的数据基础,提高了列车优化模型设计的准确性。
在上述实施例的基础上,所述对所述近似计算模型进行优化设计,获得优化气动性能指标,包括:利用多目标遗传算法,对所述近似计算模型进行优化设计,获得所述优化气动性能指标。
具体地,本发明实施例采用多目标遗传算法,开展列车头型多目标气动优化设计,在每个优化迭代步内,利用近似计算模型获得优化气动性能指标。即采用多目标遗传算法对获得的近似计算模型进行优化设计,获得优化气动性能指标,减少计算网格划分时间和列车空气动力学计算时间,通过不断迭代快速获得头型的优化气动性能指标,以及对应的优化设计变量的Pareto最优解集,节省列车头型优化设计时间,实现高效的列车头型多目标气动优化设计。
图6为本发明实施例中优化设计过程中纵向对称线的优化设计变量的收敛示意图,如图6所示,横坐标表示迭代次数,纵坐标表示纵向对称线的优化设计变量的值,即dz1的值。图7为本发明实施例中优化设计过程中气动阻力和气动升力的收敛示意图,如图7所示,横坐标表示气动阻力,纵坐标表示气动升力的绝对值。本发明实施例的优化目标选择的是气动阻力、气动升力绝对值,均为最小化。如图6所示,本发明实施例中多目标遗传算法共进行1000步优化迭代计算,若不采用近似计算模型,则需要开展1000次列车空气动力学计算。而在本发明实施例中,只需要在建立近似计算模型时,针对100组优化设计变量组,开展100次列车空气动力学计算,因此本发明实施例可以大大可以节省列车头型设计时间,提高列车头型设计效率,缩短列车头型设计周期。由图6可以看出,通过多目标优化算法在优化设计空间中的迭代计算,列车头型优化设计变量呈现收敛的趋势,多目标遗传算法寻找到使得目标值即气动阻力、气动升力绝对值最小化的Pareto最优设计点。
在图7中左下角连接而成的曲线表示列车头型多目标气动优化设计的Pareto前沿,圆点“●”表示与初始列车头型相对应的类车头型的气动阻力和气动升力。由图7可知,经过对列车头型进行多目标气动优化设计,头车气动阻力和气动升力得到改善,优化取得较好的效果。通过与初始列车头型下的列车气动性能的对比发现,优化之后,头车气动阻力最多可降低5.19%,气动升力最多可降低21.08%。针对Pareto最优解集中的头型优化设计变量,利用列车头型的三维参数化模型,输出系列最优列车头型的外形,供决策者选择。
本发明实施例提供的列车头型优化设计方法,利用多目标遗传算法的优化设计方法,对近似计算模型进行迭代优化,获得优化气动性能指标,以及对应的优化设计变量,进一步利用列车头型的三维参数化模型,获得目标列车头型,完成列车优化设计。采用最优拉丁超立方设计、计算流体力学方法和径向基神经网络建立满足工程计算精度要求的列车气动性能指标与列车头型优化设计变量之间的近似计算模型。在每一个迭代步内,可以利用近似计算模型获得列车气动性能指标,减少了计算网格划分时间和列车空气动力学计算时间,节省列车头型优化设计时间,实现高效的列车头型多目标气动优化设计。
在上述实施例的基础上,所述方法还包括:
预留预设组所述优化设计变量组,用于验证所述近似计算模型的精度。
具体地,在根据优化设计变量组,建立近似计算模型时,预留预设组优化设计变量,进行近似计算模型的精度验证。本发明实施例中,在100组优化设计变量组中随机选取90组优化设计变量组,构建列车头型优化设计变量与列车气动性能指标之间的近似计算模型,剩余的10组优化设计变量组用于验证近似计算模型的精度。表1为近似计算模型误差分析表,即为这10组头型优化设计变量组的列车头型的气动阻力和气动升力的近似计算值与实际值之间的差异,其中实际值为利用计算流体力学方法计算得到的数值。由表1可知,列车头型的气动阻力和气动升力的近似计算值与实际值的误差均小于2%,近似计算模型具有较高精度,可以满足工程计算的要求。
表1近似计算模型误差分析
本发明实施例提供的列车头型优化设计方法,通过预留优化设计变量组,对建立的近似计算模型进行精度验证,保证了近似计算模型建立的精确性,以确保建立的近似计算模型的误差满足工程计算的精度要求,进一步确保后续根据近似计算模型进行列车头型的优化时,列车头型优化结果的准确性。
图8为本发明实施例中列车头型优化设计装置的结构示意图,如图8所示,本发明实施例提供的列车头型优化设计装置包括:三维模型建立单元81、采样单元82、近似模型建立单元83和优化设计单元84,其中:
三维模型建立单元81用于构建列车头型的三维参数化模型,根据所述三维参数化模型提取所述列车头型的多个优化设计变量,并确定各个所述优化设计变量的优化设计空间;采样单元82用于在各个所述优化设计空间内进行采样,获取多组优化设计变量组,其中,每组所述优化设计变量组中包括每个所述优化设计变量的一个采样点;近似模型建立单元83用于根据所述优化设计变量组,建立气动性能指标与所述优化设计变量之间的近似计算模型;优化设计单元84用于对所述近似计算模型进行优化设计,获得目标列车头型。
具体地,本发明实施例三维模型建立单元81利用样条曲线和样条曲面构建列车头型即列车车头的外型的三维参数化模型,具体实施过程中考虑列车头型的对称性,可以对列车头型的一半进行建模。可以基于Catia软件的二次开发,编制Catia脚本程序,利用若干样条曲线和样条曲面重构列车头型外形,构建出列车头型的三维参数化模型。构建出列车头型的三维参数化模型后,三维模型建立单元81针对列车头型关键控制型线,提取列车头型的优化设计变量,并确定各个优化设计变量的优化设计空间。其中,优化设计变量可以是列车头型的关键控制型线,如:纵向对称线、最大水平外轮廓线、车底水平轮廓线、中部辅助控制线和前端控制线,当然,也可以是列车头型的关键控制型线上的关键点如各列车头型的关键控制型线的中点。优化设计空间是指各个优化设计变量的可活动空间,如各个列车头型的关键控制型线上的关键点(如:中点)的活动空间。
获取到各个优化设计变量的优化设计空间后,采样单元82在优化设计空间内进行采样,获得多组优化设计变量组,每组优化设计变量组内包括每个优化设计变量的一个采样点。获得多组优化设计变量组后,近似模型建立单元83根据该多组优化设计变量组,建立气动性能指标与优化设计变量之间的近似计算模型。其中,气动性能指标可以是气动升力、气动阻力、气动噪声等,具体可以利用网格划分和空气动力学计算的方法,结合径向基神经网络,建立气动性能指标与优化设计变量之间的近似计算模型。优化设计单元84对该近似计算模型进行优化设计,获得优化气动性能指标。进一步根据该优化气动性能指标,可以获得优化气动性能指标对应的优化设计变量,再利用上述建立的列车头型的三维参数化模型,可以获得优化气动性能指标对应的目标列车头型。整个近似计算模型的优化过程,不需要进行网格划分和空气动力学计算,节约了列车头型优化设计的时间。
本发明实施例提供的列车头型优化设计装置,通过构建列车头型的三维参数化模型,提取优化设计变量和优化设计空间,进一步建立优化设计变量和气动性能指标之间的近似计算模型,对该近似计算模型进行优化,获得优化气动性能指标,进一步获得列车头型的目标列车头型,完成列车头型的优化设计。在整个列车头型的优化设计过程中,只有建立近似计算模型的过程需要少量的进行网格划分和空气动力学计算,在近似计算模型的优化过程不再需要网格划分和空气动力学计算,减少了列车头型的优化设计时间,缩短了列车头型的设计周期,提高了列车头型设计的效率。
在上述实施例的基础上,所述近似模型建立单元具体用于:
根据所述优化设计变量组,建立所述列车的整车模型,对所述整车模型进行网格划分和空气动力学计算,获得多个所述气动性能指标;
根据所述优化设计变量组和所述气动性能指标,利用径向基神经网络建立所述气动性能指标与所述优化设计变量之间的近似计算模型。
具体地,本发明实施例中在获得多组优化设计变量组后,近似模型建立单元针对每组优化设计变量组对应的列车头型,建立出“头车+中间车+尾车”的三车编组的整车模型。对建立的整车模型进行网格划分和空气动力学计算,获得多个气动性能指标,如气动升力、气动阻力、气动噪声等。其中,每组优化设计变量组对应有不同的气动性能指标的值,根据获得的各个气动性能指标以及对应的优化设计变量组,利用径向基神经网络建立出气动性能指标与优化设计变量之间的近似计算模型。在建立气动性能指标与优化设计变量之间的近似计算模型时,可以一个气动性能指标建立一个对应的近似计算模型,也可以所有的气动性能指标建立一个近似计算模型。
建立好近似计算模型后,再由优化设计单元利用多目标遗传算法,对近似计算模型计算迭代优化设计,获得优化气动性能指标,以及优化气动性能指标对应的优化设计变量。再利用列车头型的三维参数化模型,可以获得不同优化气动性能指标对应的列车头型的外形,即获得目标列车头型。
本发明实施例中的列车头型优化设计装置用于执行上述列车头型优化设计方法,其具体实施方式同上述实施例一致,此处不再赘述。
本发明实施例提供的列车头型优化设计装置,采用最优拉丁超立方设计、计算流体力学方法和径向基神经网络建立满足工程计算精度要求的列车气动性能指标与列车头型优化设计变量之间的近似计算模型,在每一个迭代步内,可以利用近似计算模型获得列车气动性能指标,减少计算网格划分时间和列车空气动力学计算时间,由此可以大大减少列车头型优化设计的计算时间,缩短头型优化设计周期,提高了列车头型设计的效率。
图9为发明实施例中的用于列车头型优化设计的电子设备的结构示意图,如图9所示,所述装置可以包括:处理器(processor)91、存储器(memory)92和通信总线93,其中,处理器91,存储器92通过通信总线93完成相互间的通信。处理器91可以调用存储器92中的逻辑指令,以执行如下方法:构建列车头型的三维参数化模型,根据所述三维参数化模型提取所述列车头型的多个优化设计变量,并确定各个所述优化设计变量的优化设计空间;在各个所述优化设计空间内进行采样,获取多组优化设计变量组,其中,每组所述优化设计变量组中包括每个所述优化设计变量的一个采样点;根据所述优化设计变量组,建立气动性能指标与所述优化设计变量之间的近似计算模型;对所述近似计算模型进行优化设计,获得优化气动性能指标,根据所述优化气动性能指标和所述三维参数化模型,获得目标列车头型。
此外,上述的存储器92中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:构建列车头型的三维参数化模型,根据所述三维参数化模型提取所述列车头型的多个优化设计变量,并确定各个所述优化设计变量的优化设计空间;在各个所述优化设计空间内进行采样,获取多组优化设计变量组,其中,每组所述优化设计变量组中包括每个所述优化设计变量的一个采样点;根据所述优化设计变量组,建立气动性能指标与所述优化设计变量之间的近似计算模型;对所述近似计算模型进行优化设计,获得优化气动性能指标,根据所述优化气动性能指标和所述三维参数化模型,获得目标列车头型。
以上实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种列车头型优化设计方法,其特征在于,包括:
构建列车头型的三维参数化模型,根据所述三维参数化模型提取所述列车头型的多个优化设计变量,并确定各个所述优化设计变量的优化设计空间;
在各个所述优化设计空间内进行采样,获取多组优化设计变量组,其中,每组所述优化设计变量组中包括每个所述优化设计变量的一个采样点;
根据所述优化设计变量组,建立气动性能指标与所述优化设计变量之间的近似计算模型;
对所述近似计算模型进行优化设计,获得优化气动性能指标,根据所述优化气动性能指标和所述三维参数化模型,获得目标列车头型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述优化设计变量组,建立气动性能指标与所述优化设计变量之间的近似计算模型,包括:
根据所述优化设计变量组,建立所述列车的整车模型,对所述整车模型进行网格划分和空气动力学计算,获得多个所述气动性能指标;
根据所述优化设计变量组和所述气动性能指标,利用径向基神经网络建立所述气动性能指标与所述优化设计变量之间的近似计算模型。
3.根据权利要求1或2所述的方法,其特征在于,所述建立气动性能指标与所述优化设计变量之间的近似计算模型,包括:每一个所述气动性能指标建立一个所述近似计算模型,或多个所述气动性能指标建立一个所述近似计算模型。
4.根据权利要求1所述的方法,其特征在于,所述在各个所述优化设计空间内进行采样,包括:利用最优拉丁超立方设计在各个所述优化设计空间内进行均匀采样。
5.根据权利要求1所述的方法,其特征在于,所述对所述近似计算模型进行优化设计,获得优化气动性能指标,包括:利用多目标遗传算法,对所述近似计算模型进行优化设计,获得所述优化气动性能指标。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
预留预设组所述优化设计变量组,用于验证所述近似计算模型的精度。
7.一种列车头型优化设计装置,其特征在于,包括:
三维模型建立单元,用于构建列车头型的三维参数化模型,根据所述三维参数化模型提取所述列车头型的多个优化设计变量,并确定各个所述优化设计变量的优化设计空间;
采样单元,用于在各个所述优化设计空间内进行采样,获取多组优化设计变量组,其中,每组所述优化设计变量组中包括每个所述优化设计变量的一个采样点;
近似模型建立单元,用于根据所述优化设计变量组,建立气动性能指标与所述优化设计变量之间的近似计算模型;
优化设计单元,用于对所述近似计算模型进行优化设计,获得目标列车头型。
8.根据权利要求7所述的装置,其特征在于,所述近似模型建立单元具体用于:
根据所述优化设计变量组,建立所述列车的整车模型,对所述整车模型进行网格划分和空气动力学计算,获得多个所述气动性能指标;
根据所述优化设计变量组和所述气动性能指标,利用径向基神经网络建立所述气动性能指标与所述优化设计变量之间的近似计算模型。
9.一种用于列车头型优化设计的电子设备,其特征在于,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至6任一项所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710543237.8A CN107506518A (zh) | 2017-07-05 | 2017-07-05 | 一种列车头型优化设计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710543237.8A CN107506518A (zh) | 2017-07-05 | 2017-07-05 | 一种列车头型优化设计方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107506518A true CN107506518A (zh) | 2017-12-22 |
Family
ID=60678819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710543237.8A Pending CN107506518A (zh) | 2017-07-05 | 2017-07-05 | 一种列车头型优化设计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107506518A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310279A (zh) * | 2020-01-19 | 2020-06-19 | 中车青岛四方机车车辆股份有限公司 | 一种列车气动参数确定方法及装置 |
CN113032902A (zh) * | 2021-03-18 | 2021-06-25 | 中南大学 | 一种基于机器学习优化的高速列车气动头部外形设计方法 |
CN113239571A (zh) * | 2021-06-02 | 2021-08-10 | 中车青岛四方机车车辆股份有限公司 | 一种人体动力学系统的建模方法、装置及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020368A (zh) * | 2012-12-20 | 2013-04-03 | 唐山轨道客车有限责任公司 | 列车头优化设计方法 |
CN104765916A (zh) * | 2015-03-31 | 2015-07-08 | 西南交通大学 | 一种高速列车动力学性能参数优化方法 |
CN104915490A (zh) * | 2015-06-02 | 2015-09-16 | 南车青岛四方机车车辆股份有限公司 | 动车组头型气动反设计方法及装置 |
-
2017
- 2017-07-05 CN CN201710543237.8A patent/CN107506518A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020368A (zh) * | 2012-12-20 | 2013-04-03 | 唐山轨道客车有限责任公司 | 列车头优化设计方法 |
CN104765916A (zh) * | 2015-03-31 | 2015-07-08 | 西南交通大学 | 一种高速列车动力学性能参数优化方法 |
CN104915490A (zh) * | 2015-06-02 | 2015-09-16 | 南车青岛四方机车车辆股份有限公司 | 动车组头型气动反设计方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310279A (zh) * | 2020-01-19 | 2020-06-19 | 中车青岛四方机车车辆股份有限公司 | 一种列车气动参数确定方法及装置 |
CN113032902A (zh) * | 2021-03-18 | 2021-06-25 | 中南大学 | 一种基于机器学习优化的高速列车气动头部外形设计方法 |
CN113239571A (zh) * | 2021-06-02 | 2021-08-10 | 中车青岛四方机车车辆股份有限公司 | 一种人体动力学系统的建模方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107506518A (zh) | 一种列车头型优化设计方法及装置 | |
CN104134097B (zh) | 一种基于gann-bim模型的严寒地区办公建筑形态节能设计方法 | |
CN107423518B (zh) | 利用Civil3D与Revit结合的综合管廊全线BIM协同设计方法 | |
CN106055791B (zh) | 基于预估校正算法的飞行器全局气动优化方法 | |
CN112257341A (zh) | 一种基于异源数据差补融合的定制产品性能预测方法 | |
CN103426027B (zh) | 一种基于遗传神经网络模型的正常蓄水位智能优选方法 | |
CN101630380A (zh) | 基于多种群进化机制的作业车间调度方法 | |
CN103488847B (zh) | 一种基于神经网络集成的气动外形优化方法 | |
CN104573282A (zh) | 一种垂直轴风力机翼型的气动优化设计方法 | |
CN103020368A (zh) | 列车头优化设计方法 | |
CN104504442A (zh) | 神经网络优化方法 | |
CN112947300A (zh) | 一种加工质量虚拟量测方法、系统、介质及设备 | |
CN107529643A (zh) | 一种兼顾水力、强度性能的混流式转轮多工况优化方法 | |
CN107273569B (zh) | 基于网格变形技术的气动外形减阻优化方法 | |
CN107939372B (zh) | 针对小断块油藏的最优井位部署方法和装置 | |
CN111898212A (zh) | 基于BezierGAN和贝叶斯优化的叶轮机械型线设计优化方法 | |
CN102184328A (zh) | 一种土地利用演化ca模型转换规则优化方法 | |
CN105117461A (zh) | 一种基于改进的遗传算法的查询优化方法 | |
WO2024113835A1 (zh) | 一种风扇模型的生成方法和装置 | |
CN114676522B (zh) | 融合gan和迁移学习的气动形状优化设计方法及系统及设备 | |
CN103885867B (zh) | 一种模拟电路性能的在线评价方法 | |
CN110196987A (zh) | 基于代理模型的风道结构尺寸优化方法 | |
CN109408861A (zh) | 一种管道泵进口弯管多目标智能优化方法 | |
CN113496272A (zh) | 一种基于异构平台的卷积神经网络运算方法 | |
CN117556532A (zh) | 一种新型涡轮盘预旋系统多元件匹配的优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171222 |