CN111597631A - 基于自适应代理模型的汽车风阻系数优化方法 - Google Patents

基于自适应代理模型的汽车风阻系数优化方法 Download PDF

Info

Publication number
CN111597631A
CN111597631A CN202010377167.5A CN202010377167A CN111597631A CN 111597631 A CN111597631 A CN 111597631A CN 202010377167 A CN202010377167 A CN 202010377167A CN 111597631 A CN111597631 A CN 111597631A
Authority
CN
China
Prior art keywords
wind resistance
resistance coefficient
model
optimization
sample point
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.)
Granted
Application number
CN202010377167.5A
Other languages
English (en)
Other versions
CN111597631B (zh
Inventor
吴琳琳
付宇
卜晓兵
李向荣
马小乐
兰吉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Automotive Technology and Research Center Co Ltd
CATARC Automotive Test Center Tianjin Co Ltd
Original Assignee
China Automotive Technology and Research Center Co Ltd
CATARC Automotive Test Center Tianjin Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Automotive Technology and Research Center Co Ltd, CATARC Automotive Test Center Tianjin Co Ltd filed Critical China Automotive Technology and Research Center Co Ltd
Priority to CN202010377167.5A priority Critical patent/CN111597631B/zh
Publication of CN111597631A publication Critical patent/CN111597631A/zh
Application granted granted Critical
Publication of CN111597631B publication Critical patent/CN111597631B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于自适应代理模型的汽车风阻系数优化方法，包括以下步骤：对汽车初始模型进行CFD仿真计算；选取设计变量并确定其变化范围；构建参数化模型；选取样本点并计算其对应的风阻系数计算值，存入样本点数据库中；判断是否需要筛选设计变量；构建代理模型；优化代理模型获得优化解和优化值；计算优化解对应的风阻系数计算值；计算优化解与样本点之间的距离及他们对应的风阻系数计算值间差值的绝对值，获取增加点；计算最小风阻系数计算值与对应优化值间的误差，直至满足精度要求。本发明有益效果：在保证精度的前提下，减少复杂的真实仿真模型的调用次数，提高汽车风阻系数优化效率，节约时间成本，缩短研发周期。

Description

基于自适应代理模型的汽车风阻系数优化方法
技术领域
本发明属于汽车空气动力学技术领域，尤其是涉及一种基于自适应代理模型的汽车风阻系数优化方法。
背景技术
随着燃油车燃料消耗评价指标和新能源车续航里程要求的不断提升，打造一款低风阻车型已成为各主机厂迫切需求。主要依赖于风洞试验的传统降低汽车风阻系数的方法，试验资源紧张、研发成本高，无法满足现代汽车开发效率的要求。通过CFD仿真技术降低风阻系数，可有效缩短研发周期、降低研发成本，已成为汽车开发设计过程中不可或缺的重要手段。
汽车风阻系数优化过程中涉及的设计变量众多，设计变量间的耦合对风阻系数的影响并不是单个设计变量影响的简单叠加。传统的CFD仿真方法对设计者的工程经验具有很强的依赖性，通过试错的方式选出的优化方案虽然能够起到一定的效果，但是往往难以直接找到最优解，优化效率较低。正是基于这样的原因，代理模型和优化算法因其对规律的拟合能力和对最优结果的计算能力，被越来越多地应用于汽车风阻系数优化中。依据构建策略的不同，代理模型可分为静态代理模型和自适应代理模型。静态代理模型一次性获取所有样本点来构建代理模型，此后代理模型不再更新，为保证其精度往往选取较多的样本点，优化效率不高。自适应代理模型则先获取少量样本点建立初始代理模型，随后依据优化结果和加点准则增加样本点，更新代理模型，相同精度条件下，选取的样本点数量较少，优化效率较高。由于汽车流场结构复杂，呈现出高度的非线性，因此，给研究汽车风阻系数优化的问题带来很大困难，优化效率低、操作复杂，且耗时长。
发明内容
有鉴于此，本发明旨在提出一种基于自适应代理模型的汽车风阻系数优化方法，以解决上述问题的不足之处。
为达到上述目的，本发明的技术方案是这样实现的：
基于自适应代理模型的汽车风阻系数优化方法，包括以下步骤：
A.对汽车初始模型进行CFD仿真计算，获得初始模型风阻系数计算值；
B.选取设计变量并确定设计变量的变化范围；
C.基于初始模型构建参数化模型；
D.选取样本点，并存入样本点数据库中；
E.基于参数化模型计算样本点对应的风阻系数计算值，并存入样本点数据库中；
F.判断是否需要对设计变量进行筛选，如果需要，则依据样本点及对应的风阻系数计算值进行灵敏度分析，筛选出对风阻系数影响程度超过一定阈值的设计变量，重新选取样本点并计算样本点对应的风阻系数值，更新样本点数据库；
G.基于样本点数据库构建代理模型；
H.利用优化算法对代理模型进行优化获得优化解和优化值；
I.基于参数化模型计算优化解对应的风阻系数计算值；
J.计算优化解与样本点之间的距离，选择最小距离最大的优化解及对应的风阻系数计算值作为增加点一，将增加点一加入样本点数据库；
K.计算剩余优化解对应的风阻系数计算值与样本点对应的风阻系数计算值间差值的绝对值，选择最小绝对值最大的优化解及对应的风阻系数计算值作为增加点二，将增加点二加入样本点数据库；
L.计算最小风阻系数计算值与对应优化值间的误差，若误差满足预先设定的精度要求，则基于参数化模型输出对应的网格模型及风阻系数计算值，汽车风阻系数优化结束；若误差不满足预先设定的精度要求，则基于加点后的样本点数据库重新构建代理模型，重复步骤G至步骤L，直至最小风阻系数计算值与对应优化值间的误差满足预先设定的精度要求。
进一步的，所述步骤B的具体过程如下：根据步骤A中得到的初始模型CFD仿真计算结果，分析车身表面压力分布、周围流场速度矢量分布及湍流动能分布，选取设计变量并跟据设计要求确定设计变量的变化范围。
进一步的，所述步骤C中的具体过程如下：将初始模型导入网格变形软件中，在设计变量对应的区域创建控制体，将设计变量与控制点关联，通过改变设计变量的值移动控制点实现网格变形，得到网格参数化模型。
进一步的，所述步骤D中依据设计变量的数量N0确定样本点的数量A0，设置设计变量的变化范围及样本点的数量，通过拉丁超立方法选取样本点，将样本点数据存入样本点数据库中，其中，样本点的数量A0与设计变量的数量N0关系如下，
A0＝5*N0。
进一步的，所述步骤E中基于参数化模型获得样本点对应的网格模型，将网格模型进行CFD仿真计算，得到样本点对应的风阻系数计算值，将样本点对应的风阻系数计算值存入样本点数据库中。
进一步的，所述步骤G中依据样本点数据库中的样本点及对应的风阻系数计算值，分别构建MLS模型、RBF模型和HK模型。
进一步的，所述步骤H中分别采用ARSM算法、MFD算法和GA算法依次对步骤G中的3个代理模型进行优化分析，得到9个包含优化解和优化值的优化方案，去除重复的优化方案。
进一步的，所述步骤I中基于参数化模型获得优化解对应的网格模型，利用CFD仿真软件计算优化解对应的风阻系数计算值。
进一步的，所述步骤J中若有多个优化解与样本点之间的最小距离同为最大，则选择对应的风阻系数计算值与样本点对应的风阻系数计算值间差值的最小绝对值大的作为增加点一。
进一步的，所述步骤K中若有多个优化解对应的风阻系数计算值与样本点对应的风阻系数计算值间差值的最小绝对值同为最大，则选择对应的优化解与样本点之间的最小距离大的作为增加点二。
相对于现有技术，本发明所述的基于自适应代理模型的汽车风阻系数优化方法具有以下优势：
本发明所述的基于自适应代理模型的汽车风阻系数优化方法在保证精度的前提下，减少复杂的真实仿真模型的调用次数，提高汽车风阻系数优化效率，节约时间成本，缩短研发周期。对设计者的工程经验要求较低，在一定程度上节约人力资源成本，降低研发费用。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述的基于自适应代理模型的汽车风阻系数优化方法流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
如图1所示，基于自适应代理模型的汽车风阻系数优化方法，包括以下步骤：
A.对汽车初始模型进行CFD仿真计算，获得初始模型风阻系数计算值；
B.选取设计变量并确定设计变量的变化范围；
C.基于初始模型构建参数化模型；
D.选取样本点，并存入样本点数据库中；
E.基于参数化模型计算样本点对应的风阻系数计算值，并存入样本点数据库中；
F.判断是否需要对设计变量进行筛选，如果需要，则依据样本点及对应的风阻系数计算值进行灵敏度分析，筛选出对风阻系数影响程度超过一定阈值的设计变量，重新选取样本点并计算样本点对应的风阻系数值，更新样本点数据库；这里灵敏度分析可在优化软件HyperStudy中完成，输入样本点数据以及每个样本点对应的风阻系数值，即可计算出样本点中包含的各个设计变量对风阻系数的影响，并以数值形式呈现，数值的绝对值越大对风阻系数的影响越大；
G.基于样本点数据库构建代理模型；
H.利用优化算法对代理模型进行优化获得优化解和优化值，这里优化解是优化后得到的一组设计变量值，优化值是这组设计变量值对应的风阻系数预测值；
I.基于参数化模型计算优化解对应的风阻系数计算值；
J.计算优化解与样本点之间的距离，选择最小距离最大的优化解及对应的风阻系数计算值作为增加点一，将增加点一加入样本点数据库，由于每个代理模型和优化算法的组合都会产生一个优化解，因此有多个优化解，样本点也有多个，计算每个优化解与每个样本点之间的距离，就会得到多个最小距离，选取这些最小距离中最大的；
K.计算剩余优化解对应的风阻系数计算值与样本点对应的风阻系数计算值间差值的绝对值，选择最小绝对值最大的优化解及对应的风阻系数计算值作为增加点二，将增加点二加入样本点数据库，这里每个优化解和样本点都有对应的风阻系数计算值，计算每个优化解对应的风阻系数计算值与每个样本点风阻系数值差值的绝对值，就会得到多个最小绝对值，选取这些最小绝对值中最大的；
L.计算最小风阻系数计算值与对应优化值间的误差，若误差满足预先设定的精度要求，则基于参数化模型输出对应的网格模型及风阻系数计算值，汽车风阻系数优化结束；若误差不满足预先设定的精度要求，则基于加点后的样本点数据库重新构建代理模型，重复步骤G至步骤L，直至最小风阻系数计算值与对应优化值间的误差满足预先设定的精度要求，本实施例中预先设定的精度要求为小于1％。
所述步骤A中，以SUV车型简化模型为例，将SUV车型简化模型的初始网格模型导入CFD仿真计算软件OpenFOAM中，进行边界条件设置并完成CFD仿真计算，得到初始模型风阻系数计算值。
所述步骤B的具体过程如下：根据步骤A中得到的初始模型CFD仿真计算结果，分析车身表面压力分布、周围流场速度矢量分布及湍流动能分布，选取设计变量并跟据设计要求确定设计变量的变化范围。
所述步骤C中的具体过程如下：将初始模型导入网格变形软件blender中，在设计变量对应的区域创建控制体，将设计变量与控制点关联，通过改变设计变量的值移动控制点实现网格变形，得到网格参数化模型。
所述步骤D中依据设计变量的数量N0确定样本点的数量A0，在HyperStudy软件的DOE模块中设置设计变量的变化范围及样本点的数量，通过拉丁超立方法选取样本点，将样本点数据存入样本点数据库中，其中，样本点的数量A0与设计变量的数量N0关系为：A0＝5*N0。
所述步骤E中依据样本点数据在blender软件中改变设计变量的值，输出样本点对应的网格模型，将网格模型导入OpenFOAM中进行CFD仿真计算，得到样本点对应的风阻系数计算值，将样本点对应的风阻系数计算值存入样本点数据库中。
所述步骤G中依据样本点数据库中的样本点及对应的风阻系数计算值，分别构建3个代理模型，代理模型分别为MLS模型、RBF模型和HK模型。
所述步骤H中分别采用ARSM算法、MFD算法和GA算法依次对步骤G中的3个代理模型进行优化分析，优化目标为风阻系数值最小，得到9个包含优化解和优化值的优化方案，去除重复的优化方案，这里通过构建代理模型近似表征设计变量与风阻系数之间的关系，对代理模型进行优化的目的是求出风阻系数的最小值，所以以风阻系数最小为优化目标。
所述步骤I中依据优化解数据在blender软件中改变设计变量的值，输出优化解对应的网格模型，将网格模型导入OpenFOAM中进行CFD仿真计算，得到优化解对应的风阻系数计算值。
所述步骤J中若有多个优化解与样本点之间的最小距离同为最大，则选择对应的风阻系数计算值与样本点对应的风阻系数计算值间差值的最小绝对值大的作为增加点一。
所述步骤K中若有多个优化解对应的风阻系数计算值与样本点对应的风阻系数计算值间差值的最小绝对值同为最大，则选择对应的优化解与样本点之间的最小距离大的作为增加点二。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.基于自适应代理模型的汽车风阻系数优化方法，其特征在于，包括以下步骤：
A.对汽车初始模型进行CFD仿真计算，获得初始模型风阻系数计算值；
B.选取设计变量并确定设计变量的变化范围；
C.基于初始模型构建参数化模型；
D.选取样本点，并存入样本点数据库中；
E.基于参数化模型计算样本点对应的风阻系数计算值，并存入样本点数据库中；
F.判断是否需要对设计变量进行筛选，如果需要，则依据样本点及对应的风阻系数计算值进行灵敏度分析，筛选出对风阻系数影响程度超过一定阈值的设计变量，重新选取样本点并计算样本点对应的风阻系数值，更新样本点数据库；
G.基于样本点数据库构建代理模型；
H.利用优化算法对代理模型进行优化获得优化解和优化值；
I.基于参数化模型计算优化解对应的风阻系数计算值；
J.计算优化解与样本点之间的距离，选择最小距离最大的优化解及对应的风阻系数计算值作为增加点一，将增加点一加入样本点数据库；
K.计算剩余优化解对应的风阻系数计算值与样本点对应的风阻系数计算值间差值的绝对值，选择最小绝对值最大的优化解及对应的风阻系数计算值作为增加点二，将增加点二加入样本点数据库；
L.计算最小风阻系数计算值与对应优化值间的误差，若误差满足预先设定的精度要求，则基于参数化模型输出对应的网格模型及风阻系数计算值，汽车风阻系数优化结束；若误差不满足预先设定的精度要求，则基于加点后的样本点数据库重新构建代理模型，重复步骤G至步骤L，直至最小风阻系数计算值与对应优化值间的误差满足预先设定的精度要求。
2.根据权利要求1所述的基于自适应代理模型的汽车风阻系数优化方法，其特征在于，所述步骤B的具体过程如下：根据步骤A中得到的初始模型CFD仿真计算结果，分析车身表面压力分布、周围流场速度矢量分布及湍流动能分布，选取设计变量并跟据设计要求确定设计变量的变化范围。
3.根据权利要求1所述的基于自适应代理模型的汽车风阻系数优化方法，其特征在于，所述步骤C中的具体过程如下：将初始模型导入网格变形软件中，在设计变量对应的区域创建控制体，将设计变量与控制点关联，通过改变设计变量的值移动控制点实现网格变形，得到网格参数化模型。
4.根据权利要求1所述的基于自适应代理模型的汽车风阻系数优化方法，其特征在于：所述步骤D中依据设计变量的数量N0确定样本点的数量A0，设置设计变量的变化范围及样本点的数量，通过拉丁超立方法选取样本点，将样本点数据存入样本点数据库中，其中，样本点的数量A0与设计变量的数量N0关系如下，
A0＝5*N0。
5.根据权利要求1所述的基于自适应代理模型的汽车风阻系数优化方法，其特征在于：所述步骤E中基于参数化模型获得样本点对应的网格模型，将网格模型进行CFD仿真计算，得到样本点对应的风阻系数计算值，将样本点对应的风阻系数计算值存入样本点数据库中。
6.根据权利要求1所述的基于自适应代理模型的汽车风阻系数优化方法，其特征在于：所述步骤G中依据样本点数据库中的样本点及对应的风阻系数计算值，分别构建MLS模型、RBF模型和HK模型。
7.根据权利要求6所述的基于自适应代理模型的汽车风阻系数优化方法，其特征在于：所述步骤H中分别采用ARSM算法、MFD算法和GA算法依次对步骤G中的3个代理模型进行优化分析，得到9个包含优化解和优化值的优化方案，去除重复的优化方案。
8.根据权利要求1所述的基于自适应代理模型的汽车风阻系数优化方法，其特征在于：所述步骤J中若有多个优化解与样本点之间的最小距离同为最大，则选择对应的风阻系数计算值与样本点对应的风阻系数计算值间差值的最小绝对值大的作为增加点一。
9.根据权利要求1所述的基于自适应代理模型的汽车风阻系数优化方法，其特征在于：所述步骤K中若有多个优化解对应的风阻系数计算值与样本点对应的风阻系数计算值间差值的最小绝对值同为最大，则选择对应的优化解与样本点之间的最小距离大的作为增加点二。
CN202010377167.5A 2020-05-07 2020-05-07 基于自适应代理模型的汽车风阻系数优化方法 Active CN111597631B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010377167.5A CN111597631B (zh) 2020-05-07 2020-05-07 基于自适应代理模型的汽车风阻系数优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010377167.5A CN111597631B (zh) 2020-05-07 2020-05-07 基于自适应代理模型的汽车风阻系数优化方法

Publications (2)

Publication Number Publication Date
CN111597631A true CN111597631A (zh) 2020-08-28
CN111597631B CN111597631B (zh) 2022-05-13

Family

ID=72182523

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010377167.5A Active CN111597631B (zh) 2020-05-07 2020-05-07 基于自适应代理模型的汽车风阻系数优化方法

Country Status (1)

Country Link
CN (1) CN111597631B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112214937A (zh) * 2020-09-09 2021-01-12 黄冈格罗夫氢能汽车有限公司 一种氢能汽车冷却管路的优化设计方法及系统
CN114912195A (zh) * 2022-05-11 2022-08-16 吉林大学 一种商用车空气动力学序列优化方法
CN115238613A (zh) * 2022-09-19 2022-10-25 齐鲁工业大学 一种风机叶片形状优化方法、系统、存储介质及设备
CN115310337A (zh) * 2022-10-12 2022-11-08 中汽研（天津）汽车工程研究院有限公司 基于人工智能的车辆动力学性能预测方法
CN116227042A (zh) * 2023-05-08 2023-06-06 中汽研（天津）汽车工程研究院有限公司 车辆风阻系数确定方法、设备和存储介质
WO2023155414A1 (zh) * 2022-02-17 2023-08-24 中汽研（天津）汽车工程研究院有限公司 一种汽车空气动力学性能智能预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682173A (zh) * 2012-05-13 2012-09-19 北京理工大学 基于自适应径向基函数代理模型的飞行器优化设计方法
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
CN105243243A (zh) * 2015-11-16 2016-01-13 武汉理工大学 基于自由变形技术的车身气动造型优化方法
CN107273569A (zh) * 2017-05-09 2017-10-20 武汉理工大学 基于网格变形技术的气动外形减阻优化方法
CN109697309A (zh) * 2018-12-05 2019-04-30 西北机电工程研究所 一种弹丸高速冲击挤进阻力快速获取方法
US20190179738A1 (en) * 2017-12-07 2019-06-13 The Johns Hopkins University Determining Performance of Autonomy Decision-Making Engines
CN110889203A (zh) * 2019-11-06 2020-03-17 长沙理工大学 一种基于自适应代理模型的汽车乘员约束系统优化设计方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682173A (zh) * 2012-05-13 2012-09-19 北京理工大学 基于自适应径向基函数代理模型的飞行器优化设计方法
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
CN105243243A (zh) * 2015-11-16 2016-01-13 武汉理工大学 基于自由变形技术的车身气动造型优化方法
CN107273569A (zh) * 2017-05-09 2017-10-20 武汉理工大学 基于网格变形技术的气动外形减阻优化方法
US20190179738A1 (en) * 2017-12-07 2019-06-13 The Johns Hopkins University Determining Performance of Autonomy Decision-Making Engines
CN109697309A (zh) * 2018-12-05 2019-04-30 西北机电工程研究所 一种弹丸高速冲击挤进阻力快速获取方法
CN110889203A (zh) * 2019-11-06 2020-03-17 长沙理工大学 一种基于自适应代理模型的汽车乘员约束系统优化设计方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LIN-LIN WU ET AL.: ""Aerodynamics Design for Automotive Shape based on Approximate Optimization Algorithm"", 《DESTECH TRANSACTIONS ON ENVIRONMENT ENERGY AND EARTH SCIENCE》 *
夏露等: ""基于自适应代理模型的气动优化方法"", 《空气动力学学报》 *
张辉香等: ""面向汽车外形空气动力学优化的代理模型方法"", 《计算机辅助工程》 *
陈美玉: ""基于保征变形技术的房车外形优化方法"", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112214937A (zh) * 2020-09-09 2021-01-12 黄冈格罗夫氢能汽车有限公司 一种氢能汽车冷却管路的优化设计方法及系统
WO2023155414A1 (zh) * 2022-02-17 2023-08-24 中汽研（天津）汽车工程研究院有限公司 一种汽车空气动力学性能智能预测方法
CN114912195A (zh) * 2022-05-11 2022-08-16 吉林大学 一种商用车空气动力学序列优化方法
CN115238613A (zh) * 2022-09-19 2022-10-25 齐鲁工业大学 一种风机叶片形状优化方法、系统、存储介质及设备
CN115310337A (zh) * 2022-10-12 2022-11-08 中汽研（天津）汽车工程研究院有限公司 基于人工智能的车辆动力学性能预测方法
CN116227042A (zh) * 2023-05-08 2023-06-06 中汽研（天津）汽车工程研究院有限公司 车辆风阻系数确定方法、设备和存储介质
CN116227042B (zh) * 2023-05-08 2023-07-07 中汽研（天津）汽车工程研究院有限公司 车辆风阻系数确定方法、设备和存储介质

Also Published As

Publication number Publication date
CN111597631B (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN111597631B (zh) 基于自适应代理模型的汽车风阻系数优化方法
US7756688B2 (en) Design optimization system and method
CN112088383A (zh) 神经网络构筑装置、信息处理装置、神经网络构筑方法及程序
CN109711061A (zh) 基于整车怠速振动性能的动力总成悬置稳健性优化方法
CN109977460B (zh) 一种基于车身断面参数化的多目标优化设计方法
CN113609596B (zh) 一种基于神经网络的飞行器气动特性预测方法
CN108520119A (zh) 汽车副车架安装点强度的分析方法
CN110852000B (zh) 一种车身结构优化方法
CN116090111B (zh) 一种基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法
CN112597610B (zh) 机械臂结构轻量化设计的优化方法、装置及设备
CN109344969B (zh) 神经网络系统及其训练方法以及计算机可读介质
CN104750948A (zh) 一种处理飞行器设计中多极值多约束问题的优化方法
CN115688276A (zh) 一种基于离散伴随方法的飞行器外形自动化优化方法、系统、设备、介质
CN111783335B (zh) 一种基于迁移学习的少样本结构频响动力学模型修正方法
CN116628854A (zh) 一种翼型气动特性预测方法、系统、电子设备及存储介质
Lee et al. An approximate optimization strategy using refined hybrid metamodel
CN103034754B (zh) 车身轻量化设计的解耦模式的数据处理分组建模方法
Sichevska et al. Information Technology of Forming the Quality of Art and Technical Design of Books.
CN115547431A (zh) 一种基于机器学习与渐进损伤的短切纤维复合材料疲劳性能预测方法
CN111783236B (zh) 基于自适应模型和子集模拟的涡轮机匣灵敏度分析方法
Song et al. Multi-objective decision making of a simplified car body shape towards optimum aerodynamic performance
CN107357996B (zh) 一种基于超体积迭代策略的代理模型试验设计方法
CN107180141B (zh) 基于径向基代理模型的齿轮减速器箱体可靠性优化方法
CN116842663B (zh) 一种基于机器学习的汽车板簧非线性时变应力值测量方法
CN117709488B (zh) 基于RUN-XGBoost的大坝渗流预测方法

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
GR01 Patent grant
GR01 Patent grant