CN112784361B - 一种基于代理模型的汽车发动机舱散热系统结构优化方法 - Google Patents

一种基于代理模型的汽车发动机舱散热系统结构优化方法 Download PDF

Info

Publication number
CN112784361B
CN112784361B CN202110096207.3A CN202110096207A CN112784361B CN 112784361 B CN112784361 B CN 112784361B CN 202110096207 A CN202110096207 A CN 202110096207A CN 112784361 B CN112784361 B CN 112784361B
Authority
CN
China
Prior art keywords
model
engine compartment
initial sample
heat dissipation
target quantity
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.)
Active
Application number
CN202110096207.3A
Other languages
English (en)
Other versions
CN112784361A (zh
Inventor
刘传波
付志浩
王正炬
范超杰
陈傲杰
朱彦昭
李菲
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202110096207.3A priority Critical patent/CN112784361B/zh
Publication of CN112784361A publication Critical patent/CN112784361A/zh
Application granted granted Critical
Publication of CN112784361B publication Critical patent/CN112784361B/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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

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)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本发明公开了一种基于代理模型的汽车发动机舱散热系统结构优化方法，包括以下步骤：定义发动机舱内部件位置的调整量为设计变量参数，发动机舱的散热效果为设计目标量参数；进行整车热平衡试验并依据实验结果构建整车三维模型；根据原始车型发动机舱内部零件的安装位置和调整余量确定设计变量参数的预设区间，在预设区间内随机生成多个初始样本点；通过仿真试验获取每个初始样本点以及其对应的设计目标量参数的响应值，将二者作为初始样本点组；随机抽取初始样本点组中的部分样本点作为训练集建立代理模型，剩余的样本点作为测试集；采用全局寻优算法对代理模型全局寻优，确定最优设计变量参数。本方法提升了发动机舱散热系统的设计效率。

Description

一种基于代理模型的汽车发动机舱散热系统结构优化方法
技术领域
本发明涉及汽车发动机舱散热系统技术领域，具体为一种基于代理模型的汽车发动机舱散热系统结构优化方法。
背景技术
汽车发动机舱内部紧密布置冷凝器、散热器、发动机等多种零部件，各零部件在发动机舱内部热环境中的流动与传热过程互相影响。近年来，汽车综合性能的提升需求使其内部电子设备数目大幅度递增，进而造成原本空间布局相对狭小的发动机舱热环境变得异常恶劣，过热的发动机舱会影响其内部零部件的工作状态和使用寿命，甚至影响到整车油耗的变化，因此发动机舱冷却系统的设计就显得尤为重要。
以往发动机舱冷却系统中对于相关零部件的结构选型和安装布置都是基于经验设计，均是在车身外形和发动机舱内部布局确定后进行风洞试验验证，无法准确获取发动机舱内外流场的分布规律，因此无法针对特定车型进行修改，从而导致整车散热能力不足。
发明内容
本发明的目的在于提供一种基于代理模型的汽车发动机舱散热系统结构优化方法，以解决在散热系统设计过程中工作量大、效率低的问题。
为解决上述技术问题，本发明提供了一种技术方案：包括以下步骤：
S1、确定设计变量参数和设计目标量参数；设计变量参数为发动机舱内部件位置的调整量，作为输入量参数；设计目标量参数为发动机舱的散热效果，作为设计目标量参数；
S2、进行整车热平衡试验，获取其对应的设计目标量参数的数值；
S3、构建整车三维模型，对该三维模型进行仿真，将仿真所得的设计目标量参数与整车热平衡试验所得的设计目标量参数对比，若仿真结果不符合整车热平衡试验结果，则重新构建整车三维模型；
S4、根据原始车型发动机舱内各冷却部件的初始安装位置以及可调整距离进行几何测量，并基于各冷却部件之间保持间隙余量防止接触共振的原则，确定设计变量参数的预设区间，并在预设区间内随机生成多个初始样本点；
S5、对汽车发动机舱散热系统结构进行仿真试验，计算每个初始样本点对应的设计目标量参数的响应值，并将每个初始样本点以及对应的设计目标量参数的响应值作为初始样本点组；
S6、随机抽取初始样本点组中的部分样本点作为训练集建立代理模型，将剩余的样本点作为测试集进行精度验证；
S7、采取全局寻优算法对建立的代理模型全局寻优，确定最优设计变量参数。
按上述方案，所述设计变量参数具体包括冷却风扇后移距离、冷凝器前移距离、风扇轴向伸入距离、风扇与风扇罩径向间隙和风扇旋转中心偏移距离。
按上述方案，所述设计目标量参数包括散热器组入口空气质量流率与冷却风扇有效功率；其中散热器组包括散热器和冷凝器。
按上述方案，S4中所述生成多个初始样本点的方法为最优拉丁超立方试验方法，对所述的设计变量参数抽样得到N个水平，随机均匀的生成N组样本点。
按上述方案，S5中仿真过程具体为：在CFD软件中输入不同初始样本点对应生成的三维模型进行仿真模拟，计算得到不同初始样本点下对应的各个设计目标量参数的响应值。
按上述方案，S6中随机抽样，具体为以3:1的比例将N组初始样本点分为训练集和测试集。
按上述方案，S6中所述代理模型为支持向量回归机模型，其具体构建步骤如下：
步骤1，数据归一化：将初始样本点经过归一化算法处理后限制在一个固定区间内，选取目标区间为[-1,1]；
步骤2，核函数选取：选取高斯径向基核函数为该代理模型的核函数，将初始样本点映射到高维空间进行处理；
步骤3，代理模型参数的确定：通过采用网格搜索及交叉验证的方法确定代理模型高斯径向基核函数的最优核函数参数及惩罚因子；
步骤4，代理模型精度验证：将测试集代入到代理模型中，随后将得到的预测结果与仿真模拟得到的设计目标量参数的响应值比较，判断其均方误差RMSE；若代理模型精度满足要求，将此代理模型作为最终预测模型，若代理模型精度不满足要求，则增加初始样本点数量，重复步骤1到步骤4。
按上述方案，所述全局寻优算法具体为多目标寻优方案，该多目标寻优方案具体为基于权重的传统优化模型方案，将多目标寻优方案转化为单目标寻优方案，采用主观权重与客观权重相耦合计算综合权重的方法，具体步骤为：
主观权重采用层次分析法来确定，根据设计目标量参数的重要性将散热器进风量、风扇有效功率、冷凝器进风量分别设置为第一、第二、第三重要指标，随后得到判断矩阵A，并得到判断矩阵A特征值向量，进而经过标准化处理得到主观权重W1；
客观权重采用熵值法来确定，根据设计目标量参数的信息熵和效应值量化设计目标量参数的改变对系统的影响程度，从而确定指标权重，分别计算得出各设计目标量参数的信息熵为e；引入目标效应dj，基于目标效应得到散热器进风量、冷凝器进风量以及风扇有效功率的客观权重W2；
综合权重由主观权重与客观权重以比例系数线性加权组成，得到散热器进风量、冷凝器进风量以及风扇有效功率的综合权重W，随后对各分目标函数分别进行统一量纲处理并加权组合得到综合模型。
按上述方案，所述粒子群算法的具体寻优流程为：
初始化粒子群中的粒子速度及位置；
将粒子速度与位置代入适应度函数中，得出具体适应度函数数值；
更新粒子速度与位置和适应度函数极值数值大小；
判断是否满足终止条件，若满足终止条件则终止循环，若不满足则继续循环重复以上操作。
本发明的有益效果是：解决了在散热系统设计过程中工作量大、效率低的问题，有效改善了汽车发动机舱的散热性能。
附图说明
图1为本发明实施例的技术流程图；
图2为本发明实施例中发动机舱内整体布局图；
图3、图4、图5为本发明实施例中风扇安装位置参数示意图；
图6为本发明实施例SVMR-PSO求解流程图；
图7为本发明实施例优化后发动机舱温度场分布图。
图中：1-发动机组件，2-冷却风扇，3-散热器，4-冷凝器，5-进气格栅，6-中冷器，7-风扇罩。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例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公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
参见图1，一种基于代理模型的汽车发动机舱散热系统结构优化方法，包括以下步骤：
S1、确定设计变量参数和设计目标量参数；设计变量参数为发动机舱内部件位置的调整量，作为输入量参数；设计目标量参数为发动机舱的散热效果，作为设计目标量参数；
S2、进行整车热平衡试验，获取其对应的设计目标量参数的数值；
S3、构建整车三维模型，对该三维模型进行仿真，将仿真所得的设计目标量参数与整车热平衡试验所得的设计目标量参数对比，若仿真结果不符合整车热平衡试验结果，则重新构建整车三维模型；
S4、根据原始车型发动机舱内各冷却部件的初始安装位置以及可调整距离进行几何测量，并基于各冷却部件之间保持间隙余量防止接触共振的原则，确定设计变量参数的预设区间，并在预设区间内随机生成多个初始样本点；
S5、对汽车发动机舱散热系统结构进行仿真试验，计算每个初始样本点对应的设计目标量参数的响应值，并将每个初始样本点以及对应的设计目标量参数的响应值作为初始样本点组；
S6、随机抽取初始样本点组中的部分样本点作为训练集建立代理模型，将剩余的样本点作为测试集进行精度验证；
S7、采取全局寻优算法对建立的代理模型全局寻优，确定最优设计变量参数。
优选的，参见图2、图3、图4、图5，所述设计变量参数具体包括冷却风扇后移距离A、冷凝器前移距离B、风扇轴向伸入距离C、风扇与风扇罩径向间隙D和风扇旋转中心偏移距离E；本实施例中根据对原始车型发动机舱各冷却部件初始安装位置以及可调整距离进行几何测量，并基于对各零部件之间保持间隙余量防止接触共振的原则，确定冷却部件相对位置各研究参数的取值范围如下表：
表1
Figure GDA0003595451610000051
优选的，所述设计目标量参数包括散热器的入口空气质量流率Yrad、冷凝器入口空气质量流率Ycon以及冷却风扇有效功率Yfan。
优选的，S4中所述生成多个初始样本点的方法为最优拉丁超立方试验方法，对所述的设计变量参数抽样得到80个水平，随机均匀的生成80组样本点；将其中的60组样本点作为训练集，另外20组样本点作为测试集，部分样本点如下表：
表2
Figure GDA0003595451610000061
优选的，S5中仿真计算过程具体为：在CFD软件中输入不同初始样本点对应生成的三维模型进行仿真模拟，计算得到不同初始样本点下对应的各个设计目标量参数的响应值，并将设计变量参数与各个设计目标量参数响应值联合作为初始样本点组，如下表所示：
表3
Figure GDA0003595451610000062
Figure GDA0003595451610000071
优选的，S6中所述代理模型为支持向量回归机模型，其具体构建步骤如下：
步骤1，数据归一化：将初始样本点经过归一化算法处理后限制在一个固定区间内，选取目标区间为[-1,1]；
步骤2，核函数选取：选取高斯径向基核函数为该代理模型的核函数，将初始样本点映射到高维空间进行处理；
步骤3，代理模型参数的确定：通过采用网格搜索及交叉验证的方法确定代理模型高斯径向基核函数的最优核函数参数及惩罚因子；
步骤4，代理模型精度验证：将测试集代入到代理模型中，随后将得到的预测结果与仿真模拟得到的设计目标量参数的响应值比较，判断其均方误差RMSE；若代理模型精度满足要求，将此代理模型作为最终预测模型，若代理模型精度不满足要求，则增加初始样本点数量，重复步骤1到步骤4；
其中，本实施例采用支持向量回归机(SVMR)根据表3中的训练集样本点，得到三个代理模型，分别为SVMR-rad、SVMR-con、SVMR-fan；
所述支持向量回归机通过在MATLAB的LIBSVM工具箱构建，LIBSVM工具箱中主要函数为svmtrain和svmpredict，其中前者用于对训练数据进行参数训练以建立SVMR模型，后者用于对SVMR模型进行数据测试，评价回归模型的泛化性能，分别求取关于不同设计目标量参数的代理模型并通过MATLAB导出模型结构体；
所述通过均方误差RMSE判断各个代理模型的预测精度，其在MATLAB中进行的调用操作具体为：
model＝svmtrain(Train-label,Train-data,options)
[Predict-label,error]＝svmpredict(Test-label,Test-data,model)
其中，model为训练建立的SVMR结构体；Train-label和Test-label分别为训练与测试数据的设计目标量参数数值；options为模型参数组成的结构体；Predict-label为SVMR模型预测的设计目标量参数数值；error为LIBSVM工具箱自带的SVMR模型性能评价指标；
本实施例中，所述计算的均方根误差RMSE如下表所示：
表4
Figure GDA0003595451610000081
由以上对比数据可知，设计目标量参数为散热器进风量时，SVMR-rad模型预测值与仿真值的相对误差的最小最大极值分别为-2.18％和0.75％，；设计目标量参数为冷凝器进风量时，SVMR-con模型预测值与仿真值的相对误差最小最大极值分别为-1.43％和0.83％；设计目标量参数为风扇有效功率进风量时，SVMR-fan模型预测值与仿真值的相对误差最小最大极值分别为-3.15％和3.20％。各个设计目标量参数下SVMR模型预测值与仿真值相对误差均控制在5％以内，预测精度均处于工程精度范围内。
优选的，所述多目标寻优方案为基于权重的传统优化模型方案；具体采用主观权重与客观权重相耦合计算综合权重的方法，具体步骤为：
给予每个设计目标量参数一个权重进行加权组合，具体采用综合权重法对计算得出的主客观目标权重进行线性加权组合，得到发动机舱散热性能设计目标量参数的综合权重W＝[0.4643,0.1824,0.3533]，同时对各分目标函数分别进行统一量纲处理，得出最终的综合权重预测模型式如下：
Figure GDA0003595451610000091
式中，f(x)为关于各设计目标量参数的SVMR模型，f*为个目标单独进行优化时的最优值；
所述主观权重采用层次分析法确定，分别根据设计目标量参数的重要性将散热器进风量、风扇有效功率、冷凝器进风量设为第一、第二、第三重要指标，之后得到判断矩阵A，并求得判断矩阵A的特征值向量B后标准化处理得到主观权重W1＝[0.5279，0.1396，0.3325]，其中判断矩阵A形式如下：
Figure GDA0003595451610000092
所述客观权重采用熵值法确定，根据原始数据设计目标量参数的信息熵及效应值来量化设计目标量参数改变对系统的影响程度，进而确定出设计目标量参数客观权重，分别计算得到各设计目标量参数的信息熵值为e＝[0.9478，0.9706，0.9512]，引入目标效应值dj后基于目标效应值得到散热器进风量、冷凝器进风量及风扇有效功率的客观权重系数W2＝[0.4007，0.2252，0.3741]，其中信息熵值的具体计算公式如下：
Figure GDA0003595451610000093
式中，pij代表各设计目标量参数的相对比重，其计算公式如下：
Figure GDA0003595451610000101
式中，xij代表第i个样本中第j个设计目标量参数归一化后数据，i＝1,2,…60，j＝1,2,3，其具体计算公式如下：
正向指标
Figure GDA0003595451610000102
负向指标
Figure GDA0003595451610000103
式中，xij代表第i个样本中第j个设计目标量参数原始仿真数据，i＝1,2,…60，j＝1,2,3；
目标效应值的计算公式如下：
dj＝1-ej
客观权重系数的具体计算公式如下：
Figure GDA0003595451610000104
优选的，所述全局寻优算法过程具体为先采用粒子群算法(PSO)对各个设计目标量参数预测模型(SVMR-rad-PSO、SVMR-con-PSO、SVMR-fan-PSO)进行寻优得出最优值，之后采用粒子群算法对综合权重预测模型(SVMR-PSO)进行寻优得出综合最优设计变量参数；若计算结果不满足收敛准则，则增加新的样本点数据，重新构建代理模型，并重新进行全局优化，直至满足收敛准则为止，本实例粒子群算法具体寻优流程参见图6。
对所述各个设计目标量参数预测模型寻优后得到的最优设计变量参数值如下表所示：
表5
Figure GDA0003595451610000111
由表5可知，SVMR-PSO模型算法优化可以确定得到冷却部件相对位置的最优方案为A＝0mm，B＝18.12mm，C＝9.05mm，D＝8.83mm，E＝7.07mm。
将得到的最优方案的设计变量参数输入到CFD模型中进行仿真验证，优化后的汽车发动机舱温度场分布参见图7，对温度场进行分析可知，冷却部件附近的高温区域得到明显缩小，发动机舱内的温度分布得到明显改善，证明汽车发动机舱内散热性能得到提升。
将仿真验证所得设计目标量参数与原车热平衡试验所得设计目标量参数对比，经过结构优化后的发动机舱的散热效果优于原车。
综上，本发明通过将发动机舱内部件位置的调整量定义为设计变量参数，将发动机舱的散热效果定义为设计目标量参数；对整车进行热平衡试验，获取对应的设计目标量参数，构建整车三维模型并仿真，将仿真结果与整车热平衡试验结果对比以验证模型精度；根据原车发动机舱内部部件位置确定设计变量参数的预设区间，并在预设区间内随机生成多个初始样本点；对机车发动机舱散热系统结构进行仿真试验，计算每个初始样本点对应的设计目标量参数的响应值，并将每个初始样本点以及对应的设计目标量参数的响应值作为初始样本点组；随机抽取初始样本点组中的部分样本点作为训练集建立代理模型，将剩余的样本点作为测试集进行精度验证；采取全局寻有算法对建立的代理模型全局寻优，确定最优设计变量参数，最终完成对发动机舱散热系统的结构优化。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于代理模型的汽车发动机舱散热系统结构优化方法，其特征在于：包括以下步骤：
S1、确定设计变量参数和设计目标量参数；设计变量参数为发动机舱内部件位置的调整量，作为输入量参数；设计目标量参数为发动机舱的散热效果，作为设计目标量参数；
S2、进行整车热平衡试验，获取其对应的设计目标量参数的数值；
S3、构建整车三维模型，对该三维模型进行仿真，将仿真所得的设计目标量参数与整车热平衡试验所得的设计目标量参数对比，若仿真结果不符合整车热平衡试验结果，则重新构建整车三维模型；
S4、根据原始车型发动机舱内各冷却部件的初始安装位置以及可调整距离进行几何测量，并基于各冷却部件之间保持间隙余量防止接触共振的原则，确定设计变量参数的预设区间，并在预设区间内随机生成多个初始样本点；
S5、对汽车发动机舱散热系统结构进行仿真试验，计算每个初始样本点对应的设计目标量参数的响应值，并将每个初始样本点以及对应的设计目标量参数的响应值作为初始样本点组；
S6、随机抽取初始样本点组中的部分样本点作为训练集建立代理模型，将剩余的样本点作为测试集进行精度验证；
S7、采取全局寻优算法对建立的代理模型全局寻优，确定最优设计变量参数。
2.根据权利要求1所述的基于代理模型的汽车发动机舱散热系统结构优化方法，其特征在于：所述设计变量参数具体包括冷却风扇后移距离、冷凝器前移距离、风扇轴向伸入距离、风扇与风扇罩径向间隙和风扇旋转中心偏移距离。
3.根据权利要求1所述的基于代理模型的汽车发动机舱散热系统结构优化方法，其特征在于：所述设计目标量参数包括散热器组入口空气质量流率与冷却风扇有效功率；其中散热器组包括散热器和冷凝器。
4.根据权利要求1所述的基于代理模型的汽车发动机舱散热系统结构优化方法，其特征在于：S4中所述生成多个初始样本点的方法为最优拉丁超立方试验方法，对所述的设计变量参数抽样得到N个水平，随机均匀的生成N组样本点。
5.根据权利要求1所述的基于代理模型的汽车发动机舱散热系统结构优化方法，其特征在于：S5中仿真过程具体为：在CFD软件中输入不同初始样本点对应生成的三维模型进行仿真模拟，计算得到不同初始样本点下对应的各个设计目标量参数的响应值。
6.根据权利要求1所述的基于代理模型的汽车发动机舱散热系统结构优化方法，其特征在于：S6中随机抽样，具体为以3:1的比例将N组初始样本点分为训练集和测试集。
7.根据权利要求1所述的基于代理模型的汽车发动机舱散热系统结构优化方法，其特征在于：S6中所述代理模型为支持向量回归机模型，其具体构建步骤如下：
步骤1，数据归一化：将初始样本点经过归一化算法处理后限制在一个固定区间内，选取目标区间为[-1,1]；
步骤2，核函数选取：选取高斯径向基核函数为该代理模型的核函数，将初始样本点映射到高维空间进行处理；
步骤3，代理模型参数的确定：通过采用网格搜索及交叉验证的方法确定代理模型高斯径向基核函数的最优核函数参数及惩罚因子；
步骤4，代理模型精度验证：将测试集代入到代理模型中，随后将得到的预测结果与仿真模拟得到的设计目标量参数的响应值比较，判断其均方误差RMSE；若代理模型精度满足要求，将此代理模型作为最终预测模型，若代理模型精度不满足要求，则增加初始样本点数量，重复步骤1到步骤4。
8.根据权利要求1所述的基于代理模型的汽车发动机舱散热系统结构优化方法，其特征在于：所述全局寻优算法具体为多目标寻优方案，该多目标寻优方案具体为基于权重的传统优化模型方案，将多目标寻优方案转化为单目标寻优方案，采用主观权重与客观权重相耦合计算综合权重的方法，具体步骤为：
主观权重采用层次分析法来确定，根据设计目标量参数的重要性将散热器进风量、风扇有效功率、冷凝器进风量分别设置为第一、第二、第三重要指标，随后得到判断矩阵A，并得到判断矩阵A特征值向量，进而经过标准化处理得到主观权重W1；
客观权重采用熵值法来确定，根据设计目标量参数的信息熵和效应值量化设计目标量参数的改变对系统的影响程度，从而确定指标权重，分别计算得出各设计目标量参数的信息熵为e；引入目标效应dj，基于目标效应得到散热器进风量、冷凝器进风量以及风扇有效功率的客观权重W2；
综合权重由主观权重与客观权重以比例系数线性加权组成，得到散热器进风量、冷凝器进风量以及风扇有效功率的综合权重W，随后对各分目标函数分别进行统一量纲处理并加权组合得到综合模型。
9.根据权利要求1所述的基于代理模型的汽车发动机舱散热系统结构优化方法，其特征在于：所述全局寻优算法采用粒子群算法，主要寻优步骤为：
首先分别对各分目标SVMR模型单独进行极值寻优，确定各目标单独寻优的最优值，进而建立出具体的综合模型；
随后对综合模型进行极值寻优得到综合考虑多目标的情况下设计变量参数的最优取值。
10.根据权利要求9所述的基于代理模型的汽车发动机舱散热系统结构优化方法，其特征在于：所述粒子群算法的具体寻优流程为：
初始化粒子群中的粒子速度及位置；
将粒子速度与位置代入适应度函数中，得出具体适应度函数数值；
更新粒子速度与位置和适应度函数极值数值大小；
判断是否满足终止条件，若满足终止条件则终止循环，若不满足则继续循环重复以上操作。
CN202110096207.3A 2021-01-25 2021-01-25 一种基于代理模型的汽车发动机舱散热系统结构优化方法 Active CN112784361B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110096207.3A CN112784361B (zh) 2021-01-25 2021-01-25 一种基于代理模型的汽车发动机舱散热系统结构优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110096207.3A CN112784361B (zh) 2021-01-25 2021-01-25 一种基于代理模型的汽车发动机舱散热系统结构优化方法

Publications (2)

Publication Number Publication Date
CN112784361A CN112784361A (zh) 2021-05-11
CN112784361B true CN112784361B (zh) 2022-06-17

Family

ID=75758928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110096207.3A Active CN112784361B (zh) 2021-01-25 2021-01-25 一种基于代理模型的汽车发动机舱散热系统结构优化方法

Country Status (1)

Country Link
CN (1) CN112784361B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420369B (zh) * 2021-05-28 2022-09-20 中国航空工业集团公司沈阳飞机设计研究所 一种飞机发动机舱冷却快速设计方法
CN113239596B (zh) * 2021-05-31 2022-02-15 北京理工大学 一种基于目标分流的车身轻量化方法
CN113297678B (zh) * 2021-06-17 2023-07-14 一汽解放青岛汽车有限公司 一种整车冷却系统的匹配设计方法、装置和计算机设备
CN113591299B (zh) * 2021-07-28 2024-03-26 清华大学 判定不同类型微通道散热器综合性能优劣的方法和系统
CN113987806B (zh) * 2021-10-29 2024-04-26 吉林大学 一种基于代理模型的大气模式优化方法
CN114048564A (zh) * 2021-11-05 2022-02-15 广东海洋大学 一种基于深度代理模型的工程叉车多目标性能优化方法
CN114722658B (zh) * 2022-01-21 2023-03-28 电子科技大学 一种基于数据驱动的多信任度协同元模型在预测燃料舱焊接变形的应用方法
CN114722491B (zh) * 2022-01-21 2023-10-24 电子科技大学 一种基于代理模型的集成优化设计在燃料舱外壳成形中的应用方法
CN114738085B (zh) * 2022-02-28 2023-08-25 南京理工大学 一种基于修正技术和试验的尿素喷雾模型标定方法
CN114841091B (zh) * 2022-05-07 2023-05-23 郑州轻工业大学 一种基于代理模型技术的离心通风机的气动优化设计方法
CN115238398B (zh) * 2022-09-23 2022-12-09 北京科技大学 基于子区间相似度的飞行器结构随机模型修正方法及装置
CN118010365A (zh) * 2024-04-08 2024-05-10 青岛汽车散热器有限公司 一种内燃机散热震动匹配检测系统及方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331536A (zh) * 2014-09-26 2015-02-04 湖南工业大学 一种汽车车身低阻低噪协同设计优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120109589A1 (en) * 2010-10-28 2012-05-03 Brian Thompson Methods and systems for direct-parametric interoperability in computer-aided design

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331536A (zh) * 2014-09-26 2015-02-04 湖南工业大学 一种汽车车身低阻低噪协同设计优化方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
傅珂等.性能仿真驱动的皮卡车空调出风口优化设计.《机电一体化》.2015,(第05期), *
刘传波等.汽车发动机舱散热组件布局仿真优化.《汽车工程》.2018,(第03期), *
姜楠等.基于DoE的发动机冷却模块零部件安装参数优化.《小型内燃机与车辆技术》.2018,(第05期), *
王修森.基于一维/三维耦合仿真的装载机发动机舱散热分析及改进.《硕士论文全文库》.2015, *

Also Published As

Publication number Publication date
CN112784361A (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
CN112784361B (zh) 一种基于代理模型的汽车发动机舱散热系统结构优化方法
CN113297678B (zh) 一种整车冷却系统的匹配设计方法、装置和计算机设备
CN109581223B (zh) 基于卡尔曼滤波的锂离子电池组的核心温度估计方法
CN106991216B (zh) 汽车冷却模块引起方向盘抖动的稳健性预估及优化方法
CN108268728B (zh) 基于两步式改进粒子群优化算法的汽车尾门结构优化方法
CN111814261A (zh) 整车冷却特性数据确定方法、装置、设备及可存储介质
CN111859730B (zh) 一种燃料电池离心压缩机转子构形优化设计方法
US20020177985A1 (en) Computer system and method for radial cooled bucket optimization
US20170024497A1 (en) Product design considering cost and structural performance
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
Li et al. Thermal error modeling of motorized spindle based on Elman neural network optimized by sparrow search algorithm
Li et al. Thermal error modeling of electrical spindle based on optimized ELM with marine predator algorithm
CN112949224A (zh) 一种基于响应面模型的小型风冷内燃机冷却风扇优化设计方法
CN114537087A (zh) 一种纯电动汽车集成式热管理系统性能优化方法
CN116644521A (zh) 一种基于自组织映射的汽车机舱冷却风扇模块布置方法
CN109885877B (zh) 一种基于聚类算法的约束域优化拉丁超立方设计方法
CN116976005A (zh) 用于确定域控制器车身布置的散热仿真分析方法和系统
Mukhtar et al. A machine learning-based comparative analysis of surrogate models for design optimisation in computational fluid dynamics
CN110046375A (zh) 一种颗粒增强钛基复合材料高速磨削温度预测方法
CN115964891A (zh) 一种汽车风扇的仿真分析方法、装置及存储介质
Lee et al. Numerical analysis and design optimization of engine room to improve cooling performance for a mid-class excavator
Zhao et al. Multi‐objective optimization of main bearing assembly structure based on improved NSGA‐II
CN111783337B (zh) 卫星热布局代理模型的超参数优化方法
Li et al. High dimensional expression of combined approximation model
Xu et al. Thermal Management Analysis of Engine Compartment Based on 1D and 3D Coupling Simulation

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