CN114626252A - 风阻及热管理多目标优化方法、装置、电子设备及介质 - Google Patents
风阻及热管理多目标优化方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN114626252A CN114626252A CN202210533174.9A CN202210533174A CN114626252A CN 114626252 A CN114626252 A CN 114626252A CN 202210533174 A CN202210533174 A CN 202210533174A CN 114626252 A CN114626252 A CN 114626252A
- Authority
- CN
- China
- Prior art keywords
- sample
- radiator
- model
- optimization
- geometric parameters
- 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
Links
Images
Classifications
-
- 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
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Cooling, Air Intake And Gas Exhaust, And Fuel Tank Arrangements In Propulsion Units (AREA)
Abstract
本发明提供了一种风阻及热管理多目标优化方法、装置、电子设备及介质,涉及车辆多目标优化技术领域。方法包括:首先,构建样本数据集。然后,根据样本数据集,确定近似模型,将散热器出水温度和车辆风阻系数作为优化目标,对近似模型进行优化,获得优化模型。最后,将散热器出水温度限值输入优化模型,获得目标几何参数,目标几何参数为进气格栅以及散热器的目标几何参数。在本发明中,根据样本数据集建立稳定可靠的近似模型,并基于优化需求获得优化模型,并根据用户对散热器出水温度基于优化模型获得目标几何参数,基于目标几何参数进行车辆的设计,能够使得车辆的散热性能和风阻性能都处于一个最优值。
Description
技术领域
本发明涉及车辆多目标优化技术领域,尤其涉及一种风阻及热管理多目标优化方法、装置、电子设备及介质。
背景技术
随着油耗的控制和日益增严的排放标准,整车风阻控制变得越来越重要,空气阻力主要包含压差阻力、干扰阻力、内流阻力、诱导阻力、摩擦阻力,其中内流阻力占比较大,内流阻力主要与进气格栅的开口比强相关,开口比越大,内流阻力越大,整车风阻就越大,控制小的开口比成为优化内流阻力的主要方法;但是发动机舱热管理则与之相反,进气格栅开口比越大,对各零部件和整车冷却性能越有利。因此,即如何才能保证风阻与车辆冷却之间的平衡,是亟待解决的问题。
相关技术中,现有方法大多为单一方向的目标优化,即只考虑优化风阻或优化车辆冷却。
发明内容
本发明实施例提供一种风阻及热管理多目标优化方法、装置、电子设备及介质,旨在解决或者部分解决目前现有优化方法大多为单一方向的目标优化的问题。
为了解决上述技术问题,本发明是这样实现的:
第一方面,本发明实施例提供了一种风阻及热管理多目标优化方法,方法包括:
构建由样本几何参数、样本散热器出水温度以及样本车辆风阻系数构成的样本数据集;
根据样本数据集,确定近似模型,近似模型表征样本几何参数与样本散热器出水温度的对应关系以及样本几何参数与样本车辆风阻系数的对应关系;
将散热器出水温度和车辆风阻系数作为优化目标,对近似模型进行优化,获得优化模型;
将散热器出水温度限值输入优化模型,获得目标几何参数,目标几何参数为进气格栅以及散热器的目标几何参数。
可选地,构建由样本几何参数、样本散热器出水温度以及样本车辆风阻系数构成的样本数据集,包括:
确定样本几何参数的参数范围;
根据样本几何参数的参数范围,选择目标样本几何参数;
执行命令流,将目标样本几何参数作为输入,输出对应的样本散热器出水温度以及样本车辆风阻系数;
根据预设执行次数,循环执行命令流;
将目标样本几何参数和对应的样本散热器出水温度以及样本车辆风阻系数汇总,生成样本数据集。
可选地,执行命令流是按照以下步骤生成的:
录制第一宏命令,第一宏命令为根据进气格栅以及散热器几何参数,建立进气格栅以及散热器的几何模型;
录制第二宏命令,第二宏命令为根据几何模型,建立进气格栅以及散热器的网格模型;
录制第三宏命令,第三宏命令为根据网格模型,确定车辆风阻系数、散热器进风量参数和散热器进风温度参数;
录制第四宏命令,第四宏命令为根据散热器进风量参数和散热器进风温度参数,确定散热器出水温度;
根据第一宏命令、第二宏命令、第三宏命令、第四宏命令,按照预设执行顺序,生成命令流。
可选地,根据样本数据集,确定近似模型,包括:
选择响应面模型作为近似模型的模型类型;
定义输入变量为样本几何参数,定义输出变量为样本散热器出水温度以及样本车辆风阻系数;
根据响应面模型,建立输出变量与输入变量的对应关系,生成初始近似模型;
对初始近似模型进行准确度校验,获得目标近似模型。
可选地,将散热器出水温度和车辆风阻系数作为优化目标,对近似模型进行优化,获得优化模型,包括:
选择目标优化算法;将散热器出水温度确定为第一目标函数,并将散热器出水温度最小化确定为第一目标函数的优化方向;
将车辆风阻系数确定为第二目标函数,并将车辆风阻系数最小化确定为第二目标函数的优化方向;
根据目标优化算法以及第一目标函数的优化方向和第二目标函数的优化方向,对近似模型进行优化,获得优化模型。
可选地,将散热器出水温度限值输入优化模型,获得目标几何参数,包括:
根据优化模型,生成多个帕累托最优解和多个帕累托最优解构成的前沿面,每个帕累托最优解对应一个目标几何参数;
根据散热器出水温度限值,确定前沿面的目标区间范围;
将位于目标区间范围内的帕累托最优解,确定为第一帕累托最优解;
确定每个第一帕累托最优解在前沿面上的纵坐标值,并将纵坐标值最小的第一帕累托最优解,确定为第二帕累托最优解;
将第二帕累托最优解对应的目标几何参数,确定为进气格栅以及散热器的目标几何参数。
第二方面,本发明实施例提供了一种风阻及热管理多目标优化装置,装置包括:
构建模块,用于构建由样本几何参数、样本散热器出水温度以及样本车辆风阻系数构成的样本数据集;
第一模型确定模块,用于构建根据样本数据集,确定近似模型,近似模型表征样本几何参数与样本散热器出水温度的对应关系以及样本几何参数与样本车辆风阻系数的对应关系;
第二模型确定模块,用于将散热器出水温度和车辆风阻系数作为优化目标,对近似模型进行优化,获得优化模型;
几何参数确定模块,用于将散热器出水温度限值输入优化模型,获得目标几何参数,目标几何参数为进气格栅以及散热器的目标几何参数。
可选地,构建模块包括:
确定子模块,用于确定样本几何参数的参数范围;
选择子模块,用于根据样本几何参数的参数范围,选择目标样本几何参数;
执行子模块,用于执行命令流,将目标样本几何参数作为输入,输出对应的样本散热器出水温度以及样本车辆风阻系数;
循环子模块,用于根据预设执行次数,循环执行命令流;
汇总子模块,用于将目标样本几何参数和对应的样本散热器出水温度以及样本车辆风阻系数汇总,生成样本数据集。
发明实施例第三方面提出一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现本发明实施例第一方面提出的方法步骤。
本发明实施例第四方面提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例第一方面提出方法。
本发明实施例包括以下优点:
首先,构建由样本几何参数、样本散热器出水温度以及样本车辆风阻系数构成的样本数据集。然后,根据样本数据集,确定近似模型,近似模型表征样本几何参数与样本散热器出水温度的对应关系以及样本几何参数与样本车辆风阻系数的对应关系,将散热器出水温度和车辆风阻系数作为优化目标,对近似模型进行优化,获得优化模型。最后,将散热器出水温度限值输入优化模型,获得目标几何参数,目标几何参数为进气格栅以及散热器的目标几何参数。在本发明中,根据几何参数、样本散热器出水温度以及样本车辆风阻系数构成的样本数据集,建立稳定可靠的近似模型,基于优化需求获得优化模型,并根据用户对散热器出水温度基于优化模型获得目标几何参数,基于目标几何参数进行车辆的设计,能够使得车辆的散热性能和风阻性能都处于一个最优值。
在本发明的一些实施例中,根据帕累托解集得到针对多目标优化目标函数的最优几何参数,使得车辆的散热性能和车辆风阻性能都处于一个最优值。
在本发明的一些实施例中,通过集成软件通过调用宏命令生成命令流,自动地执行目标参数的优化,减少的人工干预时间,减少了人工的工作量。
附图说明
为了更清楚地说明本申请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简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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是本发明实施例中一种风阻及热管理多目标优化方法的步骤流程图;
图2是本发明实施例中生成的帕累托最优解和前沿面的仿真结果示意图;
图3是本发明实施例中一种风阻及热管理多目标优化装置的模块示意图;
图4是本发明实施例中电子设备的功能模块示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
相关技术中,现有方法存在以下缺点:
1、现有技术多数为单一方向的目标优化,缺少多目标优化方法,即只考虑优化内流阻力或车辆冷却。
2、现有技术多数为基于经验&理论的优化,缺少多目标自动优化,即未考虑实际的参数。
3、现有技术缺少通过宏命令和脚本驱动软件,进行多目标自动优化,即通过用户输入不同的值的参数。
基于此,发明人提出了本申请的发明构思,基于软件批处理进行多目标自动优化方法的建立,通过录制各设计软件的宏命令,利用集成软件形成整车风阻性能和机舱热管理性能平衡优化流程闭环,通过近似模型+优化模型方法,完成进气格栅最优方案的自动抓取,可非常有效地减少开发时间和资源浪费。
本发明实施例提供了一种风阻及热管理多目标优化方法,参见图1,图1示出了本申请实施例一种风阻及热管理多目标优化方法的步骤流程图,方法包括:
S101:构建由样本几何参数、样本散热器出水温度以及样本车辆风阻系数构成的样本数据集。
在本实施方式中,首先构建样本数据集,样本数据集由样本几何参数样本散热器出水温度以及样本车辆风阻系数构成,用于表征实际中,不同几何参数对应的散热器出水温度和车辆风阻系数具体数值。构建样本数据集的步骤可以为:
S101-1:确定样本几何参数的参数范围。
在本实施方式中,样本几何参数为进气格栅的Y和Z向尺寸以及散热器Y和Z向尺寸,由于进气格栅以及散热器的厚度是一个定值,因此只考虑的Y和Z向的尺寸,根据进气格栅的通用尺寸确定其参数范围,作为示例的,进气格栅的Y方向的参数范围可以为500mm-700mm,进气格栅的Z方向的参数范围可以为400mm-600mm,的,散热器的Y方向的参数范围可以为400mm-550mm,散热器Z方向的参数范围可以为450mm-650mm。
S101-2:根据样本几何参数的参数范围,选择目标样本几何参数。
在实施方式中,在确定了样本几何参数的参数范围之后,可以通过2种方式来进行样本几何参数的选取,第一种方式为选择一个器件的一个方向的尺寸为定值,其他尺寸规律变化。作为示例的,选定进气格栅的Y方向的尺寸为500mm,则进气格栅的Z方向的尺寸可以为400mm,散热器的Y方向的尺寸可以为400mm,散热器Z方向的尺寸可以为450mm,则将500mm,400mm,400mm,450mm作为第一组样本几何参数,则第二组样本几何参数进气格栅的Y方向的尺寸为500mm,则进气格栅的Z方向的尺寸可以为410mm,散热器的Y方向的尺寸可以为410mm,散热器Z方向的尺寸可以为460mm。第二种方式为抽样的选取,即在选择目标样本几何参数时,通过抽样选择的方式从样本几何参数的参数范围选取,作为示例的,选定进气格栅的Y方向的尺寸为550mm,则进气格栅的Z方向的尺寸可以为450mm,散热器的Y方向的尺寸可以为450mm,散热器Z方向的尺寸可以为460mm,则将550mm,450mm,450mm,460mm作为第一组样本几何参数。
S101-3:执行命令流,将目标样本几何参数作为输入,输出对应的样本散热器出水温度以及样本车辆风阻系数。
在本实施方式中,当确定样本几何参数之后,需要将目标样本几何参数作为输入,获得其对应的样本散热器出水温度以及样本车辆风阻系数,该过程是通过命令流来实现的,而获得命令流的具体步骤包括:
S101-3-1:录制第一宏命令,第一宏命令为根据进气格栅以及散热器几何参数,建立进气格栅以及散热器的几何模型。
在本实施方式中,启动CATIA软件,先点开始录制,命名宏命令为Macro1.catvbs。然后将进气格栅以及散热器的几何参数输入到CATIA软件中,以上述实施例中的数据为例,选定进气格栅的Y方向的尺寸为550mm,则进气格栅的Z方向的尺寸可以为450mm,散热器的Y方向的尺寸可以为450mm,散热器Z方向的尺寸可以为460mm,在CATIA软件中,进行进气格栅以及散热器芯体的建模,从而实现根据进气格栅以及散热器几何参数,建立进气格栅以及散热器的几何模型的宏命令的录制。
S101-3-2:录制第二宏命令,第二宏命令为根据几何模型,建立进气格栅以及散热器的网格模型。
在本实施方式中,在确定CATIA软件中输出进气格栅以及散热器的几何模型文件后,在Hypermesh软件中,生成的几何模型文件,对进气格栅及散热器芯体进行面网格划分,建立网格模型。软件每次的操作记录都会叠加在同一个command.cmf文件中,记录command.cmf脚本文件,即第二宏命令,生成的网格模型。
S101-3-3:录制第三宏命令,第三宏命令为根据网格模型,确定车辆风阻系数、散热器进风量参数和散热器进风温度参数。
在本实施方式中,在Starccm+软件中,输入生成的网格模型文件,输出分析结果,分析结果包括风阻系数和一维求解所需数据,一维求解所需数据为散热器进风量参数和散热器进风温度参数。并在Starccm+软件中基于输入的网格模型文件输出风阻系数和一维求解所需数据的过程生成宏命令,即第三宏命令。
S101-3-4:录制第四宏命令,第四宏命令为根据散热器进风量参数和散热器进风温度参数,确定散热器出水温度。
在本实施方式中,搭建GT一维模型,将一维求解所需数据作为一维仿真输入,进行仿真计算,输出散热器出水温度。并与目标值进行对比,将温度差值作为优化目标之一。并生成根据一维求解所需数据作为一维仿真输入,进行仿真计算,输出散热器出水温度的第四宏命令。
S101-3-5:根据第一宏命令、第二宏命令、第三宏命令、第四宏命令,按照预设执行顺序,生成命令流。
在本实施方式中,搭建集成平台,利用集成软件调用CATIA、Hypermesh、Star-ccm+软件录制的宏命令,按照第一宏命令-第二宏命令-第三宏命令-第四宏命令-第五宏命令的顺序形成命令流,命令流所需的文件具体可以包括:Catia.bat文件,用于调用CATIA的批处理文件,command.cmf文件,用于记录Hypermesh操作的宏文件,Hypermesh.bat文件,用于调用Hypermesh软件的批处理文件,Maceo1.catvbs文件,用于记录CATIA操作的宏文件,rado.stp文件,CATIA建模的baes模型,runstar.java文件,用于记录Star-ccm+软件操作的宏文件,Star-ccm+.bat文件,用于调用Star-ccm+软件的批处理文件,star.sim文件,star.sim建模的baes模型。通过对命名流处理,最终定义设计变量,将试验设计方法添加进命令流,使的命令流形成闭环,得到命令流,生成命令流之后,按照命令流进行循环执行,从而实现进气格栅以及散热器几何参数的自动测试,不再需要测试人员进行手动输入样本进气格栅以及散热器几何参数,生成散热器出水温度以及样本车辆风阻系数,从而大大降低了人工的工作量。
S101-4:根据预设执行次数,循环执行命令流。
S101-5:将目标样本几何参数和对应的样本散热器出水温度以及样本车辆风阻系数汇总,生成样本数据集。
在S101-4至S101-5的实施方式中,当确定命令流之后,根据所需的样本数量确定命令流的执行次数,作为示例的,若所需的样本数量设为50组,则命令流会循环执行50次,获得50组不同的样本几何参数以及对应的样本散热器出水温度以及样本车辆风阻系数。将50组不同的样本几何参数以及对应的样本散热器出水温度以及样本车辆风阻系数进行汇总,即可得到样本数据集,样本数据集包含了多组真实的进气格栅以及散热器几何参数以及其对应的散热器出水温度以及样本车辆风阻系数,从而能够根据样本数据集获得稳定可靠的近似模型。
S102:根据样本数据集,确定近似模型。
在本实施方式中,获得样本数据集之后,需要构建一个近似模型来表征样本数据集中输入变量和输出变量的数学关系,从而得到稳定可靠的近似模型,其具体的过程可以包括步骤:
S102-1:选择响应面模型作为近似模型的模型类型。
S102-2:定义输入变量为样本几何参数,定义输出变量为样本散热器出水温度以及样本车辆风阻系数;
S102-3:根据响应面模型,建立输出变量与输入变量的对应关系,生成初始近似模型;
S102-4:对初始近似模型进行准确度校验,获得目标近似模型。
在S102-1至S102-4的实施方式中,近似模型选用响应面模型(Response SurfaceModel),定义输入变量(input)为进气格栅的X和Z向尺寸以及散热器Y和Z向尺寸,定义输出变量(output)为车辆风阻系数和散热器出温度,同时选用四阶近似Quartic方式,误差类型选择R-Squared, 从而构建初始近似模型。在构建出近似模型后,需要对近似模型的准确度进行校验。
作为示例的,从样本数据集中选取A、B、C三组输入变量,输入近似模型,获得对应的D、E、F三组输出变量,将D、E、F三组输出变量与A、B、C三组输入变量原本对应的输出变量a、b、c三组输出变量进行比较,获得误差值,若误差百分比小于阈值,则可以确定近似模型满足可靠性测试,如表1所示的测试结果,风阻系数误差最大仅为0.2count,散热器进口水温最大误差仅为0.64℃,说明近似模型可靠性高,将其确定为目标近似模型,目标近似模型则作为选定的近似模型,在获得稳定可靠的近似模型之后,使测试人员可非常方便的根据输出变量直接得到对应的目标函数结果,从而获得较为准确的输出变量,使得使测试人员输入未在样本数据集中的输出变量时,可以根据近似模型获得较为准确的输出变量,从而提高优化的准确性。
表1:可靠性测试结果展示表
S103:将散热器出水温度和车辆风阻系数作为优化目标,对近似模型进行优化,获得优化模型。
在本实施方式中,获得近似模型之后,需要对近似模型进行优化,而在本申请中,需要同时将散热器出水温度和车辆风阻系数作为优化目标,因此根据散热器出水温度和车辆风阻系数对近似模型进行优化的过程,可以包括:
S103-1:选择目标优化算法。
S103-2:将散热器出水温度确定为第一目标函数,并将散热器出水温度最小化确定为第一目标函数的优化方向;
S103-3:将车辆风阻系数确定为第二目标函数,并将车辆风阻系数最小化确定为第二目标函数的优化方向;
S103-4:根据目标优化算法以及第一目标函数的优化方向和第二目标函数的优化方向,对近似模型进行优化,获得优化模型。
在S103-1至S103-4的实施方式中,对应目标优化算法的选择,选择第二代非劣排序遗传进化算法NSGA-II(Non-dominated Sorting Genetic Algorithm),NSGA-Ⅱ优点在于探索性能良好,在非支配排序中,接近Pareto(帕累托)前沿的个体被选择,使帕累托前进能力增强。为了保证散热器出水温度能够最小化,将散热器出水温度作为目标函数一,优化方向为最小化,比例因子Scale Factor为0.1,Weight Factor为1.0;为了保证辆风阻系数能够最小化,将车辆风阻系数作为目标函数二,优化方向为最小化,比例因子Scale Factor为0.0001,Weight Factor为2.0。在确定目标函数一和目标函数二的参数之后,根据目标函数一和目标函数二对近似模型优化,获得满足多目标优化需求的优化模型,在确定优化模型之后,可以根据用户的优化需求生成Pareto解集,从而方便切快速得到针对多目标优化目标函数的最优结果,大大降低了运算和优化所需的时间。
S104:将散热器出水温度限值输入优化模型,获得目标几何参数,目标几何参数为进气格栅以及散热器的目标几何参数。
在本实施方式中,在确定优化模型之后,由于对散热器出水温度的要求优先级高于对车辆风阻系数的要求优先级。因此,在根据用户对散热器出水温度的要求的进气格栅以及散热器的参数中,选取车辆风阻系数较优的一组作为进气格栅以及散热器的目标几何参数,其具体步骤包括:
S104-1:根据优化模型,生成多个帕累托最优解和多个帕累托最优解构成的前沿面,每个帕累托最优解对应一个目标几何参数。
在本实施方式中,在获得优化模型之后,根据优化模型,生成多个帕累托最优解,如图2所示,在图2中,每个点表征该点本身具有的几何参数,即每个点对应一个进气格栅以及散热器的几何参数,其横坐标的值代表该进气格栅以及散热器的几何参数对应的散热器出水温度,其纵坐标的值代表该进气格栅以及散热器的几何参数对应的车辆风阻系数,而帕累托最优解代表该进气格栅以及散热器的几何参数对应的车辆风阻系数和散热器出水温度处于一个相对最优值,将每个帕累托最优解进行拟合,获得的曲线即为前沿面,即前沿面上的每一个点均为帕累托最优解,在获得帕累托最优解之后,能够直观的展示满足优化需求的优化方案,即在前沿面上每一个点都是同时满足风阻系数最小化和散热器出水温度最小化的优化需求,并且能够满足测试人员根据限制进行进一步的筛选,并且根据帕累托解集可非常方便得到针对多目标优化目标函数的最优结果。
S104-2:根据散热器出水温度限值,确定前沿面的目标区间范围。
在本实施方式中,根据用户输入的散热器出水温度限值,作为示例的,散热器出水温度限值为不超过105摄氏度,则在图2中,以105摄氏度往左的前沿面范围,则为前沿面的目标区间范围。即图2中的102摄氏度至105摄氏度的区间范围则为目标区间范围。
S104-3:将位于目标区间范围内的帕累托最优解,确定为第一帕累托最优解。
S104-4:确定每个第一帕累托最优解在前沿面上的纵坐标值,并将纵坐标值最小的第一帕累托最优解,确定为第二帕累托最优解。
S104-5:将第二帕累托最优解对应的目标几何参数,确定为进气格栅以及散热器的目标几何参数。
在S104-3至S104-5的实施方式中,继续以上述实施方式为例,在确定目标区间范围为102摄氏度至105摄氏之后,将位于该区间范围内的帕累托最优解,确定为第一帕累托最优解,确定每个第一帕累托最优解的纵坐标值,即该第一帕累托最优解对应的车辆风阻系数,选取其中作为示例的,样本编码号为1、5、22、26的第一帕累托最优解其纵坐标值分别为0.3342、0.3344、0.3327、0.3335,则样本编号为22的第一帕累托最优解的车辆风阻系数最小,则将样本编号为22的第一帕累托最优解作为第二帕累托最优解,第二帕累托最优解对应的进气格栅以及散热器的几何参数即为既能满足散热器出水温度限制,并且车辆风阻系数最小的目标几何参数。按照目标几何参数对原始的几何参数进行修正。作为示例的,若样本编号为22的方案对应的散热器芯体z方向的尺寸为580mm,则将优化模型中的散热器芯体尺寸上限由原始的640mm更改到580mm,从而能够帮助用户能够快速的确定将进气格栅以及散热器的几何参数从限制调整到目标值,从而大大的降低了优化所需的时间,并且能够使得基于目标几何参数设计的进气格栅以及散热器的车辆的风阻性能和散热器性能都能达到一个相对最优值。
本发明实施例还提供了一种风阻及热管理多目标优化装置,参照图3,示出了本发明一种风阻及热管理多目标优化装置,该装置可以包括以下模块:
构建模块301,用于构建由样本几何参数、样本散热器出水温度以及样本车辆风阻系数构成的样本数据集;
第一模型确定模块302,用于构建根据样本数据集,确定近似模型,近似模型表征样本几何参数与样本散热器出水温度的对应关系以及样本几何参数与样本车辆风阻系数的对应关系;
第二模型确定模块303,用于将散热器出水温度和车辆风阻系数作为优化目标,对近似模型进行优化,获得优化模型;
几何参数确定模块304,用于将散热器出水温度限值输入优化模型,获得目标几何参数,目标几何参数为进气格栅以及散热器的目标几何参数。
在一种可行的实施方式中,构建模块包括:
确定子模块,用于确定样本几何参数的参数范围;
选择子模块,用于根据样本几何参数的参数范围,选择目标样本几何参数;
执行子模块,用于执行命令流,将目标样本几何参数作为输入,输出对应的样本散热器出水温度以及样本车辆风阻系数;
循环子模块,用于根据预设执行次数,循环执行命令流;
汇总子模块,用于将目标样本几何参数和对应的样本散热器出水温度以及样本车辆风阻系数汇总,生成样本数据集。
在一种可行的实施方式中,构建模块还包括命令流生成子模块,令流生成模块包括:
第一录制单元,用于录制第一宏命令,第一宏命令为根据进气格栅以及散热器几何参数,建立进气格栅以及散热器的几何模型;
第二录制单元,用于录制第二宏命令,第二宏命令为根据几何模型,建立进气格栅以及散热器的网格模型;
第三录制单元,用于录制第三宏命令,第三宏命令为根据网格模型,确定车辆风阻系数、散热器进风量参数和散热器进风温度参数;
第四录制单元,用于录制第四宏命令,第四宏命令为根据散热器进风量参数和散热器进风温度参数,确定散热器出水温度;
整合单元,用于根据第一宏命令、第二宏命令、第三宏命令、第四宏命令,按照预设执行顺序,生成命令流。
在一种可行的实施方式中,第一模型确定模块包括:
模型类型确定子模块,用于选择响应面模型作为近似模型的模型类型;
模型定义子模块,用于定义输入变量为样本几何参数,定义输出变量为样本散热器出水温度以及样本车辆风阻系数;
模型构建子模块,用于根据响应面模型,建立输出变量与输入变量的对应关系,生成初始近似模型;
模型校正子模块,用于对初始近似模型进行准确度校验,获得目标近似模型。
在一种可行的实施方式中,第二型确定模块包括:
算法确定子模块,用于选择目标优化算法;
第一优化子模块,用于将散热器出水温度确定为第一目标函数,并将散热器出水温度最小化确定为第一目标函数的优化方向;
第二优化子模块,用于将车辆风阻系数确定为第二目标函数,并将车辆风阻系数最小化确定为第二目标函数的优化方向;
第三优化子模块,用于根据目标优化算法以及第一目标函数的优化方向和第二目标函数的优化方向,对近似模型进行优化,获得优化模型。
在一种可行的实施方式中,几何参数确定模块包括:
图像生成模块,用于根据优化模型,生成多个帕累托最优解和多个帕累托最优解构成的前沿面,每个帕累托最优解对应一个目标几何参数;
区间确定模块,用于根据散热器出水温度限值,确定前沿面的目标区间范围;
第一最优解确定模块,用于将位于目标区间范围内的帕累托最优解,确定为第一帕累托最优解;
第二最优解确定模块,用于确定每个第一帕累托最优解在前沿面上的纵坐标值,并将纵坐标值最小的第一帕累托最优解,确定为第二帕累托最优解;
几何参数确定子模块,用于将第二帕累托最优解对应的目标几何参数,确定为进气格栅以及散热器的目标几何参数。
基于同一发明构思,本发明另一实施例提供一种电子设备,如图4所示,包括处理器41、通信接口42、存储器43和通信总线44,其中,处理器41,通信接口42,存储器43通过通信总线44完成相互间的通信,
存储器43,用于存放计算机程序;
处理器41,用于执行存储器43上所存放的程序时,实现本发明实施例第一方面的步骤。
上述终端提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述终端与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储系统。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
基于同一发明构思,本申请实施例还提供了一种计算机可读存储介质,其上存储有指令,当由控制器执行时,使得所述控制器执行本申请实施例第一方面的方法步骤。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、系统、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用车辆(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品,该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。“和/或”表示可以选择两者之中的任意一个,也可以两者都选择。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种风阻及热管理多目标优化方法、装置、电子设备及介质,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种风阻及热管理多目标优化方法,其特征在于,所述方法包括:
构建由样本几何参数、样本散热器出水温度以及样本车辆风阻系数构成的样本数据集;
根据所述样本数据集,确定近似模型,所述近似模型表征所述样本几何参数与所述样本散热器出水温度的对应关系以及所述样本几何参数与所述样本车辆风阻系数的对应关系;
将散热器出水温度和车辆风阻系数作为优化目标,对所述近似模型进行优化,获得优化模型;
将散热器出水温度限值输入所述优化模型,获得目标几何参数,所述目标几何参数为进气格栅以及散热器的目标几何参数。
2.根据权利要求1所述的方法,构建由样本几何参数、样本散热器出水温度以及样本车辆风阻系数构成的样本数据集,包括:
确定所述样本几何参数的参数范围;
根据所述样本几何参数的参数范围,选择目标样本几何参数;
执行命令流,将所述目标样本几何参数作为输入,输出对应的样本散热器出水温度以及样本车辆风阻系数;
根据预设执行次数,循环执行所述命令流;
将所述目标样本几何参数和对应的所述样本散热器出水温度以及所述样本车辆风阻系数汇总,生成所述样本数据集。
3.根据权利要求2所述的方法,所述执行命令流是按照以下步骤生成的:
录制第一宏命令,所述第一宏命令为根据进气格栅以及散热器几何参数,建立进气格栅以及散热器的几何模型;
录制第二宏命令,所述第二宏命令为根据所述几何模型,建立所述进气格栅以及散热器的网格模型;
录制第三宏命令,所述第三宏命令为根据所述网格模型,确定车辆风阻系数、散热器进风量参数和散热器进风温度参数;
录制第四宏命令,所述第四宏命令为根据所述散热器进风量参数和所述散热器进风温度参数,确定散热器出水温度;
根据所述第一宏命令、第二宏命令、第三宏命令、第四宏命令,按照预设执行顺序,生成所述命令流。
4.根据权利要求1所述的方法,其特征在于,根据所述样本数据集,确定近似模型,包括:
选择响应面模型作为所述近似模型的模型类型;
定义输入变量为所述样本几何参数,定义输出变量为所述样本散热器出水温度以及所述样本车辆风阻系数;
根据所述响应面模型,建立所述输出变量与所述输入变量的对应关系,生成初始近似模型;
对所述初始近似模型进行准确度校验,获得目标近似模型。
5.根据权利要求1所述的方法,其特征在于,将散热器出水温度和车辆风阻系数作为优化目标,对所述近似模型进行优化,获得优化模型,包括:
选择目标优化算法;
将所述散热器出水温度确定为第一目标函数,并将散热器出水温度最小化确定为所述第一目标函数的优化方向;
将所述车辆风阻系数确定为第二目标函数,并将车辆风阻系数最小化确定为所述第二目标函数的优化方向;
根据所述目标优化算法以及所述第一目标函数的优化方向和所述第二目标函数的优化方向,对所述近似模型进行优化,获得所述优化模型。
6.根据权利要求1所述的方法,其特征在于,将散热器出水温度限值输入所述优化模型,获得目标几何参数,包括:
根据所述优化模型,生成多个帕累托最优解和所述多个帕累托最优解构成的前沿面,每个所述帕累托最优解对应一个目标几何参数;
根据所述散热器出水温度限值,确定所述前沿面的目标区间范围;
将位于所述目标区间范围内的帕累托最优解,确定为第一帕累托最优解;
确定每个所述第一帕累托最优解在所述前沿面上的纵坐标值,并将所述纵坐标值最小的第一帕累托最优解,确定为第二帕累托最优解;
将所述第二帕累托最优解对应的目标几何参数,确定为所述进气格栅以及散热器的目标几何参数。
7.一种风阻及热管理多目标优化装置,其特征在于,所述装置包括:
构建模块,用于构建由样本几何参数、样本散热器出水温度以及样本车辆风阻系数构成的样本数据集;
第一模型确定模块,用于构建根据所述样本数据集,确定近似模型,所述近似模型表征所述样本几何参数与所述样本散热器出水温度的对应关系以及所述样本几何参数与所述样本车辆风阻系数的对应关系;
第二模型确定模块,用于将散热器出水温度和车辆风阻系数作为优化目标,对所述近似模型进行优化,获得优化模型;
几何参数确定模块,用于将散热器出水温度限值输入所述优化模型,获得目标几何参数,所述目标几何参数为进气格栅以及散热器的目标几何参数。
8.根据权利要求7所述的装置,其特征在于,所述构建模块包括:
确定子模块,用于确定所述样本几何参数的参数范围;
选择子模块,用于根据所述样本几何参数的参数范围,选择目标样本几何参数;
执行子模块,用于执行命令流,将所述目标样本几何参数作为输入,输出对应的样本散热器出水温度以及样本车辆风阻系数;
循环子模块,用于根据预设执行次数,循环执行所述命令流;
汇总子模块,用于将所述目标样本几何参数和对应的所述样本散热器出水温度以及样本车辆风阻系数汇总,生成所述样本数据集。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-6任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210533174.9A CN114626252B (zh) | 2022-05-17 | 2022-05-17 | 风阻及热管理多目标优化方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210533174.9A CN114626252B (zh) | 2022-05-17 | 2022-05-17 | 风阻及热管理多目标优化方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114626252A true CN114626252A (zh) | 2022-06-14 |
CN114626252B CN114626252B (zh) | 2022-08-26 |
Family
ID=81907150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210533174.9A Active CN114626252B (zh) | 2022-05-17 | 2022-05-17 | 风阻及热管理多目标优化方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114626252B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116341122A (zh) * | 2023-05-29 | 2023-06-27 | 中汽研新能源汽车检验中心(天津)有限公司 | 电驱动系统的数字换热模型构建方法、设备及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945327A (zh) * | 2012-11-21 | 2013-02-27 | 湖南大学 | 一种用于汽车正碰安全性的多目标可靠性优化技术 |
CN108407746A (zh) * | 2018-02-06 | 2018-08-17 | 北京汽车股份有限公司 | 汽车前格栅结构优化方法及系统 |
CN110096844A (zh) * | 2019-05-22 | 2019-08-06 | 湖北汽车工业学院 | 非光滑车表汽车的气动特性优化设计方法 |
CN110228361A (zh) * | 2018-12-12 | 2019-09-13 | 蔚来汽车有限公司 | 进气格栅的控制方法和装置、车辆、控制器及介质 |
CN111191316A (zh) * | 2020-01-06 | 2020-05-22 | 沈阳建筑大学 | 一种基于响应面的建筑自然通风性能优化模型及优化方法 |
CN113204880A (zh) * | 2021-05-07 | 2021-08-03 | 重庆科创职业学院 | 一种汽车风阻系数优化设计方法 |
CN113297678A (zh) * | 2021-06-17 | 2021-08-24 | 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 |
CN113591299A (zh) * | 2021-07-28 | 2021-11-02 | 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 |
CN114033543A (zh) * | 2021-09-23 | 2022-02-11 | 东风汽车集团股份有限公司 | 车辆及其冷却系统的设计方法和装置 |
-
2022
- 2022-05-17 CN CN202210533174.9A patent/CN114626252B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945327A (zh) * | 2012-11-21 | 2013-02-27 | 湖南大学 | 一种用于汽车正碰安全性的多目标可靠性优化技术 |
CN108407746A (zh) * | 2018-02-06 | 2018-08-17 | 北京汽车股份有限公司 | 汽车前格栅结构优化方法及系统 |
CN110228361A (zh) * | 2018-12-12 | 2019-09-13 | 蔚来汽车有限公司 | 进气格栅的控制方法和装置、车辆、控制器及介质 |
CN110096844A (zh) * | 2019-05-22 | 2019-08-06 | 湖北汽车工业学院 | 非光滑车表汽车的气动特性优化设计方法 |
CN111191316A (zh) * | 2020-01-06 | 2020-05-22 | 沈阳建筑大学 | 一种基于响应面的建筑自然通风性能优化模型及优化方法 |
CN113204880A (zh) * | 2021-05-07 | 2021-08-03 | 重庆科创职业学院 | 一种汽车风阻系数优化设计方法 |
CN113297678A (zh) * | 2021-06-17 | 2021-08-24 | 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 |
CN113591299A (zh) * | 2021-07-28 | 2021-11-02 | 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 |
CN114033543A (zh) * | 2021-09-23 | 2022-02-11 | 东风汽车集团股份有限公司 | 车辆及其冷却系统的设计方法和装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116341122A (zh) * | 2023-05-29 | 2023-06-27 | 中汽研新能源汽车检验中心(天津)有限公司 | 电驱动系统的数字换热模型构建方法、设备及介质 |
CN116341122B (zh) * | 2023-05-29 | 2023-07-28 | 中汽研新能源汽车检验中心(天津)有限公司 | 电驱动系统的数字换热模型构建方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114626252B (zh) | 2022-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102206324B1 (ko) | 기술적 시스템의 스타팅 변수의 모델을 확인하기 위한 방법 | |
CN114626252B (zh) | 风阻及热管理多目标优化方法、装置、电子设备及介质 | |
US9195222B2 (en) | Systems and methods for evaluating stability of software code for control systems | |
CN110442974B (zh) | 马蹄焰玻璃窑蓄热室性能优化方法和装置 | |
CN111125909A (zh) | 一种一维汽车热管理模型的自动化标定方法 | |
KR20150084596A (ko) | 최적 설계 파라미터 탐색을 위한 최적화 방법 | |
CN110807428A (zh) | 煤类样品的识别方法、装置、服务器及存储介质 | |
CN116738920B (zh) | 一种三维几何内核的芯片3d设计方法及系统 | |
CN116842853B (zh) | 用于不确定度量化的导弹气动特性预测模型构建方法 | |
CN117521576A (zh) | 运算资源共享方法、装置、设备和介质 | |
CN113158589A (zh) | 一种电池管理系统的仿真模型校准方法以及装置 | |
CN117217136A (zh) | 一种基于rtl设计的fpga资源消耗估计方法 | |
KR100727405B1 (ko) | 최적 설계를 위한 시뮬레이션 장치, 방법 및 이를 기록한기록매체 | |
CN114492251B (zh) | 超算环境的低速流场发散处理方法、装置、设备及介质 | |
CN112182771B (zh) | 基于数值模拟的数据处理方法、存储介质、电子装置 | |
CN111625753B (zh) | 用于计算直燃机能效参数的方法、装置、设备及存储介质 | |
CN114417653A (zh) | 基于不确定性的卫星组件电路板热可靠性分析方法 | |
CN113821975A (zh) | 一种燃料电池性能衰减预测方法及系统 | |
Fiala et al. | Practical approach to multi-objective optimization in ANSYS softwares | |
KR102364390B1 (ko) | 매트랩을 활용한 모델링 자동화 장치 및 방법 | |
CN110942149B (zh) | 一种基于信息变化率及条件互信息的特征变量选择方法 | |
CN116502568B (zh) | 压气机内流特性自动化模拟的方法、装置、设备和介质 | |
EP4068139A1 (en) | Integrating calibrated models with computational physics simulations | |
CN117852315B (zh) | 用于确定计算机辅助工程的初始条件的方法及相关设备 | |
CN116468074A (zh) | 一种基于深度学习的电路设计优化的方法及系统 |
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 |