WO2023155414A1 - 一种汽车空气动力学性能智能预测方法 - Google Patents

一种汽车空气动力学性能智能预测方法 Download PDF

Info

Publication number
WO2023155414A1
WO2023155414A1 PCT/CN2022/115981 CN2022115981W WO2023155414A1 WO 2023155414 A1 WO2023155414 A1 WO 2023155414A1 CN 2022115981 W CN2022115981 W CN 2022115981W WO 2023155414 A1 WO2023155414 A1 WO 2023155414A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
aerodynamic performance
automobile
vehicle
aerodynamic
Prior art date
Application number
PCT/CN2022/115981
Other languages
English (en)
French (fr)
Inventor
刘学龙
袁海东
秦青
许翔
王丹
张扬
陈向阳
牟连嵩
王海洋
张艺伦
Original Assignee
中汽研（天津）汽车工程研究院有限公司
中国汽车技术研究中心有限公司
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 中汽研（天津）汽车工程研究院有限公司, 中国汽车技术研究中心有限公司 filed Critical 中汽研（天津）汽车工程研究院有限公司
Publication of WO2023155414A1 publication Critical patent/WO2023155414A1/zh

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
    • 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
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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

Definitions

  • the invention belongs to the technical field of automobile research and development, and in particular relates to an intelligent prediction method for automobile aerodynamic performance.
  • aerodynamic technology is integrated with vehicle styling design to reveal the mechanism and law of the influence of body flow field on vehicle aerodynamics, and to realize the transformation from human-oriented R&D mode to data Driven research and development model to form a systematic digital solution for aerodynamics.
  • the traditional development process of automobile aerodynamic performance is mainly based on manual iteration.
  • the aerodynamic team, the modeling team and the engineering design team coordinate and iteratively design.
  • the design cycle is long and the design cost is high.
  • the optimization process is in the model development process.
  • the middle and later stages there is a lack of early development means and tools, and under the premise of lack of effective data support, there is no method or means that can quickly and efficiently predict aerodynamic performance, which makes development difficult and affects the realization of goals.
  • the development of aerodynamic performance is mainly based on the experience of engineers, and analysis and optimization are carried out based on limited flow field information. It has certain wind tunnel testing capabilities, but lacks flow field information mining and intelligent processing capabilities, and data accumulation is small and slow. , the development capacity is limited, and it is difficult to improve the quality of development projects, which hinders the innovation and expansion of the aerodynamic business.
  • the present invention aims to propose a method for intelligently predicting the aerodynamic performance of automobiles, so as to realize the quantitative evaluation of the impact of automobile structural parameters on aerodynamic performance, which is of great importance for guiding vehicle design and improving the efficiency of aerodynamic performance development. significance.
  • a method for intelligent prediction of automobile aerodynamic performance comprising the following steps:
  • step S2 Building a data system according to the data obtained in step S1;
  • the root mean square error is used to analyze the difference between the predicted results and the measured results, and the vehicle aerodynamic prediction model is calibrated and optimized according to the analysis results, so as to update the vehicle aerodynamic prediction function and realize the vehicle aerodynamic performance prediction .
  • step S1 the parameterized data of the vehicle shape structure is obtained through the automatic recognition algorithm, the simulation data of the vehicle flow field is obtained by the digital wind tunnel method, and the test data of the vehicle flow field is obtained by the aeroacoustic wind tunnel method.
  • step S1 include angle data, height data, and angle data and distance data between parts of the vehicle.
  • Vehicle aerodynamic performance parameters include aerodynamic forces, wind speed around the car, and pressure distribution.
  • step S3 adopts the method of Gaussian regression to fuse the data obtained from the simulation and the test.
  • step S4 is as follows:
  • the known parameters are scaled by adaptive spatial transformation.
  • the intelligent prediction method of automobile aerodynamic performance described in the present invention has a wide range of industry application values in terms of reducing development costs, improving development efficiency and quality, etc. .
  • An intelligent prediction method for automobile aerodynamic performance changes the traditional human-based performance development model into an intelligent development model, and the reuse of models and data and knowledge accumulation will greatly improve aerodynamic performance
  • the development efficiency and quality of the invention have better innovation value.
  • Fig. 1 is the schematic diagram of the automobile aerodynamic performance prediction function described in the embodiment of the present invention.
  • Fig. 2 is a schematic diagram of the parameters of the automobile structure part according to the embodiment of the present invention.
  • FIG. 3 is a second schematic diagram of the structural parameters of the automobile described in the embodiment of the present invention.
  • connection should be understood in a broad sense, for example, it can be a fixed connection or a detachable connection. Connected, or integrally connected; it may be mechanically connected or electrically connected; it may be directly connected or indirectly connected through an intermediary, and it may be the internal communication of two components.
  • connection should be understood in a broad sense, for example, it can be a fixed connection or a detachable connection. Connected, or integrally connected; it may be mechanically connected or electrically connected; it may be directly connected or indirectly connected through an intermediary, and it may be the internal communication of two components.
  • a method for intelligent prediction of automobile aerodynamic performance comprising the following steps:
  • Step 1 Data acquisition and collection, through automatic identification algorithm, digital wind tunnel, aeroacoustic wind tunnel and other technical means to obtain vehicle shape structure parameterization data (x1,x2,...xn), flow field simulation data (pressure ( p1, p2,...pn), speed (v1, v2,...vn), drag coefficient Cd, lift coefficient Cl, lateral force coefficient Cs%), flow field test data (pressure ( p1,p2,...pn), speed (v1,v2,...vn), drag coefficient Cd, lift coefficient Cl, lateral force coefficient Cs%), among them, the automatic identification algorithm can Automatic recognition and measurement of modeling geometric data in different formats, obtaining shape and structure parameters including angle data, height data, angle data and distance data between parts of the car, etc., establishing a digital model of the vehicle and wind tunnel laboratory in the digital wind tunnel, Use computational fluid dynamics algorithm to obtain flow field simulation data around the vehicle, including pressure, velocity and aerodynamic coefficient, etc.; aeroacoustic wind tunnel uses wind tunnel testing technology to obtain flow field test data, including pressure, velocity and aerodynamic coefficient, etc
  • the digital wind tunnel includes a simplified geometric model of the wind tunnel chamber, a model of the road simulation equipment and a model of the vehicle to be tested;
  • Step 2 build a database system by the collected vehicle profile structure parameterized data, flow field simulation data and test data;
  • the database system includes vehicle aerodynamic performance parameters obtained from wind tunnel tests, road tests, and CFD simulations, including aerodynamic forces, wind speed around the vehicle, and pressure distribution.
  • Step 3 adopt the integrated Kalman filter method to filter and denoise the data in the database, extract the feature data strongly correlated with the aerodynamic performance, and perform data analysis and fusion;
  • Data fusion adopts Gaussian regression method to fuse the data obtained from simulation and experiment;
  • Cd is the drag coefficient
  • adaptive space transformation is used to scale the known parameters
  • Step 5 The root mean square error is used to analyze the difference between the predicted results and the measured results, and the vehicle aerodynamic prediction model is calibrated and optimized according to the analysis results, so as to update the vehicle aerodynamic prediction function and realize the vehicle aerodynamic performance predict.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Physics (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)

Abstract

提供了一种汽车空气动力学性能智能预测方法，包括：获取车辆外形结构参数化数据，流场仿真数据、流场试验数据，并搭建数据系统；对数据库中数据进行滤波去噪，提取与气动性能强相关的特征数据，并进行数据分析及融合；实现空气动力学性能参数智能预测；更新汽车空气动力学预测函数，实现汽车空气动力学性能预测。通过搭建汽车研发领域空气动力学数字化开发应用场景，在降低开发成本、提升开发效率和质量等方面具有广泛的行业应用价值。展示了全开发流程中，运用机器学习和数字化的手段，可以为汽车企业提供高效、低成本及高质量的数字化解决方案，具有一定的行业示范效应。

Description

一种汽车空气动力学性能智能预测方法 技术领域
本发明属于汽车研发技术领域，尤其是涉及一种汽车空气动力学性能智能预测方法。
背景技术
双碳目标背景之下，汽车空气动力学开发成为汽车企业迎接节能减排新挑战的重要技术。通过搭建空气动力学目标驱动的数字开发平台，将空气动力学技术与汽车造型设计相融合，揭示车身流场对汽车空气动力学的影响机理和规律，实现从以人为主的研发模式转变为数据驱动的研发模式，形成系统的空气动力学数字化解决方案。
汽车空气动力学性能的传统开发流程以人工迭代为主，在车型设计阶段，由空气动力学团队、造型团队以及工程设计团队相互协调迭代设计，设计周期长、设计成本高，优化过程处于车型开发的中后期，缺少早期开发手段和工具，在缺少有效数据支撑的前提下，没有能够快速高效预测空气动力学性能的方法或手段，导致开发难度高，影响目标实现。
目前空气动力学性能开发以工程师经验为主，基于有限的流场信息进行分析和优化，具备了一定的风洞测试能力，但缺少流场信息的挖掘和智能处理能力，数据积累少，积累慢，开发能力受到限制，开发项目质量提高难度较大，阻碍了空气动力学方向业务的创新与拓展。
随着数字化技术的发展，汽车研发面临重大技术变革，利用机器学习和数字化的手段，实现车辆空气动力学开发，是空气动力学面临的关键共性问题。国内尚没有此类空气动力学数字开发平台，但行业对于空气动力学研发 数字化转型的需求迫切。
发明内容
有鉴于此，本发明旨在提出一种汽车空气动力学性能智能预测方法，以实现定量评价汽车结构参数对空气动力学性能的影响，对于指导车辆设计，提高空气动力学性能开发的效率具有重要意义。
为达到上述目的，本发明的技术方案是这样实现的：
一种汽车空气动力学性能智能预测方法，包括以下步骤：
S1、获取车辆的外形结构参数化数据、流场仿真数据、流场试验数据；
S2、根据步骤S1中获取的数据，搭建数据系统；
S3、采用集成卡尔曼滤波方法对数据库中数据进行滤波去噪，提取与气动性能强相关的特征数据，并进行数据分析及融合；
S4、利用非线性拟合或人工神经网络方法，建立空气动力学性能目标函数与车辆结构参数、流场压力、流场速度各变量之间的函数关系，实现空气动力学性能参数智能预测；
S5、对预测结果和实测结果之间的差异采用均方根误差进行分析，根据分析结果对汽车空气动力学预测模型标定和优化，从而更新汽车空气动力学预测函数，实现汽车空气动力学性能预测。
进一步的，步骤S1中通过自动识别算法获取车辆外形结构参数化数据，数字风洞方法获取车辆流场仿真数据，气动声学风洞方法获取车辆流场试验数据。
进一步的，步骤S1中外形结构参数包括汽车各部件角度数据、高度数据及部件之间角度数据、距离数据。
进一步的，步骤S2中数据库系统通过风洞试验、道路试验、CFD仿真获取的车辆空气动力学性能参数；
车辆空气动力学性能参数包括气动力、汽车周围的风速、压力分布。
进一步的，步骤S3中数据融合采用高斯回归的方法，对仿真及试验获得的数据进行融合。
进一步的，步骤S4中函数关系公式如下：
Cd＝k*f(X n,P n,V n),其中，C d为风阻系数；Xn＝(x 1,x 2,...x n)为汽车造型几何结构化参数；P＝(p 1,p 2,...p n)为流场内压力；V＝(v 1,v 2,...v n)为流场内速度。
进一步的，步骤S4空气动力学性能参数智能预测过程中，采用自适应空间变换对已知参数进行标度。
相对于现有技术，本发明所述的一种汽车空气动力学性能智能预测方法具有以下优势：
(1)本发明所述的一种汽车空气动力学性能智能预测方法，通过搭建汽车研发领域空气动力学数字化开发应用场景，在降低开发成本、提升开发效率和质量等方面具有广泛的行业应用价值。
(2)本发明所述的一种汽车空气动力学性能智能预测方法，展示了全开发流程中，运用机器学习和数字化的手段，可以为汽车企业提供高效、低成本及高质量的数字化解决方案，具有一定的行业示范效应。
(3)本发明所述的一种汽车空气动力学性能智能预测方法，改变传统的以人为主的性能开发模式转为智能开发模式，模型和数据的重用和知识沉淀将大幅提高空气动力学性能的开发效率和质量，本发明具有较好的创新价值。
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汽车空气动力学性能预测功能示意图；
图2为本发明实施例所述的汽车结构部分参数示意图一；
图3为本发明实施例所述的汽车结构部分参数示意图二。
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。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明 中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
一种汽车空气动力学性能智能预测方法，包括以下步骤：
步骤1：数据获取及收集，通过自动识别算法、数字风洞、气动声学风洞等技术手段分别获得车辆外形结构参数化数据(x1,x2,...xn)，流场仿真数据(压力(p1,p2,...pn)、速度(v1,v2,...vn)、阻力系数Cd、升力系数Cl、侧向力系数Cs......)、流场试验数据(压力(p1,p2,...pn)、速度(v1,v2,...vn)、阻力系数Cd、升力系数Cl、侧向力系数Cs......),其中，自动识别算法可对不同格式的造型几何数据进行自动识别及测量，获得外形结构参数包括汽车各部件角度数据、高度数据及部件之间角度数据、距离数据等，数字风洞中建立车辆及风洞实验室数字化模型，利用计算流体力学算法获得车辆周围流场仿真数据，包括压力、速度及气动力系数等；气动声学风洞利用风洞测试技术获得流场试验数据，包括压力、速度及气动力系数等；
数字风洞包括简化的风洞驻室几何模型、路面模拟设备模型及待测车辆模型；
步骤2:通过收集的车辆外形结构参数化数据、流场仿真数据及试验数据，搭建数据库系统；
数据库系统由风洞试验、道路试验、CFD仿真等获取的车辆空气动力学性能参数，包括气动力、汽车周围的风速、压力分布等。
步骤3:采用集成卡尔曼滤波方法对数据库中数据进行滤波去噪，提取与气动性能强相关的特征数据，并进行数据分析及融合；
数据融合采用高斯回归的方法，对仿真及试验获得的数据进行融合；
步骤4:利用非线性拟合或人工神经网络等方法，建立空气动力学性能 目标函数与车辆结构参数、流场压力、流场速度等变量之间的函数关系，Cd＝k*f(Xn,Pn,Vn),实现空气动力学性能参数智能预测；
其中，Cd为风阻系数；Xn＝(x1,x2,...xn)为汽车造型几何结构化参数；P＝(p1,p2,...pn)为流场内压力；V＝(v1,v2,...vn)为流场内速度；
空气动力学性能参数智能预测过程中，采用自适应空间变换对已知参数进行标度；
步骤5：对预测结果和实测结果之间的差异采用均方根误差进行分析，根据分析结果对汽车空气动力学预测模型标定和优化，从而更新汽车空气动力学预测函数，实现汽车空气动力学性能预测。
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 (7)

  1. 一种汽车空气动力学性能智能预测方法，其特征在于包括以下步骤：
    S1、获取车辆的外形结构参数化数据、流场仿真数据、流场试验数据；
    S2、根据步骤S1中获取的数据，搭建数据系统；
    S3、采用集成卡尔曼滤波方法对数据库中数据进行滤波去噪，提取与气动性能强相关的特征数据，并进行数据分析及融合；
    S4、利用非线性拟合或人工神经网络方法，建立空气动力学性能目标函数与车辆结构参数、流场压力、流场速度各变量之间的函数关系，实现空气动力学性能参数智能预测；
    S5、对预测结果和实测结果之间的差异采用均方根误差进行分析，根据分析结果对汽车空气动力学预测模型标定和优化，从而更新汽车空气动力学预测函数，实现汽车空气动力学性能预测。
  2. 根据权利要求1所述的一种汽车空气动力学性能智能预测方法，其特征在于，步骤S1中通过自动识别算法获取车辆外形结构参数化数据，数字风洞方法获取车辆流场仿真数据，气动声学风洞方法获取车辆流场试验数据。
  3. 根据权利要求1所述的一种汽车空气动力学性能智能预测方法，其特征在于，步骤S1中外形结构参数包括汽车各部件角度数据、高度数据及部件之间角度数据、距离数据。
  4. 根据权利要求1所述的一种汽车空气动力学性能智能预测方法，其特征在于，步骤S2中数据库系统通过风洞试验、道路试验、CFD仿真获取的车辆空气动力学性能参数；
    车辆空气动力学性能参数包括气动力、汽车周围的风速、压力分布。
  5. 根据权利要求1所述的一种汽车空气动力学性能智能预测方法，其特征在于，步骤S3中数据融合采用高斯回归的方法，对仿真及试验获得的数 据进行融合。
  6. 根据权利要求1所述的一种汽车空气动力学性能智能预测方法，其特征在于，步骤S4中函数关系公式如下：
    Cd＝k*f(X n,P n,V n),其中，C d为风阻系数；Xn＝(x 1,x 2,...x n)为汽车造型几何结构化参数；P＝(p 1,p 2,...p n)为流场内压力；V＝(v 1,v 2,...v n)为流场内速度。
  7. 根据权利要求1所述的一种汽车空气动力学性能智能预测方法，其特征在于，步骤S4空气动力学性能参数智能预测过程中，采用自适应空间变换对已知参数进行标度。
PCT/CN2022/115981 2022-02-17 2022-08-30 一种汽车空气动力学性能智能预测方法 WO2023155414A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202210146539.2A CN114547993A (zh) 2022-02-17 2022-02-17 一种汽车空气动力学性能智能预测方法
CN202210146539.2 2022-02-17

Publications (1)

Publication Number Publication Date
WO2023155414A1 true WO2023155414A1 (zh) 2023-08-24

Family

ID=81676456

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2022/115981 WO2023155414A1 (zh) 2022-02-17 2022-08-30 一种汽车空气动力学性能智能预测方法

Country Status (2)

Country Link
CN (1) CN114547993A (zh)
WO (1) WO2023155414A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114547993A (zh) * 2022-02-17 2022-05-27 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 (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108664721A (zh) * 2018-05-03 2018-10-16 中南大学 基于多学科设计的高速列车头部外形协同设计方法
CN109455236A (zh) * 2018-10-30 2019-03-12 重庆理工大学 一种汽车尾翼结构及其设计方法
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
CN111597631A (zh) * 2020-05-07 2020-08-28 中汽研汽车检验中心（天津）有限公司 基于自适应代理模型的汽车风阻系数优化方法
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
US20210216688A1 (en) * 2020-01-13 2021-07-15 Microsoft Technology Licensing, Llc Configuring aerodynamic simulation of a virtual object
CN113505440A (zh) * 2021-07-28 2021-10-15 大连理工大学 一种基于三维深度学习的汽车气动性能参数实时预测方法
CN114547993A (zh) * 2022-02-17 2022-05-27 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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108664721A (zh) * 2018-05-03 2018-10-16 中南大学 基于多学科设计的高速列车头部外形协同设计方法
CN109455236A (zh) * 2018-10-30 2019-03-12 重庆理工大学 一种汽车尾翼结构及其设计方法
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
US20210216688A1 (en) * 2020-01-13 2021-07-15 Microsoft Technology Licensing, Llc Configuring aerodynamic simulation of a virtual object
CN111597631A (zh) * 2020-05-07 2020-08-28 中汽研汽车检验中心（天津）有限公司 基于自适应代理模型的汽车风阻系数优化方法
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
CN113505440A (zh) * 2021-07-28 2021-10-15 大连理工大学 一种基于三维深度学习的汽车气动性能参数实时预测方法
CN114547993A (zh) * 2022-02-17 2022-05-27 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

Also Published As

Publication number Publication date
CN114547993A (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
US11535070B2 (en) Method for outer contour structure of tire for reducing tire wind resistance
CN107247830A (zh) 一种汽车悬架k&c特性公差优化方法及系统
WO2023155414A1 (zh) 一种汽车空气动力学性能智能预测方法
WO2021013190A1 (zh) 基于气象参数的高速列车导航盲区定位方法及系统
CN102867097B (zh) 计及静弹性变形影响的光固化快速成型风洞模型设计方法
CN110017929B (zh) 基于子结构灵敏度分析的船撞桥荷载与损伤同步识别方法
CN110321588A (zh) 基于数值模拟的轨道车辆空气阻力计算方法
CN117852184B (zh) 飞行器多环境下空气动力载荷等效预测分析方法及系统
CN111027248A (zh) 一种注射模具局部结构分析模型自动创建方法及系统
CN115435775A (zh) 基于拓展卡尔曼滤波的多传感器融合slam方法
CN114474004B (zh) 一种多因素耦合车载建筑机器人误差补偿规划控制策略
CN115345064A (zh) 一种融入物理约束的集成深度神经网络气动力建模方法
Khalighi et al. Aerodynamic flow around a sport utility vehicle—Computational and experimental investigation
CN103366056A (zh) 基于有限元分析的机械零件圆柱度误差的测量方法
CN113139241B (zh) 一种基于图像的车身结构概念模型自动建模方法
CN106227984B (zh) Bim出入口模型快速拼装的方法及其系统
CN117556521A (zh) 基于数字孪生的高海拔隧道衬砌开裂风险监测方法及系统
CN104915490A (zh) 动车组头型气动反设计方法及装置
CN101950317A (zh) 基于模态分割和遗传算法的飞行器定阶次参数模型辨识方法
CN112560311A (zh) 一种快速自动提取结构信息并对结构进行分析和优化的方法
CN115544746A (zh) 一种多属性目标驱动的铝制副车架优化设计方法及系统
Han et al. Adjoint method for aerodynamic shape improvement
CN112131665A (zh) 一种基于网格分类的火箭流固载荷混合转换方法
Cheng et al. Intelligent Vehicle Inspection Tool Design Based on Freeman Chain Code for Automatic Annotation of 3D Models
CN114330139B (zh) 一种大型机械装备部件的装配过程应力变化预测方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22926720

Country of ref document: EP

Kind code of ref document: A1