西北工业大学邬晓敬教授最新空气动力学学报！

繁星 力学说 2025年12月9日 08:50 河南

前言

在汽车气动外形优化设计中，往往需要大量的高精度CFD数据作为支撑。然而，高精度CFD数据获取难度大、成本高。为了缓解汽车气动优化设计中气动特性评估精度和效率之间的矛盾，根据迁移学习与数据融合的思想，西北工业大学邬晓敬教授团队提出了一种基于多精度深度神经网络（multi-fidelity deep neural network, MFDNN）的汽车外形优化设计方法，以减少优化设计中所需的高精度数据个数，从而有效提升优化速度、降低优化成本。将所发展的优化方法应用于快背式MIRA标准模型减阻优化设计中，优化结果表明，该方法能够充分融合不同精度数据所蕴含的知识，加速气动外形优化进程，提升优化效率。以收敛用时作为评价指标，在取得相近或更优优化结果的前提下，基于多精度神经网络的优化框架的收敛速度是基于单精度神经网络的离线优化框架的5.85倍，是基于单精度神经网络的在线优化框架的2.81倍。

研究成果以“Optimization design method of automobile aerodynamic shape based on Multi-fidelity deep neural network”为题发表于空气动力学学报。

图文速览

图1：基础模型压力云图与湍流动能云图

图2：优化过程中的设计变量

图3：MFDNN示意图

文章小结

本文以改善汽车空气动力学性能为目标，对MIRA模型进行了气动外形优化设计。同时，为解决现有气动外形优化方法中高精度代理模型构建较为困难的问题，发展了一种基于多精度深度神经网络的汽车气动外形优化方法，能够充分利用不同精度数据中所包含的有用信息，有效降低了高精度气动力模型对高精度CFD数据的依赖性，实现了小样本条件下对目标气动特性的精准评估，有效降低了气动力建模成本，提升了优化效率。经MIRA模型验证，在达到相近优化效果的前提下，本文所发展的基于多精度深度神经网络的优化方法的收敛速度是基于单精度深度神经网络优化方法的2.81倍。该方法有效降低了汽车气动外形优化设计中所需的高精度数据点个数，达到了降本增效的目的。但需要注意的是，本文在对MIRA模型进行气动优化时，没有施加约束条件。这种局限性可能会导致优化结果在可行性方面存在不足。此外，本文对于优化变量的选择是基于研究人员对流场的分析而选取的，这种选择存在一定的主观性。未来的研究应进一步探讨如何在优化过程中引入更多约束条件，以及如何更客观地确定优化变量，以提高优化结果的可靠性。