基于三维深度学习的汽车气动性能实时预测

摘要

汽车气动布局设计是汽车设计中一个重要环节。通过降低汽车的气动阻力系数，可提高汽车气动性能，这对于燃油车节能减排，电动车提升续航里程具有重要的意义。目前计算汽车气动外形关键参数仍依赖于传统流体力学计算方法，当网格数目和自由度增加时，计算时间将呈指数增长，这无法满足现代汽车快速设计的要求。本文旨在发展一种基于三维深度学习的汽车气动参数实时预测方法，该方法计算简单、不需进行复杂运算、实时性较好。将深度学习与计算流体力学结合，可以解决数值仿真计算时间较慢、效率低的问题。 本文主要工作如下： （1）构建汽车气动仿真数据集。基于XFlow软件，将ShapeNet三维模型数据集中的汽车模型，放入5种不同风速的虚拟风洞中进计算流体力学行数值仿真，并对仿真结果进行分析。构建了标签为汽车气动阻力系数的汽车气动仿真数据集，数据集包含400个气动仿真计算结果。 （2）提出了基于O-CNN的汽车关键气动性能参数实时预测方法。将汽车气动仿真数据集中的三维模型数据存储为三种不同层数的八叉树结构。基于O-CNN神经网络，利用仿真数据集进行训练并得出训练模型。 （3）对神经网络训练模型进行验证和测试。测试结果表明，三种神经网络模型中，5层八叉树结构的神经网络训练效果最好，R-Square决定系数为0.8016，4层八叉树结构的神经网络运行时间最快。基于三维深度学习的方法能够做到汽车气动参数的实时输出，效率远高于传统CFD数值仿真方法。 综上，我们发展了一种基于三维深度学习汽车气动外形参数实时预测方法，可实时输出汽车气动阻力系数。该方法不仅可用于汽车气动外形关键参数预测，也可拓展到其他相关领域，对于快速汽车设计，缩短汽车研发周期具有重要的应用价值。

目录

1 绪论

1.1 研究背景及意义

1.2 国内外研究现状及发展动态

1.2.1 汽车空气动力学研究

1.2.2 深度学习在计算流体力学领域的应用

1.3 本文主要研究内容

2 相关技术简述

2.1 无网格CFD理论基础

2.1.1 介观模型和LBM简介

2.1.2 格子玻尔兹曼方法

2.2 深度学习简介

2.2.1 卷积神经网络

2.2.2 三维深度学习方法介绍

2.3 本章小结

3 汽车气动仿真数据集构建

3.1 XFlow介绍

3.2 汽车模型选取与仿真

3.2.1 汽车CAD模型选取

3.2.2 计算域的确定

3.2.3 仿真参数的设定

3.3 仿真结果分析

3.3.1 速度场分析

3.3.2 压力场分析

3.3.3 气动阻力系数分析

3.4 数据集的制作

3.5 本章小结

4 基于O-CNN的汽车气动参数实时仿真预测

4.1 O-CNN介绍

4.1.1 八叉树结构

4.1.2 八叉树在O-CNN中的应用

4.1.3 O-CNN的输入

4.1.4 O-CNN中的卷积计算

4.2 用于汽车气动参数实时仿真的O-CNN神经网络结构

4.3 算法实践

4.3.1 软硬件平台

4.3.2 数据集

4.3.3 评价指标

4.3.4 测试结果

4.5 本章小结

结论

参考文献

致谢