《Fluids》:Aerodynamic Analysis and Design of a Sliding Drag Reduction System Using Graph Neural Networks
Shinji Kajiwara and
Cinto Ton
编辑推荐:
为了最大化赛车运动中的竞技表现,平衡高下压力(用于弯道)与低阻力(用于直线速度)至关重要。本文提出了一个集成鸭尾导流板的滑动减阻系统(Drag Reduction System, DRS)的开发与优化,用于学生方程式赛车。为了克服传统基于计算流体动力学(Com
为了最大化赛车运动中的竞技表现,平衡高下压力(用于弯道)与低阻力(用于直线速度)至关重要。本文提出了一个集成鸭尾导流板的滑动减阻系统(Drag Reduction System, DRS)的开发与优化,用于学生方程式赛车。为了克服传统基于计算流体动力学(Computational Fluid Dynamics, CFD)迭代设计的计算成本和时间限制,研究人员开发了一个图神经网络(Graph Neural Network, GNN)代理模型来预测气动系数。与传统模型不同,GNN直接从多元素机翼的几何图结构中学习,能够实现近乎瞬时且高度精确的预测。CFD结果表明,激活DRS可将阻力从82.68 N降低至25.51 N,并将升阻比从1.67提升至2.67。GNN代理模型实现了超过0.99的R2值,表明其与高分辨率模拟相比具有卓越的预测保真度。使用一辆Formula SAE赛车进行的物理赛道测试验证了这些发现,结果显示50米加速性能提升4.6%,最大速度增加5.8%。这项研究确立了基于GNN的代理模型可以显著加速复杂可变气动系统的设计与优化,为赛车应用中的性能提升提供了稳健的框架。
**论文解读:基于图神经网络的滑动减阻系统空气动力学分析与设计**
**研究背景与问题**
在赛车运动中,空气动力学性能对车辆竞争力至关重要。高下压力可提升弯道抓地力,但会增加空气阻力,限制直线速度;低阻力则有利于高速行驶,但会牺牲下压力。传统减阻系统(Drag Reduction System, DRS)通过调整机翼攻角(Angle of Attack, AOA)来平衡两者,但忽略了对多元素机翼间纵向与垂直相对位置的动态优化。此外,鸭尾导流板(ducktail)的引入虽能增强下压力,却导致复杂分离流相互作用,进一步增加了优化难度。高保真CFD模拟和风洞实验虽能提供精确结果,但计算成本高昂、耗时长,成为设计迭代的瓶颈。因此,亟需开发一种能够快速、准确预测气动性能的代理模型,以替代传统方法并加速设计流程。
**研究内容与意义**
本研究针对学生方程式赛车,提出了一种集成鸭尾导流板的滑动DRS机制,并采用图神经网络(Graph Neural Network, GNN)构建代理模型,以预测多元素机翼在不同构型下的气动系数。通过CFD分析确定了DRS的优化参数(纵向位置、垂直位置、攻角),并利用GNN代理模型实现了对CFD结果的高精度逼近(R2>0.99)。物理赛道测试验证了该设计的有效性:50米加速时间缩短4.6%,最大速度从77.0 km/h提升至81.5 km/h。该研究证明了GNN可作为高保真、低延迟的替代工具,显著加速复杂可变气动系统的设计与优化,为赛车空气动力学工程提供了可扩展的解决方案。论文发表在《Fluids》。
**关键技术方法**
研究人员采用以下关键技术:1)基于三维CAD软件(SolidWorks 2022)设计机翼几何,并利用scFLOW v2022进行稳态CFD分析,采用k-ε湍流模型和混合网格策略(约220万单元),通过网格收敛性研究确保计算精度。2)构建全因子设计数据集:改变纵向位置(5水平)、垂直位置(5水平)、攻角(7水平)和速度/雷诺数(6水平),共1050个CFD算例,输出下压力、阻力和气动效率。3)开发GNN代理模型:将机翼几何表示为图结构,节点代表控制点,边代表邻接关系,通过消息传递机制(400隐藏单元)学习气动耦合,从400个随机选中的训练样本中预测升力系数和阻力系数。4)实验室验证:使用全尺寸后翼原型,以电风扇提供10 m/s恒定气流,应变片测量气动载荷,比较CFD与实测值(最大相对误差8.14%)。5)实车测试:在KFR-20学生方程式赛车上安装滑动DRS,测量50米直线加速时间和最大速度。
**研究结果**
**变量后翼概念与设计**
- 概念:后翼通过调整攻角和相对位置,平衡下压力与阻力。下压力(FL)和阻力(FD)分别与升力系数(CL)和阻力系数(CD)相关,计算公式为FL=0.5·CL·ρ·S·v2,FD=0.5·CD·ρ·S·v2。参考面积S定义为“完全关闭DRS构型”下的投影面积,以一致反映几何变化对气动力的影响。
- 翼型选择与布置:上翼采用高升阻比E193翼型,下翼采用薄型BE50(原创)翼型。滑动DRS机制通过线性执行器推动上翼前缘,沿翼端板导轨运动,实现DRS开启(低攻角、前移)和关闭(高攻角、后移)两种状态。鸭尾导流板用于引导气流至后翼下表面。
- 目标值:基于学生方程式赛道最长约60米,假设车速60 km/h时,DRS关闭下压力应超过120 N,DRS开启时下压力降至约80 N,同时实现显著减阻。
**CFD分析**
- 方法:采用混合网格(多面体网格+边界层网格),第一层边界层高度9.5×10?? m,y?≈50,确保壁函数有效性。通过网格敏感性分析确认220万单元网格在精度与计算成本间平衡。
- 确定上翼位置与攻角:系统改变y(纵向)、z(垂直)和AOA(攻角)。结果表明,下压力在AOA=40°时达到峰值,超过该角度则因流动分离而下降;阻力随AOA增大和y减小而增加。最大下压力构型为AOA=40°、z=20 mm;最大减阻效果通过将翼前移(减小y)并降低AOA实现。
- CFD结果:DRS关闭时下压力82.68 N、阻力49.53 N,升阻比1.67;DRS开启时下压力25.51 N、阻力9.57 N,升阻比2.67。DRS开启显著降低阻力,升阻比提升。
**代理模型**
- 数据集设计与获取:全因子设计共1050个算例,覆盖4个参数(x、z、AOA、速度)的离散组合。400个随机样本用于GNN训练,其余用于验证。
- 机器学习模型选择:采用GNN,将翼型几何表示为图结构,节点特征包括垂直/纵向位置、攻角和局部曲率。消息传递机制更新节点特征,输出层预测CD和CL。隐藏层400单元,使用ReLU激活函数。
- 验证与收敛:训练损失(MSE)快速下降并稳定收敛,验证损失与训练损失一致,无过拟合。GNN预测与CFD结果对比:下压力MSE=7.39(误差≤2.7 N),阻力MSE=1.29 N(误差≤1.29 N),R2均超过0.99,表明模型高保真地再现了CFD结果。
**学生方程式赛车实验**
- 实验室验证:使用全尺寸后翼原型,电风扇提供10 m/s气流,应变片测量下压力。DRS关闭时实测下压力14.35 N,CFD预测15.62 N,误差8.14%;DRS开启时实测10.64 N,CFD预测9.95 N,误差6.40%。
- 实车测试:KFR-20赛车以20 km/h起步,测量50米加速时间和最大速度。DRS关闭时加速时间4.56 s,最大速度77.0 km/h;DRS开启时加速时间4.35 s(提升4.6%),最大速度81.5 km/h(提升5.8%)。确认滑动DRS有效提升直线性能。
**讨论与结论**
讨论部分指出,GNN代理模型成功捕捉了多元素机翼的复杂几何耦合关系,实现了高精度预测(R2>0.99)。通过优化,DRS开启后阻力降低约69%,升阻比提升60%。物理实验验证了GNN预测趋势,最大相对误差8.14%,表明基于图的神经网络可用于预测真实气动力。实车测试进一步证明了设计在实际环境中的有效性。
研究结论:本研究成功展示了使用GNN代理模型对滑动DRS进行高保真优化的框架。GNN直接从多元素机翼的几何图结构学习,克服了CFD高计算成本和物理测试复杂性的瓶颈。该模型不仅以高精度逼近CFD结果,还实现了更全面的设计空间探索,得出优化的DRS构型显著提升车辆性能。GNN代理模型为汽车工程中高性能气动组件的快速开发提供了稳健且可扩展的解决方案。未来研究方向包括对GNN与传统代理模型(如多层感知机、多项式回归)进行定量比较,以评估预测精度与计算成本之间的权衡。