， ， 耀民， ， ，

(山東理工大學(xué)交通與車輛工程學(xué)院， 山東淄博 255049)

引言

旅居房車有現(xiàn)代“大篷車”之美稱，在國(guó)際上已有近百年的發(fā)展歷史，尤其在歐美一些發(fā)達(dá)國(guó)家，房車已成為生活的重要部分[1]。房車作為一種新型旅游交通工具，一經(jīng)出現(xiàn)就吸引了各界目光,滿足現(xiàn)代人旅游過(guò)程中衣食住行的需要。房車內(nèi)部空間結(jié)構(gòu)緊湊復(fù)雜，包含臥室、廚房、衛(wèi)生間和起居室等區(qū)域，頂置空調(diào)作為房車重要組成配件嚴(yán)重影響到乘員的舒適性。

近年來(lái)，隨著計(jì)算流體動(dòng)力學(xué)CFD(Computational Fluid Dynamics)的發(fā)展和計(jì)算機(jī)計(jì)算能力的提升，利用CFD的方法對(duì)乘員艙內(nèi)流場(chǎng)研究已經(jīng)較為成熟。文獻(xiàn)[2-3]分別對(duì)乘員艙內(nèi)流場(chǎng)進(jìn)行了仿真計(jì)算，重點(diǎn)研究了不同送風(fēng)口尺寸，風(fēng)速和風(fēng)口位置下乘員艙內(nèi)氣體流動(dòng)情況。通過(guò)單一變量下對(duì)比速度、溫度云圖的方法初步探究了送風(fēng)參數(shù)的影響，忽略了多目標(biāo)變量下對(duì)送風(fēng)參數(shù)的優(yōu)化設(shè)計(jì)。ZHANG H等[4]對(duì)比分析了無(wú)人、有人兩種工況下乘員艙內(nèi)速度場(chǎng)和溫度場(chǎng)變化情況。林家泉等[5-6]對(duì)飛機(jī)客艙模型進(jìn)行了內(nèi)流場(chǎng)模擬，分析了空調(diào)送風(fēng)速度對(duì)氣流組織的影響，并通過(guò)ADPI和吹風(fēng)感指數(shù)對(duì)飛機(jī)客艙熱舒適性進(jìn)行模擬優(yōu)化。文獻(xiàn)[7-8]通過(guò)Isight和CFD軟件耦合只對(duì)乘員艙送風(fēng)角度進(jìn)行了優(yōu)化分析，分別研究了送風(fēng)角度對(duì)座椅區(qū)域降溫速率和乘員艙熱舒適性的影響，而忽略了對(duì)送風(fēng)溫度和送風(fēng)速度的優(yōu)化設(shè)計(jì)。

目前，針對(duì)房車內(nèi)流場(chǎng)的研究基本屬于空白。隨著生活水平的提高，房車的普及率越來(lái)越高。為了滿足其交通、居住的過(guò)程中良好的熱舒適性，房車空調(diào)送風(fēng)參數(shù)的優(yōu)化顯得極為重要。因此，本研究根據(jù)目前研究情況分析了夏季高溫工況下送風(fēng)溫度、送風(fēng)速度、送風(fēng)角度對(duì)房車內(nèi)流場(chǎng)的影響，并利用Isight平臺(tái)集成Fluent軟件搭建多目標(biāo)優(yōu)化模型，建立集成數(shù)值仿真、近似模型及優(yōu)化算法的仿真優(yōu)化流程，實(shí)現(xiàn)自動(dòng)迭代仿真計(jì)算尋找最佳送風(fēng)參數(shù)。

1 房車內(nèi)流場(chǎng)仿真

1.1 房車模型建立及網(wǎng)格劃分

房車車室長(zhǎng)5400 mm(忽略拖船架及備胎架)，車室寬2500 mm，車室高2400 mm(忽略空調(diào)室外機(jī)高度)，車室內(nèi)部布置尺寸如表1所示。

根據(jù)某拖掛式A型房車圖紙簡(jiǎn)化車門及房車內(nèi)家電設(shè)備等結(jié)構(gòu)，并加入幾何人體模型，在UG10.0中建立三維幾何模型如圖1所示。

內(nèi)流場(chǎng)分析中，網(wǎng)格數(shù)量和質(zhì)量決定了計(jì)算的時(shí)間和精度。本研究采用ICEM 17.0對(duì)房車三維模型進(jìn)行網(wǎng)格劃分，對(duì)進(jìn)風(fēng)口、出風(fēng)口、座椅、床等流體梯度變化大的區(qū)域進(jìn)行網(wǎng)格加密，有利于后續(xù)觀察氣流變化情況。同時(shí)對(duì)人體劃分面網(wǎng)格并采用三層棱柱層網(wǎng)格， 采用Octree方法對(duì)整個(gè)流體區(qū)域劃分四面體非結(jié)構(gòu)化網(wǎng)格。為了降低網(wǎng)格數(shù)量對(duì)內(nèi)流場(chǎng)仿真的影響，分別生成106，175，248，302萬(wàn)個(gè)單元數(shù)量的網(wǎng)格并針對(duì)空氣溫度求解，如圖2所示。通過(guò)分析，網(wǎng)格數(shù)量低于200萬(wàn)會(huì)造成計(jì)算誤差過(guò)大，當(dāng)網(wǎng)格數(shù)量達(dá)到248萬(wàn)后，進(jìn)一步提高網(wǎng)格數(shù)量對(duì)結(jié)果無(wú)明顯影響。因此，在保證計(jì)算精度的條件下為了提高計(jì)算效率，本研究選取248萬(wàn)網(wǎng)格模型對(duì)房車內(nèi)流場(chǎng)進(jìn)行仿真，輸出網(wǎng)格文件fangche.msh，如圖3所示。

表1 房車內(nèi)部家具尺寸

圖1 拖掛式房車三維模型

圖2 網(wǎng)格無(wú)關(guān)性檢查

圖3 房車流體區(qū)域網(wǎng)格劃分模型

1.2 內(nèi)流場(chǎng)仿真物理假設(shè)

為了簡(jiǎn)化房車內(nèi)流場(chǎng)問(wèn)題作如下假設(shè)：

(1) 房車內(nèi)空氣為不可壓縮流體，且符合Boussinesq假設(shè)，即認(rèn)為密度只在動(dòng)量方程的浮力項(xiàng)中隨溫度變化，其他方程的其他項(xiàng)中是常數(shù)[9]；

(2) 房車內(nèi)部流體流動(dòng)為穩(wěn)態(tài)湍流；

(3) 忽略固體壁面之間的熱輻射，房車內(nèi)空氣為透明輻射介質(zhì)；

(4) 房車內(nèi)流場(chǎng)具有高Reynolds屬性，即認(rèn)為內(nèi)部流場(chǎng)的湍流黏性為各向同性；

(5) 不考慮空氣泄漏影響，房車內(nèi)氣密性良好。

1.3 計(jì)算流體動(dòng)力學(xué)控制方程

1) 連續(xù)性方程

divv=0

(1)

2) 動(dòng)量方程

3) 能量方程

4) 湍動(dòng)能K方程

div(ρvT-Γkeffgradk)=G-ρε

(4)

5) 湍流耗散率ε方程

(6)

式中，v—— 平均速度

vi—— 平均速度分量

xi—— 坐標(biāo)分量

ρ—— 空氣密度

T—— 熱力學(xué)溫度

Cp—— 比熱容

k—— 流體傳熱系數(shù)

ST—— 黏性耗散項(xiàng)

μeff—— 湍流有效黏性系數(shù)

Γkeff—— 湍流動(dòng)能有效擴(kuò)散系數(shù)

Γεeff—— 湍動(dòng)能黏性耗散有效擴(kuò)散系數(shù)

C1,C2—— 常數(shù)

1.4 Fluent參數(shù)設(shè)置及邊界條件

本研究通過(guò)計(jì)算流體動(dòng)力學(xué)軟件Fluent對(duì)房車內(nèi)三維不可壓縮紊流流場(chǎng)進(jìn)行數(shù)值模擬。將空調(diào)送風(fēng)溫度288 K，低速檔水平送風(fēng)模式作為流場(chǎng)分析的初始值。模擬地理位置為威海市，位于東八區(qū)，北緯37.10°，東經(jīng)122.25°，采用夏季6月21日13點(diǎn)環(huán)境溫度為313 K的高溫極限工況，車頭方向正東，大氣透過(guò)率0.8。選用RNGk-e湍流模型可以更好的處理高應(yīng)變率和較大流線彎曲程度的流動(dòng)，同時(shí)開(kāi)啟DO太陽(yáng)輻射模型及能量方程。最終利用SIMPLIE算法和壓力-速度耦合求解器進(jìn)行瞬態(tài)計(jì)算，邊界條件如表2所示。

表2 邊界條件

2 優(yōu)化設(shè)計(jì)分析

2.1 Isight平臺(tái)簡(jiǎn)介及軟件集成

Isight是一款通過(guò)軟件協(xié)同驅(qū)動(dòng)產(chǎn)品設(shè)計(jì)優(yōu)化的多學(xué)科優(yōu)化平臺(tái)，它將數(shù)字技術(shù)、推理技術(shù)和設(shè)計(jì)搜索技術(shù)有效的融合，實(shí)現(xiàn)了自動(dòng)化處理，顯著提高了產(chǎn)品質(zhì)量和可靠性。Isight 通過(guò)一種搭積木的方式快速繼承和耦合各種仿真軟件，將所有設(shè)計(jì)流程組織到一個(gè)統(tǒng)一的框架中，自動(dòng)運(yùn)行仿真軟件和重啟設(shè)計(jì)流程，從而消除了傳統(tǒng)設(shè)計(jì)流程中的“瓶頸”，使整個(gè)優(yōu)化設(shè)計(jì)流程實(shí)現(xiàn)全數(shù)字化和全自動(dòng)化[10]。具有集成自動(dòng)化、結(jié)果數(shù)據(jù)綜合分析以及網(wǎng)絡(luò)運(yùn)算三大優(yōu)勢(shì)。

本研究以多學(xué)科設(shè)計(jì)軟件Isight為優(yōu)化平臺(tái)，利用其廣泛的CAD/CAE接口將Fluent仿真軟件集成在Isight平臺(tái)上，通過(guò)圖形界面組成一個(gè)集成的設(shè)計(jì)流程。首先，應(yīng)用Fluent軟件對(duì)房車內(nèi)流場(chǎng)進(jìn)行仿真，利用其腳本錄制功能對(duì)仿真的輸入、輸出過(guò)程錄制腳本文件，并分別命名為solve.jou和output.dat。其次，編寫(xiě)Fluent軟件的批處理文件Fluent.bat以實(shí)現(xiàn)程序驅(qū)動(dòng)。最后，利用Isight平臺(tái)中的Simcode組件對(duì)腳本文件solve.jou和output.dat進(jìn)行參數(shù)解析并定義輸入、輸出參數(shù)，通過(guò)調(diào)用Fluent.bat實(shí)現(xiàn)調(diào)用Fluent軟件自動(dòng)進(jìn)行仿真的功能。Simcode集成原理如圖4所示。

圖4 Simcode集成原理

2.2 近似模型建立

近似模型方法(Approximation Models)是通過(guò)數(shù)學(xué)模型方法逼近一組輸入變量與輸出變量的方法[11]。由于內(nèi)流場(chǎng)仿真需要耗費(fèi)大量的時(shí)間，因此在仿真計(jì)算與優(yōu)化算法之間加入近似模型，采用近似模型代替真實(shí)有限元模型的方法進(jìn)行優(yōu)化求解，利用所建立的近似模型對(duì)響應(yīng)值進(jìn)行預(yù)測(cè)，大大的減少計(jì)算機(jī)高強(qiáng)度仿真計(jì)算的次數(shù)，提高優(yōu)化效率。通過(guò)平滑響應(yīng)函數(shù)，降低“數(shù)值噪聲”，減少困在局部解的機(jī)會(huì)，有利于更快的收斂到全局最優(yōu)點(diǎn)。

本研究選用徑向基函數(shù)(Radial Basis Functions)神經(jīng)網(wǎng)絡(luò)代替高強(qiáng)度有限元仿真建立近似模型。RBF神經(jīng)網(wǎng)絡(luò)在逼近能力、分類能力和學(xué)習(xí)速度等方面都優(yōu)于BP(back propagation)神經(jīng)網(wǎng)絡(luò)，具有訓(xùn)練簡(jiǎn)潔、結(jié)構(gòu)簡(jiǎn)單、收斂速度快、容錯(cuò)能力強(qiáng)等優(yōu)點(diǎn)。

Isight中的神經(jīng)網(wǎng)絡(luò)是具有單隱層的三層前向網(wǎng)絡(luò)如圖5所示。第一層為輸入層，由信號(hào)源節(jié)點(diǎn)構(gòu)成起到傳遞數(shù)據(jù)信息的作用。第二層為隱藏層，隱藏層的節(jié)點(diǎn)數(shù)視所描述問(wèn)題需要而定，隱藏層中神經(jīng)元的徑向基函數(shù)是對(duì)中心點(diǎn)徑向?qū)ΨQ且衰減的非負(fù)線性函數(shù)，主要對(duì)輸入信息進(jìn)行空間映射變換。第三層為輸出層，是對(duì)輸入模式做出的響應(yīng)，輸出層神經(jīng)元的作用函數(shù)為線性函數(shù)，對(duì)隱藏層神經(jīng)元輸出的信息進(jìn)行線性加權(quán)后輸出，作為整個(gè)神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果。

圖5 三層前向神經(jīng)網(wǎng)絡(luò)

近似模型建立需要性能優(yōu)良的樣本數(shù)據(jù)，采用試驗(yàn)設(shè)計(jì)DOE方法能夠以較小的樣本規(guī)模獲取盡可能多的性能[11]。因此在Isight平臺(tái)中通過(guò)試驗(yàn)設(shè)計(jì)模塊選用最優(yōu)拉丁超立方設(shè)計(jì)方法設(shè)計(jì)樣本點(diǎn)，并通過(guò)Simcode組件調(diào)用Fluent軟件實(shí)現(xiàn)樣本采集。最優(yōu)拉丁超立方設(shè)計(jì)方法可以使所有的采樣點(diǎn)盡量均勻的分布在設(shè)計(jì)空間，具有非常好的均衡性和空間填充性，有效避免了丟失設(shè)計(jì)區(qū)域。試驗(yàn)設(shè)計(jì)共采集50組樣本點(diǎn)，通過(guò)RBF方法擬合樣本數(shù)據(jù)，構(gòu)建近似模型。通過(guò)平均相對(duì)誤差(Average)和可決系數(shù)(R-Squared)來(lái)衡量近似模型的精度進(jìn)行誤差分析，其值達(dá)到可接受水平如表3所示，符合工程要求，擬合度較好，成功建立近似模型。

2.3 多目標(biāo)優(yōu)化數(shù)學(xué)模型及算法選擇

房車空調(diào)送風(fēng)速度、溫度和角度是影響房車內(nèi)流場(chǎng)和人體熱舒適性的主要因素，合理設(shè)計(jì)送風(fēng)參數(shù)至關(guān)重要。由于對(duì)4個(gè)送風(fēng)口分別給定送風(fēng)參數(shù)會(huì)導(dǎo)致變量過(guò)多，生成試驗(yàn)設(shè)計(jì)樣本點(diǎn)太多，不利于后續(xù)的優(yōu)化設(shè)計(jì)。因此對(duì)內(nèi)流場(chǎng)優(yōu)化問(wèn)題進(jìn)行簡(jiǎn)化，選取房車空調(diào)前后2個(gè)送風(fēng)口為第一組定義送風(fēng)速度v1，送風(fēng)角度inlet12，左右送風(fēng)口為第二組定義送風(fēng)速度v2，送風(fēng)角度inlet34，4個(gè)出風(fēng)口采用統(tǒng)一送風(fēng)溫度t。送風(fēng)速度v1和v2取值范圍在3～7 m/s，送風(fēng)角度inlet12和inlet34只在Z方向變化，在笛卡爾坐標(biāo)系中取值范圍在-0.6～0，t取值范圍在283～293 K，隨著送風(fēng)速度、角度、溫度的變化，床及座椅區(qū)域的熱流量Flux 1、Flux 2及平衡溫度Temperature變化較大。根據(jù)文獻(xiàn)[12]，夏季大部分人在有效溫度為 296.9～299.7 K感到舒適，當(dāng)超過(guò)301 K就會(huì)感到比較悶熱。因此設(shè)計(jì)最佳平衡溫度298 K為首要優(yōu)化目標(biāo)，熱流量作為次要優(yōu)化目標(biāo)，熱流量越高散熱效果越好。房車內(nèi)流場(chǎng)仿真優(yōu)化轉(zhuǎn)化為一個(gè)5變量3目標(biāo)的多目標(biāo)優(yōu)化設(shè)計(jì)問(wèn)題。優(yōu)化問(wèn)題數(shù)學(xué)模型表示為：

Max Flux1(v1,v2,inlet12,inlet34,t);

Max Flux2(v1,v2,inlet12,inlet34,t);

Temperature=298 K(v1,v2,inlet12,inlet34,t);

s.t. 3 m/s≤v1≤7 m/s, 3 m/s≤v2≤7 m/s;

-0.6≤ inlet12 ≤0, -0.6≤ inlet12 ≤0;

283 K≤t≤293 K。

在Isight平臺(tái)中采用NCGA遺傳算法對(duì)上述數(shù)學(xué)模型進(jìn)行求解，NCGA 算法是由最早的 GA算法發(fā)展而來(lái)，比起NSGA-II算法具有更加容易生成多樣性解的傾向。通過(guò)排序后分組交叉的方法實(shí)現(xiàn)“相鄰繁殖”的機(jī)制，即把父種群個(gè)體中具有相似性的放在一起進(jìn)行交叉，增大靠近 Pareto 前沿的解交叉繁殖的概率，加快計(jì)算收斂[13]。

NCGA遺傳算法是在神經(jīng)網(wǎng)絡(luò)近似模型基礎(chǔ)上進(jìn)行多目標(biāo)優(yōu)化，其參數(shù)設(shè)置為：種群規(guī)模500，進(jìn)化代數(shù)20，交叉概率1.0，變異概率0.01。在Isight優(yōu)化平臺(tái)上，通過(guò)所建立的近似模型針對(duì)房車空調(diào)送風(fēng)參數(shù)多目標(biāo)優(yōu)化問(wèn)題自動(dòng)進(jìn)行多次循環(huán)分析。近似模型與CFD仿真優(yōu)化時(shí)間對(duì)比如表4所示，仿真所使用電腦為24核心64GB內(nèi)存工作站。通過(guò)對(duì)比可得通過(guò)DOE試驗(yàn)設(shè)計(jì)建立近似模型優(yōu)化總仿真時(shí)間約為27.4 h，比單純依靠CFD仿真節(jié)約了近10倍的時(shí)間。因此，近似模型方法能夠減少流場(chǎng)仿真次數(shù)，縮短仿真時(shí)間，提高優(yōu)化效率。

3 優(yōu)化結(jié)果分析

3.1 送風(fēng)參數(shù)對(duì)內(nèi)流場(chǎng)影響

空調(diào)送風(fēng)參數(shù)是房車內(nèi)部降溫的主要影響因素。

表4 優(yōu)化時(shí)間對(duì)比

分析送風(fēng)參數(shù)的影響，傳統(tǒng)方法主要通過(guò)對(duì)比幾組不同送風(fēng)參數(shù)下CFD軟件所獲取的溫度場(chǎng)、速度場(chǎng)云圖來(lái)判斷乘員艙內(nèi)部氣流組織情況。盡管依靠CFD方法能夠?qū)Ρ鹊玫剿惋L(fēng)參數(shù)變化規(guī)律，但由于試驗(yàn)設(shè)計(jì)樣本點(diǎn)少，試驗(yàn)因素水平選擇隨意，以及手動(dòng)輸入?yún)?shù)仿真耗時(shí)長(zhǎng)，因此難以設(shè)計(jì)大量樣本點(diǎn)進(jìn)行連續(xù)高強(qiáng)度計(jì)算機(jī)仿真優(yōu)化獲得最佳送風(fēng)參數(shù)，具有很大局限性。因此，本研究對(duì)房車空調(diào)送風(fēng)參數(shù)的優(yōu)化是以CFD仿真為基礎(chǔ)，利用Isight平臺(tái)完成。通過(guò)聯(lián)合仿真優(yōu)化后通過(guò)Isight提供的相關(guān)性圖對(duì)送風(fēng)參數(shù)進(jìn)行相關(guān)性分析，如圖6所示。

圖6 送風(fēng)參數(shù)相關(guān)性

通過(guò)分析，熱流量Flux 1與送風(fēng)速度v1、v2和送風(fēng)方向inlet 12呈正相關(guān)，而與inlet 34、t呈負(fù)相關(guān)，且送風(fēng)速度v1和送風(fēng)溫度影響較大；Flux 2與inlet 12、v1、v2呈正相關(guān)，而與inlet 34、t呈負(fù)相關(guān)，且主要受送風(fēng)溫度和送風(fēng)速度v2的影響。同時(shí)送風(fēng)角度inlet 12和送風(fēng)速度v1也產(chǎn)生較大影響，這可能與房車內(nèi)部空間狹窄，進(jìn)、出風(fēng)口位置及座椅布置位置有關(guān)；平衡溫度T和送風(fēng)溫度呈正相關(guān)，相關(guān)性達(dá)到0.93，是影響房車內(nèi)部平衡溫度的主要因素。平衡溫度大大的影響到房車內(nèi)部舒適性。另外，送風(fēng)速度也產(chǎn)生一定影響，送風(fēng)速度越大溫度越低，而送風(fēng)角度對(duì)平衡溫度的影響很小。

3.2 Pareto最優(yōu)解

在Isight平臺(tái)中，通過(guò)近似模型和遺傳算法優(yōu)化得到Pareto最優(yōu)解集，利用Isight后處理模塊EDM得到5個(gè)設(shè)計(jì)因子與3個(gè)響應(yīng)量對(duì)應(yīng)的解的分布如圖7所示。Design Variables中每組線條代表設(shè)計(jì)因子取值不同組合,而Responses中每組線條則代表求解出的不同的優(yōu)化目標(biāo)值組合即Pareto解。

圖7 設(shè)計(jì)因子與響應(yīng)量對(duì)應(yīng)關(guān)系

由于目標(biāo)函數(shù)間的矛盾性質(zhì)，使每個(gè)目標(biāo)函數(shù)同時(shí)達(dá)到最優(yōu)值的解是不存在的。多目標(biāo)優(yōu)化問(wèn)題的解為Pareto最優(yōu)解的條件是，解的任何一個(gè)目標(biāo)函數(shù)的值在不使其他目標(biāo)函數(shù)值惡化的條件下已不可能進(jìn)一步改進(jìn)[10]。所有的Pareto最優(yōu)解構(gòu)成了Pareto前沿。因此，為了獲得在房車最佳平衡溫度下，床和座椅區(qū)域熱流量盡可能高的最優(yōu)解，通過(guò)分析Pareto最優(yōu)解集并對(duì)各目標(biāo)進(jìn)行折衷處理，選取一組工況使各子目標(biāo)盡可能最優(yōu)作為最優(yōu)折衷解。

4 仿真實(shí)驗(yàn)驗(yàn)證

為了驗(yàn)證近似模型結(jié)合優(yōu)化算法進(jìn)行送風(fēng)參數(shù)多目標(biāo)優(yōu)化的可靠性，本研究將初始送風(fēng)及近似模型優(yōu)化結(jié)果代入Fluent仿真計(jì)算，計(jì)算結(jié)果如表5所示。座椅區(qū)域熱流量Flux2出現(xiàn)最大相對(duì)誤差2.245%，可信度較高。因此，利用近似模型值代替CFD仿真值是可行的。優(yōu)化后座椅和床區(qū)域的熱流量分別提高了26.39%和49.23%，平衡溫度稍有降低，熱流量增大使座椅和床區(qū)域能夠獲得更好的散熱效果，房車內(nèi)部更加舒適，優(yōu)化效果明顯。

表5 優(yōu)化結(jié)果對(duì)比

圖8為優(yōu)化前和優(yōu)化后X=0與Y=2700 mm截面速度云圖，通過(guò)對(duì)比發(fā)現(xiàn)優(yōu)化后送風(fēng)角度和送風(fēng)速度的變化大大的改變了房車內(nèi)部速度場(chǎng)。送風(fēng)速度的增大可以帶來(lái)更大的制冷量，送風(fēng)角度的變化可以改變氣流的流型。優(yōu)化后座椅和床等區(qū)域能夠獲得更好的氣流組織形式，有利于快速降溫，且人體活動(dòng)區(qū)域風(fēng)速基本處于0.5 m/s以下，符合人體舒適性要求。

圖8 典型截面速度場(chǎng)對(duì)比云圖

圖9為優(yōu)化前和優(yōu)化后X=0與Y=2700 mm截面溫度云圖，從圖中可以看出優(yōu)化后座椅和床區(qū)域人體附近的溫度明顯降低，房車內(nèi)部大多區(qū)域溫度處于297～300 K之間，極少區(qū)域溫度高于300 K。這可能是由于房車內(nèi)部結(jié)構(gòu)復(fù)雜，冷風(fēng)很難直接到達(dá)所有空間。優(yōu)化后改善了降溫效果，房車內(nèi)部溫度分布均勻溫度場(chǎng)更加合理，提高了房車內(nèi)部舒適性。

房車靜態(tài)溫度實(shí)驗(yàn)用于驗(yàn)證內(nèi)流場(chǎng)仿真準(zhǔn)確性。實(shí)驗(yàn)條件與數(shù)值模擬中環(huán)境參數(shù)相同，同時(shí)緊閉房車車門與窗戶，在經(jīng)過(guò)1800 s暴曬后，開(kāi)啟頂置空調(diào)，經(jīng)熱敏式風(fēng)速儀測(cè)量調(diào)節(jié)空調(diào)速度和溫度為近似模型優(yōu)化值。當(dāng)空調(diào)降溫300 s后通過(guò)數(shù)據(jù)采集器采集監(jiān)測(cè)點(diǎn)的數(shù)據(jù)，實(shí)驗(yàn)設(shè)備及監(jiān)測(cè)點(diǎn)布置如圖10和圖11所示。

圖9 典型截面溫度場(chǎng)對(duì)比云圖

圖10 實(shí)驗(yàn)測(cè)量設(shè)備

圖11 溫度監(jiān)測(cè)點(diǎn)布置圖

房車內(nèi)部動(dòng)態(tài)降溫及監(jiān)測(cè)點(diǎn)溫度曲線如圖12所示。對(duì)比發(fā)現(xiàn)，空調(diào)制冷階段，受空調(diào)低溫射流影響，房車內(nèi)部溫度急劇降低，仿真值略低于實(shí)驗(yàn)值，但整體降溫趨勢(shì)相同。當(dāng)房車內(nèi)達(dá)到平衡溫度后，除測(cè)點(diǎn)4和測(cè)點(diǎn)7以外，其余測(cè)點(diǎn)仿真與實(shí)驗(yàn)值誤差均在2 K以內(nèi)，測(cè)點(diǎn)4出現(xiàn)最大相對(duì)誤差7.861%，誤差在10%以內(nèi)滿足工程需求[14]。這可能由于室外高溫環(huán)境下房車車身壁面熱傳導(dǎo)及車室空氣泄漏所導(dǎo)致。由此得出，仿真溫度值與實(shí)驗(yàn)值擬合度較高。

圖12 仿真實(shí)驗(yàn)結(jié)果對(duì)比

5 結(jié)論

本研究把Fluent軟件耦合在Isight平臺(tái)上，并將RBF神經(jīng)網(wǎng)絡(luò)近似模型和NCGA遺傳算法相結(jié)合應(yīng)用到房車內(nèi)流場(chǎng)送風(fēng)參數(shù)多目標(biāo)優(yōu)化設(shè)計(jì)中，搭建起從DOE試驗(yàn)設(shè)計(jì)、流體仿真、近似建模到算法優(yōu)化的自動(dòng)仿真尋優(yōu)的過(guò)程。此方法減少高強(qiáng)度仿真次數(shù)，節(jié)約大量計(jì)算時(shí)間，提高了優(yōu)化效率。優(yōu)化后獲得的座椅和床區(qū)域的熱流量提高明顯，達(dá)到了尋找最佳送風(fēng)參數(shù)提高房車夏季降溫效果的目的。