《Results in Engineering》：Integration of CFD and machine learning for vehicle cabin thermal management using innovative materials
编辑推荐：
摘要：预测汽车座舱内部热舒适度(thermal comfort)对于优化采暖、通风与空调(HVAC)系统的能耗至关重要。本研究采用多种创新隔热材料及结合数据驱动的机器学习(ML)方法与详细的计算流体动力学(CFD)模型，旨在提升HVAC性能并降低其能耗。研究人
摘要：预测汽车座舱内部热舒适度(thermal comfort)对于优化采暖、通风与空调(HVAC)系统的能耗至关重要。本研究采用多种创新隔热材料及结合数据驱动的机器学习(ML)方法与详细的计算流体动力学(CFD)模型，旨在提升HVAC性能并降低其能耗。研究人员基于气候实测数据，系统利用汽车座舱CFD模型在不同边界条件下生成训练数据，并计算了各隔热材料在空调运行期间的能耗。利用CFD仿真数据，采用随机森林(RF)、人工神经网络(ANN)及带随机梯度下降的线性回归(LR-SGD)三种机器学习算法预测驾驶员侧座舱内温度。CFD结果表明，隔热层能有效降低压缩机能耗；相较于汽车隔热最常用的聚氨酯(polyurethane)材料，二氧化硅气凝胶(Aerogel Silica)可使能效提升，在保持同等热舒适度水平下降低逾50%的能耗需求。此外，所提出的基于LR-SGD的代理模型(surrogate model)决定系数(R2)达97.91%，均方根误差(RMSE)为2.24×10?3 ± 2.89×10?3 K，可在瞬态CFD仿真物理精度损失可忽略的前提下实现座舱温度的快速预测。该物理信息融合框架(physics-informed framework)将单次CFD运行耗时从数小时缩短至近瞬时预测，为电动汽车(EV)多场景热优化提供了可扩展的解决方案。
论文解读：基于CFD与机器学习融合的创新材料车辆座舱热管理研究
一、研究背景与意义
电动汽车(Electric Vehicle, EV)推广受续航焦虑(range anxiety)制约，而采暖、通风与空调(Heating, Ventilation, and Air Conditioning, HVAC)系统是除动力总成外最主要的辅助能耗源。传统研究多单独使用计算流体动力学(Computational Fluid Dynamics, CFD)分析气流分布或使用机器学习(Machine Learning, ML)进行纯数据驱动预测，且较少在统一框架下比较先进隔热材料(full-day transient energy quantification)并结合代理模型(surrogate model，指由高精度仿真数据训练、用于快速替代原物理模型计算的低阶数学模型)。目前车用隔热材料对比及其对全天压缩机能耗的影响研究尚不充分。因此，研究人员开展了融合瞬态CFD仿真、多种创新隔热材料（含二氧化硅气凝胶 Aerogel Silica）能耗对比及ML代理模型预测的综合性研究，以量化材料隔热效果并建立快速温度预测工具，相关成果发表于《Results in Engineering》。
二、主要关键技术方法
研究人员以Toyota CH-R车型建立3D模型（CATIA V5），在ANSYS Fluent中构建内外流体域，采用标准k–ε湍流模型及离散坐标(Discrete Ordinates, DO)辐射模型模拟马拉喀什夏季典型日24 h瞬态(transient)日照与环境温度（时间步Δt = 100 s）。对比五种10 mm厚隔热材料（Advanced-high-strength-steel为基体对照、Rigid Polyurethane聚氨酯、Polymer Aerogels聚合物气凝胶、Hybrid Aerogels杂化气凝胶、Aerogel Silica二氧化硅气凝胶、Thinsulate微纤维聚合物毡）覆盖车顶及上 opaque壁面，排除玻璃区域。基于CFD提取逐时座舱温度，按设定目标温度24°C及COP=3计算制冷压缩机的日均能耗。针对最优材料（Aerogel Silica）的CFD输出数据集（864样本，含时间、环境温、风速、太阳辐射），分别构建并评估随机森林(Random Forest, RF)、人工神经网络(Artificial Neural Network, ANN)及带随机梯度下降的线性回归(Linear Regression with Stochastic Gradient Descent, LR-SGD)三种监督学习模型，采用滚动(walk-forward)交叉验证及Wilcoxon检验进行统计比较，并以排列重要性(permutation importance)分析特征贡献度。另进行±10%关键参数（太阳辐照、导热系数、COP）的敏感性分析。
三、研究结果
3.1 CFD Model Simulation with and Without Insulation（有无隔热的CFD模型仿真）
通过ANSYS瞬态仿真对比有无隔热及不同材料下的24 h座舱温升。无隔热时峰值温度达360.79 K（约87.6°C），处于文献报道范围。施加10 mm隔热后，Aerogel Silica组峰值最低（296.05 K），较无隔热降低约64.7 K；Rigid Polyurethane峰值最高（299.52 K），其余材料介于其间。表明高孔隙率低导热系数的Aerogel Silica可有效抑制通过车体围护结构的传导得热，减缓座舱热积聚。
3.2 Results from CFD Simulation（CFD仿真结果——能耗分析）
基于座舱温度曲线及维持24°C所需冷负荷，计算各材料下压缩机全天能耗：Rigid Polyurethane为119.23 MJ，Hybrid Aerogels为87.65 MJ，Polymer Aerogels为83.65 MJ，Thinsulate为74.73 MJ，Aerogel Silica最低为50.25 MJ。Aerogel Silica较常用聚氨酯节能逾57%（降低约58%），较次优Thinsulate再降约32.7%。峰值逐时能耗出现在16:00–23:00，Aerogel Silica峰值低于10 MJ/h，而聚氨酯超21.5 MJ/h。证明选用高性能隔热材料可大幅削减EV驻车暴晒后的初始冷却负荷及全天HVAC能耗。
3.3 Sensitivity Analysis（敏感性分析）
对最优材料（Aerogel Silica，基准能耗50.25 MJ）进行±10%单参数扰动：COP升高/降低10%使日能耗变为45.68 MJ（-9.1%）/55.83 MJ（+11.1%）；太阳辐照±10%使能耗变为55.30 MJ（+10%）/45.23 MJ（-10%）；隔热层导热系数±10%使能耗变为55.28 MJ（+10%）/45.22 MJ（-10%）。模型对关键热工参数呈近似线性响应，验证了仿真框架的物理一致性与鲁棒性。
3.4 Performance Comparison of ML Models（机器学习模型性能比较）
以滚动交叉验证评估三模型：ANN取得最高R2 = 0.988 ± 0.021，RMSE = 3.54×10?3 ± 2.66×10?3 K；LR-SGD取得最低RMSE = 2.24×10?3 ± 2.89×10?3 K，R2 = 0.979 ± 0.036；RF表现较差（R2 = 0.788 ± 0.433，RMSE = 1.18×10?2 K）。Wilcoxon检验显示LR-SGD显著优于RF（p=0.002）和基线（p=0.027），与ANN差异不显著（p=0.193）。LR-SGD因最小预测误差被选为最优代理模型。
3.5 Feature Importance Analysis（特征重要性分析）
基于LR-SGD模型的排列重要性结果显示：太阳辐照(solar radiation)贡献38.80%，时间(time)27.25%，环境温度(ambient temperature)19.26%，风速(wind speed)14.68%。印证太阳辐射是驻车暴晒工况下座舱得热的主控因子，模型捕捉到了符合传热物理机制的特征关系。
四、讨论与结论总结
研究人员指出本研究局限含：仅考虑驻车静止无乘员及无主动HVAC流场、气候数据限于马拉喀什夏季、统一定厚10 mm比对、ML训练于CFD合成数据未实验验证、未纳入预测平均投票数(Predicted Mean Vote, PMV)/预期不满意率百分比(Percentage of Dissatisfied, PPD)热舒适指标、未做气凝胶量产成本与机械性能评估。以上界定了结论适用范围并为后续动态行驶工况、多气候区及乘员热舒适耦合研究指明方向。
结论部分翻译如下：
本研究将ML方法与CFD仿真相结合，针对二氧化硅气凝胶(Aerogel Silica)隔热材料优化汽车座舱气候系统能耗。研究人员首先利用ANSYS Fluent评估五种先进创新隔热材料作用下的座舱热负荷，筛选出热工性能最优者，并用MATLAB估算压缩机能耗。随后基于最优材料CFD数据，以时间、风速、太阳辐照及环境温度为输入，构建ANN、RF及LR-SGD模型预测座舱温度。结果表明：(1) 所考察夏季驻车条件下，Aerogel Silica显著降低压缩机能耗需求，表明其改善热工效率；(2) Aerogel Silica日需冷能50.25 MJ（维持24°C舒适温度），次优Thinsulate需多24 MJ（约多占50%），最差Rigid Polyurethane需119.23 MJ（超Aerogel Silica两倍以上）；(3) 经误差指标比较，优化后LR-SGD模型表现最佳，R2 = 97.91%，RMSE = 2.24×10-3± 2.89×10-3K，MAE = 1.56×10-3± 1.98×10-3K，可用于夏季气候下座舱舒适温度预测；(4) Wilcoxon符号秩检验确认LR-SGD预测误差最低；(5) 特征重要性分析显示太阳辐照为座舱温升主导因子，其次为时间及环境温度，风速影响较小。所提CFD–ML框架为评价EV座舱热行为及指导高能效热管理策略设计提供了稳健且计算高效的途径，减少了耗时的全阶仿真与昂贵实验测试需求。
