面向电动汽车热管理的机舱气流数据驱动替代模型开发与集成

《Fluids》:The Development of a Data-Driven Surrogate Model for Enhancing Electric Vehicle Cabin Airflow Analysis Mirza Popovac, Thomas B?uml, Dominik Dvorak and Dragan ?imi?

【字体: 大 中 小 】 时间:2026年04月27日 来源:Fluids 1.8

编辑推荐:

  为解决电动汽车(EV)系统级能耗模拟中缺乏快速、高精度机舱气流模型的问题,本研究开发了一种基于图神经网络(GNN)的数据驱动替代模型。该模型能够以近实时速度预测机舱内的气流速度与温度分布,捕获了包括喷流、回流和热分层在内的关键流动特征,并成功集成至Modelica/Dymola系统级仿真平台,为HVAC控制优化和整车能量管理提供了高效工具,显著弥补了传统CFD仿真计算成本高昂的不足。

  
提升电动汽车续航里程与驾乘舒适性的“隐形”功臣:揭秘高效气流模拟新利器
在电动汽车日益普及的今天,续航里程和驾乘舒适性始终是消费者关注的核心。与依靠发动机废热取暖的传统燃油车不同,电动汽车的空调(HVAC)系统完全依赖电池供电,是其最大的辅助能耗来源之一,直接影响着车辆的续航能力。为了精确评估HVAC系统的能耗并优化其控制策略,工程师们需要详细了解车内空气的流动(气流)和温度分布,因为这与乘客的体感舒适度息息相关。然而,获取这些细节信息并非易事。目前,业界普遍依赖计算流体力学(CFD)仿真,这种方法虽然精度高,但计算量巨大,往往需要数小时甚至数天才能完成一次模拟,在需要反复迭代的整车系统级仿真、控制器设计或优化循环中,这种耗时几乎是不可接受的。这就像试图用精密但笨重的天文望远镜来观测日常交通——精度过剩,效率不足。那么,有没有一种方法,既能“看清”车内气流的细节,又能“算得快”,满足实时或近实时分析的需求呢?一项发表在流体力学领域期刊《Fluids》上的研究,为我们提供了一种巧妙的解决方案。
由Mirza Popovac, Thomas B?uml, Dominik Dvorak 和 Dragan ?imi? 共同完成的研究,开发并验证了一种数据驱动的替代模型(Surrogate Model),用于高效预测电动汽车座舱内的气流与温度场。这项研究没有发明全新的机器学习算法,而是巧妙地整合了成熟技术,构建了一个从高保真CFD数据生成、到图神经网络模型训练、再到与整车系统仿真平台(Modelica/Dymola)耦合的完整工作流,成功地在精度与效率之间架起了一座桥梁。
研究人员为开展此项研究,主要运用了以下几项关键技术方法:首先,基于开源软件OpenFOAM,对一个简化的电动卡车座舱几何模型进行了132次稳态CFD仿真,生成了覆盖低/高送风强度与加热水平(L-case和H-case)的边界条件组合数据集,作为模型训练的“标准答案”。其次,构建了一个基于图神经网络(GNN)的模型,其核心是一个受U-Net启发的镜像对称“预测-校正”架构,能够直接在非结构化的CFD网格上进行学习和预测,有效保持了空间几何的保真度。再者,该模型在Python/PyTorch环境中实现,采用了结合均方误差(MSE)和物理约束(纳维-斯托克斯方程残差)的混合损失函数进行训练,以提升预测的物理一致性。最后,研究创新地通过服务器-客户端(Server-Client)通信架构,将该替代模型与Modelica/Dymola中的电动汽车系统级模型进行了耦合,实现了在系统仿真中近乎实时地获取舱内气流信息。
模型训练与性能评估
研究首先对用于生成训练数据的CFD设置进行了网格无关性和湍流模型敏感性验证,确保其结果的可靠性。训练数据集被系统地划分为训练集和验证集。模型训练采用了“预测-校正”策略,并评估了数据集大小和引入物理约束(通过加权因子λ调节)对预测精度的影响。结果表明,增加训练数据量和适度引入物理约束均能提升模型性能。训练完成的模型推理速度极快,每个案例仅需约2.1秒,实现了近实时预测。
替代模型预测结果
在预测结果方面,研究从定性和定量两个维度将替代模型与高保真CFD结果进行了全面比较。
  • •
    温度与速度场预测:定性对比显示,无论是高工况(H-case)还是低工况(L-case),替代模型都成功复现了CFD模拟中的主要流动与热特征。例如,模型准确捕捉到了由浮力效应驱动的、在车厢顶部形成的暖空气层(热分层),以及从送风口喷出、流经座椅区域并冲击后墙后回流的主要气流结构(射流与回流)。
  • •
    预测误差分析:定量评估揭示了模型性能的细节。在乘客相关区域,温度预测的局部准确度超过95%,平均体积温度偏差低于4%,表现出色。然而,速度场的预测误差较大,平均相对误差约为17%。研究指出,这种差异源于温度作为被动标量与速度作为流动载体在物理本质上的不同,后者对局部剪切层和湍流混合更为敏感。误差主要集中于射流核心、剪切层和送风口附近等高梯度、强湍流区域,这些区域在数据集中表现为统计异常值(Z值较高)。而在占据车厢大部分体积、对乘客舒适度至关重要的区域,模型预测精度很高。
系统级集成
研究的另一大亮点是成功实现了替代模型与系统级仿真工具的集成。研究人员没有采用可能受版本或许可限制的功能性虚拟样机(FMU)封装方式,而是设计了一个直接的服务器-客户端通信架构。在仿真运行时,Modelica/Dymola客户端将当前的运行条件(如进口速度U_in、温度T_in)发送给作为服务器运行的Python替代模型,模型近乎实时地返回乘客相关区域的空间平均速度(U_av)和温度(T_av),供系统级仿真进行能耗管理与舒适性评估。
研究结论与重要意义
本研究的核心结论是,成功开发并验证了一种针对特定电动汽车座舱几何和运行范围的数据驱动替代模型。该模型能够以极高的计算效率(近实时)复现CFD模拟所揭示的主导气流拓扑和热分层结构,在乘客相关区域的温度预测上具有高精度。尽管在强剪切层等局部湍流区域存在误差,但这对以整体舒适度和能耗趋势评估为目标的系统级应用影响有限。
这项工作的重要意义在于,它切实地弥合了高保真CFD仿真与系统级电动汽车热管理研究之间的鸿沟。通过将替代模型无缝集成到Modelica/Dymola系统仿真中,研究为在整车能量管理循环中直接、高效地考虑舱内气流与乘客舒适度提供了可行的技术路径。这使得在车辆设计阶段进行快速的HVAC控制策略评估与优化成为可能,从而为提升电动汽车的能效和续航里程提供了新的工具。同时,研究也指出了纯数据驱动模型的固有局限,即在缺乏明确物理约束下,对高梯度湍流区域的预测能力受限,这为未来通过引入物理信息损失、混合建模等方向提升模型泛化能力和精度指明了方向。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号