基于组合控制射流的车模气动减阻及机理研究

There has been recently a renewed interest in finding new techniques to reduce the aerodynamic drag and hence fuel consumption of cars. The Ahmed model is perhaps the most widely studied simplified car model. In our recent successful campaign aiming to control actively the drag of an Ahmed model with its wake corresponding to the high-drag flow regime, a significant drag reduction up to 29% was achieved. Nevertheless, for the other important flow regime, i.e. low-drag regime, so far there have been only a few studies reported on the drag reduction, and the obtained maximum reduction in drag was rather limited, only about 6%. This project aims to address this issue and develop experimentally a drag reduction technique based on combined actuations for a low-drag Ahmed model, with a goal of approaching the drag reduction target of 30% set by the European automotive industry. Three specific tasks are proposed. (1) Investigate different actuation strategies, i.e. producing steady or unsteady actuation at each edge of the model rear end, and determine the effect of jet angle, momentum coefficient and frequency on drag reduction. (2) Construct a drag reduction scheme based on combined actuations, and develop a linear genetic programming approach to explore the best combination strategy and find out to what extend the control can improve the drag reduction performance. (3) Investigate how the wake structures are altered under control in order to understand thoroughly the flow physics and drag reduction mechanisms.

汽车空气动力学减阻技术对汽车节能减排具有重要意义，因而受到广泛关注。Ahmed模型是国内外在汽车气动减阻研究中使用最为广泛的车模之一。我们在前期工作中对其高阻流态已取得突破性减阻效果(气动减阻达29%)。然而对其另一种重要尾流形态(即低阻流态)的气动减阻，文献中报道较少，所获得的减阻效果也十分有限，最大减阻仅6%左右。因此，本项目拟进一步对更贴近工程实际的低阻流态研发一种新的基于组合控制射流的减阻技术，以期接近或达到欧洲汽车工业设定的30%气动减阻目标。本项目拟开展如下实验研究：(1)对布置在车模尾部各边缘的单独射流激励，建立其射流角度、动量系数、频率等参数与减阻效果的关系；(2)构建组合激励系统，发展基于线性遗传编程的机器学习方法对组合激励的控制参数进行寻优，以获得最大减阻效果；(3)测量控制前、后的尾流结构、尾部压强和气动阻力，深入分析控制对尾流结构发展演变的作用机制，揭示减阻机理。

低阻流态尾流常见于多种乘用车车型，但文献对低阻流态的气动减阻报道很少，前人通过实验所取得的最大减阻仅4%。大部分研究局限于在局部对某一单独尾流结构进行控制，忽略了不同尾流结构间的耦合关系。鉴于此，本项目针对低阻流态，选取经典Ahmed汽车模型，深入研究了基于组合射流激励的气动减阻技术与机理。项目工作主要分为三部分。(1)深入研究了低阻流态绕流结构特性，提出了全面的绕流结构模型。基于对流场的深入理解，实验在车模尾斜面与垂直后背面各边缘处布置相互独立的定常或脉冲射流激励，并系统研究了各射流激励的角度、强度、频率、占空比等控制参数对减阻的影响，获得了各射流激励的最佳参数，取得1%-9%的减阻率。(2)通过选取各射流激励的最佳角度，构建了组合定常或脉冲射流激励。成功搭建了机器学习车模气动减阻控制实验平台，并发展了多种机器学习寻优算法，包括蚁群寻优、探索性梯度、加权采样梯度寻优等算法，对组合激励的众多控制参数进行全局寻优，获得了最优组合激励控制策略，取得了突破性的21%气动减阻效果，远超文献中实验获得的最大4%减阻率。此外，发现若牺牲少量减阻效果，可大幅降低射流强度，进而减小控制能量输入。实验获得最大控制效率高达52.1，实现了显著的净节能。(3)通过PIV、热线风速仪、压强扫描阀等流场测量技术，揭示了组合激励的减阻机理。在最大减阻时，尾斜面两侧的一对C-柱状涡显著增强，诱导了斜面上的附着流动，其与斜面下边缘处的射流相作用，产生滞止流动，提升斜面压强达72%。同时，由于垂直后背面两侧的射流激励，分离剪切层向内偏转，形成船尾效应，提高了垂直后背面压强。而在最大控制效率时，尾流上、下两个回流区沿流向增长，使其涡心远离尾斜面与垂直后背面，从而提高尾部表面压强。项目研究成果已发表高水平SCI期刊论文4篇。本项目研究工作对未来发展高效的汽车气动减阻技术及其工程应用具有重要的科学意义。