![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于GA-BP神经网络的汽车空气阻力系数预测研究.pdf
《基于GA-BP神经网络的汽车空气阻力系数预测研究.pdf》由会员分享,可在线阅读,更多相关《基于GA-BP神经网络的汽车空气阻力系数预测研究.pdf(9页珍藏版)》请在咨信网上搜索。
1、第 13 卷第 5 期2023 年 9 月汽车工程学报Chinese Journal of Automotive EngineeringVol.13No.5Sept.2023基于GA-BP神经网络的汽车空气阻力系数预测研究姜 丰,李 卓,汪怡平(武汉理工大学 现代汽车零部件技术湖北省重点实验室,武汉 430070)摘要:针对整车空气动力性能开发中数值计算耗时长的问题,提出一种基于GA-BP神经网络的汽车空气阻力系数预测方法。将汽车部分特征参数作为输入变量,经外流场仿真得到的空气阻力系数作为输出变量,获取数据集。采用遗传算法对BP神经网络进行参数寻优,最终建立基于遗传算法的BP神经网络模型,验证
2、不同训练集数量对模型预测精度的影响。结果表明,GA-BP神经网络在训练样本较少时也能维持较高的预测精度,可用于汽车空气阻力系数的快速预测。关键词:机器学习;BP神经网络;空气阻力系数;空气动力学中图分类号:U462.2文献标志码:ADOI:10.3969/j.issn.20951469.2023.05.13Prediction of Vehicle Drag Coefficient Based on GA-BP Neural NetworkJIANG Feng,LI Zhuo,WANG Yiping(Hubei Key Laboratory of Advanced Technology for
3、 Automotive Components,Wuhan University of Technology,Wuhan 430070,China)Abstract:In the development of vehicle aerodynamic performance,traditional numerical simulations proved to be time-consuming.Therefore the GA-BP neural network method was proposed to predict the vehicle drag coefficient.Some ty
4、pical characteristic parameters were chosen as the input variables,while the drag coefficient obtained from the external flow field simulation served as the output.The BP neural network parameters were optimized using a genetic algorithm,and the genetic algorithm-BP neural network model(GA-BP)was fi
5、nally established.The effect of varying training set sizes on the prediction accuracy of the model was evaluated.The results show that the GA-BP neural network model has high prediction accuracy even with smaller datasets,and is suitable for predicting the drag coefficient.Keywords:machine learning;
6、BP neural network;drag coefficient;aerodynamics随着一系列能耗政策的出台,续驶里程成为了消费者购车时的重要参考指标,甚至会决定其购买意向。汽车空气动力性能与续驶里程的相关性极强,降低空气阻力系数是提升汽车续驶里程最经济的手段之一。此外,降低空气阻力也是汽车行业实现“双碳”目标的重要途径。收稿日期:20220715改稿日期:20221011基金项目:国家自然科学基金项目(51775395)参考文献引用格式:姜丰,李卓,汪怡平.基于GA-BP神经网络的汽车空气阻力系数预测研究 J.汽车工程学报,2023,13(5):730-738.JIANG Feng
7、,LI Zhuo,WANG Yiping.Prediction of Vehicle Drag Coefficient Based on GA-BP Neural Network J.Chinese Journal of Automotive Engineering,2023,13(5):730-738.(in Chinese)第 5 期姜丰 等:基于GA-BP神经网络的汽车空气阻力系数预测研究在整车空气动力性能开发中,通常采用数值计算确定概念车型的空气阻力系数,通过反复的造型修改和仿真尝试,将空气阻力系数控制在风险范围内,最后进行风洞试验验证。这种开发思路对计算资源要求极高,需耗费大量时间,
8、难以满足当前汽车开发周期短、响应快的需求。因此,在现代工程开发中,急需一种能快速高效获得汽车空气阻力系数的方法。自人工智能及机器学习兴起以来,基于数据驱动的空气动力特性建模在空气阻力系数预测方面得到初步应用。ANDRS-PREZ1重点探讨了利用机器学习技术对数值计算结果进行数据挖掘的可能性,展现了机器学习在空气阻力系数预测上的巨大潜力。目前,利用机器学习实现空气阻力系数预测主要有两种方式:一是基于深度学习,根据输入图形实现风阻预测,如CHEN Hai等 2基于卷积神经网络提出了一种飞机翼型空气动力系数的图形预测方法;二是基于浅层监督学习,根据特征参数实现风阻预测,如 GUNPINAR等3通过提
9、取汽车纵截面二维轮廓特征,建立回归模型进行空气阻力系数预测,ANDRS-PREZ等 4比较了各种回归模型在不同机翼形状空气阻力系数预测方面的效果,机器学习方法能有效减少仿真次数。在项目开发中,应尽可能减少数据集容量,缓解仿真压力,降低计算成本。深度学习模型泛化能力强,能自动提取特征,但对数据量要求过高5,样本数量在1 000个以上,短期内难以实现工程应用。监督学习具有模型结构简洁,计算效率高及建模需求数据量较小等优点,因此,更适用于汽车空气阻力系数预测。在监督学习的主流算法中,极端梯度增强算法、支持向量回归以及BP神经网络等诸多模型均可实现数据挖掘及预测6。其中,BP神经网络作为一种具有代表性
10、的监督学习算法,具有训练速度快、拟合程度高等优点,已被广泛应用。本文拟将BP神经网络应用到汽车空气阻力系数预测中,通过流场仿真获取数据集,利用BP神经网络建立预测模型,并使用遗传算法(GA)对BP神经网络初始权值及阈值进行寻优,最终得到GA-BP神经网络模型。在训练集样本容量较小的条件下,该模型只需输入汽车特征参数即可获得精度较高的空气阻力系数预测值,从而为快速得到汽车空气阻力系数提供了一种新方法。1数据集建立1.1阶梯背式MIRA模型MIRA模型组是由MIRA公司提出的经典汽车模型组,具有普遍代表性。国内外学者已经对各类MIRA模型做过大量研究,试验数据丰富7。阶梯背式 MIRA 模型保留了
11、较多汽车特征造型,其基本结构及总体尺寸如图1所示。1.2外流场计算1.2.1计算域确定计算域尺寸参考中国汽车工程学会发布的乘用车空气动力学仿真技术规范8来确定,如图 2 所示,计算域基本尺寸见表1,其中速度入口与车头距离L1超过3倍车长,压力出口与车尾距离L2超过8倍车长。阶梯背式MIRA模型正投影面积为1.856 m2,满足阻塞比要求。图1阶梯背式MIRA模型图2计算域731汽车工程学报第 13 卷湍流模型选择realizable k-模型,空气设置为恒密度气体。为保证雷诺数满足要求,速度入口风速赋值为110 km/h,出口压力为0。1.2.2网格生成网格生成方式选择切割体网格,并设置棱柱层
12、。为减小网格数量,在速度入口、压力出口及计算域壁面处禁用棱柱层。棱柱层数量为5层即可满足精度要求,其中延伸率为1.2。为提高计算精度,除对车身面网格设置面加密控制外,同时设置4层体加密区,如图3所示。不同加密区的位置、大小及加密网格尺寸见表23。1.2.3仿真结果验证为排除体网格数量差异带来的影响,验证3组不同体网格数量下的仿真结果,并与风洞试验结果对比9,见表4。在体网格数达到1 252万个时,空气阻力系数误差为2.02%,计算精度满足要求。1.3变量选择一般地,发动机盖倾角与汽车头缘高度相关,它和前风窗倾角一起影响整车迎风面气流状态,从而改变正压区分布范围,而后风窗倾角和离去角则会直接影响
13、尾涡到汽车尾部距离10,这些特征参数均会对汽车空气阻力系数产生显著影响。王佳等11的研究结果表明,发动机盖倾角对MIRA模型空气阻力系数的影响最显著,其次是后风窗倾角和离去角,而前风窗倾角影响程度最小。因此,选择前发动机盖倾角、后风窗倾角、离去角作为预测模型输入变量,如图4所示。特征参数的取值会受到各种因素的影响,不能过分脱离工程实际。最终发动机盖倾角、后风窗倾角及离去角的变化范围和梯度,见表5。1.4构建数据集分别对表内3种特征参数组合的64种MIRA模型进行仿真计算,从而建立包含64组不同特征参数和相应空气阻力系数的数据集,按照31的比例随机划分成训练集和测试集,训练集数据见表 6,表1计
14、算域尺寸位置HWL尺寸/m11.530.062.0图3加密域表2加密域位置及大小加密区ABCD位置车前、车侧及车高紧贴车身,车后2.5 m车前及车侧0.5 m,车后6.0 m,车高0.6 m车前及车侧1.0 m,车后10.0 m,车高2.0 m车前及车侧2.0 m,车后18.0 m,车高3.5 m表3加密网格尺寸区域车身面网格加密区A加密区B加密区C加密区D最大网格尺寸/mm8163264128表4仿真结果对照表方案123体网格数/万个1 0581 2521 526仿真值0.2860.2900.290试验值0.296图4特征参数表5特征参数及变化梯度特征参数变化范围/()03505455105
15、510156515732第 5 期姜丰 等:基于GA-BP神经网络的汽车空气阻力系数预测研究测试集数据见表7。将原始数据的输入变量映射至区间-1,1,保证输入数据范围的差别不会对训练时间及效果产生影响。2GA-BP神经网络预测模型2.1传统BP神经网络模型2.1.1BP神经网络BP神经网络即误差逐层反向传播的人工神经网络,能很好地解决非线性数据问题。在神经元数量足够时,甚至能拟合任何函数12。数据集的输入变量有3种,在样本数量较少的情况下,采用单隐含层神经网络即可满足预测精度要求。建立的BP神经网络基本结构如图5所示,由输入层、隐含层及输出层组成,输入层由3个神经元组成,输出层由1个神经元组成
16、,不同神经元之间连接的权值和阈值均不相同。2.1.2隐含层神经元数量选择BP神经网络的隐含层神经元数量对预测精度影响较大,当隐含层神经元数量过少,网络提取数据信息能力较差,而当隐含层神经元数量过多,则会出现“过拟合”13,即预测模型学习并保留了数据的错误信息。首先通过经验公式14确定隐含层神经元个数范围,如式(1)所示。m=n+1+。(1)式中:m为隐含层神经元个数;n为输入层神经元个数;而为1,10区间内的整数。在训练样本相同的条件下,测试不同隐含层神经元个数对神经网络预测精度的影响。为准确评判模型性能,采用EMSE(平均平方误差)、EMAPE(平均绝对百分比误差)和R2(决定系数)3种评价
17、指标,如式(2)(4)所示。EMSE=1ni=1n(yi-y.i)2。(2)EMAPE=1ni=1n|yi-yi.yi。(3)R2=(ni=1n(yiyi)-i=1nyii=1nyi)2 ni=1nyi2-(i=1nyi)2 ni=1ny2i-(i=1nyi)2。(4)式中:EMSE为平均平方误差;EMAPE为平均绝对百分比误差;yi为真实值,而yi为预测值。其中,EMSE和EMAPE越接近0,且R2越接近1,则表明该模型的预测精度越高。详细结果见表8,随着神经元个数增加,预测精度逐渐提高,在神经元个数达到10时,平均平方误差EMSE降为0.6%,继续增加神经元个数可能会导致过拟合,所以隐含层
18、神经元个数选择10。2.1.3预测结果分析传统BP神经网络模型虽能实现汽车空气阻力系数快速预测,但存在以下问题。1)预测鲁棒性较差。一般地,当隐含层神经元数量越多时,神经网络模型预测精度越高。如表8数据所示,在神经元数量分别为6、7、10及11个时,其预测精度呈现为相反的结果。因为除隐含层表6训练集样本数据样本1234748050515654545554501515010空气阻力系数0.3110.3010.3090.3040.285表7测试集样本数据样本1231516501501045553565351055515空气阻力系数0.2960.3020.2800.3010.295图5BP神经网络结
19、构733汽车工程学报第 13 卷神经元数量影响以外,神经网络创建时随机生成的权值及阈值对预测模型的泛化能力亦会产生较大影响,所以这直接导致BP神经网络预测精度的波动。初始权值及阈值的随机性会降低预测模型的鲁棒性,需要寻找并固定最优权值及阈值,以保证模型预测精度稳定。2)泛化能力不足。汽车空气阻力系数的精确程度会直接影响诸如动力经济性设计等其他性能的目标达成,对整车性能达标产生重大影响。因此,预测汽车空气阻力系数时,应尽可能提高模型预测精度。传统BP神经网络的初始权值及阈值为随机生成,泛化能力及预测精度存在提升空间。为解决上述问题,需将智能优化算法运用于BP神经网络的初始权值及阈值寻优。2.2G
20、A-BP神经网络模型2.2.1GA-BP神经网络建立遗传算法(GA算法)源于对自然界遗传和选择机理的模拟研究,具有搜索效率高、不易陷入局部最优解等优点15。GA-BP神经网络搭建流程如图6所示。根据已确定的神经网络拓扑结构,随机产生初始权值及阈值,并编码为基因数据,建立初始种群。将所有个体对应的神经网络预测误差返回,作为适应度函数,计算初始种群的个体适应度。对旧种群进行选择、交叉和变异等操作,获得新一代种群,并计算适应度。在若干代种群更新后,将最优个体的基因数据解码获得权值及阈值,即实现GA算法寻找BP神经网络的最优初始权值和阈值。完成训练后,利用测试集样本验证模型预测精度。初始种群规模设置为
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 GA BP 神经网络 汽车 空气阻力 系数 预测 研究
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。