Strategier för aerodynamisk formoptimering av bakvingen på en generisk tävlingsbil

Examensarbete för kandidatexamen

Please use this identifier to cite or link to this item: https://hdl.handle.net/20.500.12380/256983
Download file(s):
File Description SizeFormat 
256983.pdfFulltext14.16 MBAdobe PDFView/Open
Type: Examensarbete för kandidatexamen
Bachelor Thesis
Title: Strategier för aerodynamisk formoptimering av bakvingen på en generisk tävlingsbil
Authors: Nilsson, Sebastian Eliasson
Helmfrid, Henrik
Hård, Daniel
Högman, Johan
Knutsson, Albin
Rexmo, Max
Abstract: Formoptimering inom fordonsaerodynamik har traditionellt sett skett genom trial and error, eller med hjälp av tester i vindtunnlar. Inom GT3-racing är det viktigt att få så mycket negativ lyftkraft som möjligt utan att öka luftmotståndet för mycket. Med datorers ökade beräkningskapacitet har numeriska simuleringar blivit allt mer vanligt och därför finns det intresse att undersöka hur olika optimeringsmetoder lämpar sig för fordonsaerodynamik. Denna rapport syftar till att utvärdera tre optimeringsmetoder, på den inom forskning väl använda DrivAer-modellen, för att optimera position och attackvinkel på en bakvinge. De optimeringsmetoder som undersökts i projektet är surrogatmodellering, genetiska algoritmer och gradientbaserad formoptimering av adjointa fält. Surrogatmodellen genomfördes med två optimeringsvariabler, höjd och attackvinkel, för att senare i projektet kompletteras med en tredje variabel, vingens position i longitudinellt led. Med ett få antal simuleringar konvergerade höjden och attackvinkel mot optimala värden för att minska luftmotståndskoefficienten, CD, med en bibehållen lyftkoefficient, CL. Resultaten visar att modellen optimerar två variabler snabbt trots en stor lösningsrymd. Den genetiska algoritmen har visat sig vara mycket beräkningstung, då det krävs många generationer för att med säkerhet uppnå ett optimalt resultat. Metoden verkade konvergera mot ett visst värde. Studien är dock för kort för att veta om det var ett globalt minimum. Den genetiska algoritmen faller kort jämfört med surrogatmodellen då utvärderingen av varje individ är för beräkningstung för att göra den genetiska algoritmen effektiv. Den gradientbaserade formoptimeringen med adjointa fält skiljer sig i sitt utförande jämfört med surrogatmodellen och den genetiska algoritmen. Dessa metoder optimerar utifrån variabler medan adjointmetoden istället optimerar genom att förändra geometrin. Adjointmetoden visade sig ha svårt att konvergera för detta fall. Optimering med en stegfunktion fungerade inte, men användandet av en sigmoid funktion var mer lovande. För att utnyttja adjointmetoden effektivt ansågs det vara bra att använda surrogatmodellering eller genetiska algoritmer tillsammans med adjointmetoden. Nyckelord:
Keywords: Transport;Grundläggande vetenskaper;Hållbar utveckling;Strömningsmekanik;Transport;Basic Sciences;Sustainable Development;Fluid mechanics
Issue Date: 2019
Publisher: Chalmers tekniska högskola / Institutionen för mekanik och maritima vetenskaper
Chalmers University of Technology / Department of Mechanics and Maritime Sciences
Series/Report no.: Kandidatarbete - Institutionen för mekanik och maritima vetenskaper : 2019:31
URI: https://hdl.handle.net/20.500.12380/256983
Collection:Examensarbeten för kandidatexamen // Bachelor Theses



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.