Strategier för aerodynamisk formoptimering av bakvingen på en generisk tävlingsbil

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: