利用神經網絡估算汽車風阻系數

陳文 韋祖武 韋流權

關鍵詞：風阻系數;神經網絡;行駛阻力

0 引言

基于當前全球的環境保護壓力，國家“雙碳”政策的指導，低碳的設計越來越受到企業的重視，低碳產品越來越深入到消費者中間，低碳設計是必然的選擇。在汽車行業中，跟消費者息息相關的“低碳”體現，主要在于實際駕駛車輛時所消耗的能量，當前主要包括燃油、電能等。用于克服汽車行駛阻力而消耗的能量是汽車主要的耗能途徑之一，因此在設計上減少汽車的行駛阻力就是汽車行業的低碳設計手段之一。汽車行駛阻力基本公式為：

由式（1）可知，降低Cd 是降低行駛阻力、節約燃油的有效途徑。文獻指出，當Cd 值由0.42 降低到0.30 時，其混合百公里燃油消耗可降低9%，而150 km/h 等速行駛的油耗則可降低25% 左右[1]。汽車風阻是行駛阻力的重要組成部分，且在高速行駛時影響進一步加大，故可以判斷，汽車風阻系數設計指標合理制定是低碳設計的有效方式之一。

要設計合理的風阻系數目標，在前期需要考慮市場定位、造型定義、造型工藝以及主要對標車指標，綜合考慮制定一個符合開發能力的風阻系數開發目標，這就需要獲取對標車的風阻系數。當前手段下可以通過風洞試驗獲得，但是當對標車較多時，產生較大的試驗費用和較長的試驗周期（物流、試驗資源等）。本文提出一種基于神經網絡算法的快速估算風阻系數的方法，該方法理論上可行且適用于企業，能夠通過現有某幾款SUV 相關數據，估算對標車輛的風阻系數，從而給開發車型作為目標參考。

1 神經網絡算法

神經網絡是指用大量的計算單元（類比為神經元）構成的非線性系統，一定程度上模仿了人腦神經系統的信息處理、存儲和檢索功能，是對人腦神經網絡的某種簡化、抽象和模擬[2]。該算法特點主要是可以根據輸入與輸出的數據，按照其網絡學習規則，通過學習訓練可以解決一些傳統方法難以解決的問題。但如果要保證其計算精度，需要依賴一定的數據量。在企業中，具有豐富的開發經驗和數據累計，故該方法是具備在企業中使用條件的。神經網絡算法計算流程如圖1 所示。

2 網絡計算參數設置

由式（1）可知，要求解風阻系數Cd，主要跟迎風面積A、汽車測試質量m、滾動阻力系數f、行駛阻力F 和加速度阻力等變量有關。本文研究方法中，暫不考慮滾動阻力系數的差異;而且由于實際行駛阻力通過自由滑行法測得，故也不考慮加速阻力。因此采用滑行法得出的基本行駛阻力為：

對照式（1）和式（2），可知系數c 與整車風阻相關性最大。故從理論上行駛阻力與風阻系數是可以建立其關系的。

基于此，在神經網絡中輸入已知的參考車型數據，包括測試質量、滑行法獲取的行駛阻力系數（a、b、c）、迎風面積A 以及風阻系數Cd，已知數據主要用于構建網絡和網絡的學習訓練。再輸入需要估算的車型數據，利用訓練好的網絡求解目標數據。最后構建的計算網絡為5 個輸入和1 個輸出的神經網絡模型（圖2）

設置網絡相關參數為：學習率lr 為0.05，最大迭代次數為2 000，目標誤差為1-6，選用梯度下降動量和自適應lr 的BP 算法訓練函數。

3 利用像素法估算迎風面積

由于只有風阻系數是作為網絡的輸出對象，所求車型的測試質量、滑行阻力系數都可以用簡單的試驗獲得，只是還缺失其迎風面積的參數。但因無法獲取其造型的準確數據，使得采用傳統方式獲取其迎風面積變得困難。采用三坐標掃描測量，需要大量的時間和資源，且在獲得尺寸信息后還需要經過一定的復雜計算才可獲得其迎風面積。

根據汽車迎風面積的定義，即汽車行駛方向的投影面積，故只需要獲得其投影面積即可。為了快速便捷地獲得其迎風面積數據，本文提出一種快速估算迎風面積的方法——像素法（用像素模擬網格計算）。像素法原理為：在圖像處理軟件中，利用正面照片，通過整車公告的寬高尺寸參數，計算總面積S，由其真實尺寸作為換算的比例尺求解像素面積，再根據車型的投影面積占比計算出其迎風面積A（圖3）。

根據開發車型申報的尺寸，假設其高× 寬為m×n，那么其總面積S 為3.3642 m2，總像素P 為234 675，整車投影面積像素p 為193 922，那么根據像素比等于面積比（P/p=A/S），則可估算出該車型迎風面積A 為2.7800 m2。

4 計算結果對比

上述步驟中已經將網絡訓練完成，同時根據試驗和像素法已獲得了目標車型所需的網絡輸入數據，將其帶入模型中，計算得目標車型的風阻系數Cd=0.394。

網絡計算的數值與輸入數值基本重合，說明網絡訓練已滿足設定精度需求（圖4）。

為了驗證估算精度，將像素法和神經網絡估算的迎風面積與風阻系數，與風洞試驗值進行對比。該車型風洞試驗的結果，A為2.7940 m2，Cd 為0.406。利用2 種估算方法預測的誤差分別為0.5% 和3.0%，可見使用該估算方法，可以達到比較理想的精度，對工程上可以提供一定的參考意義。

目標車型的實際滑行阻力與理論阻力對比，根據現有的滑行阻力系數，以及估算的迎風面積和風阻系數，按參考車型的理論阻力計算方式進行對比[3]，分析其阻力的合理性（圖5）。

按照參考車型的理論阻力計算方法，其理論阻力與實測阻力差異較小，在0 ～ 130 km/h 內，平均阻力相差僅為4.7%。

5 結束語

本文介紹了一種利用神經網絡估算汽車風阻系數的方法。該方法通過現有的滑行阻力數據和相關輸入參數，訓練神經網絡程序，然后輸入目標車型實際滑行阻力系數，并采用像素法估算其迎風面積，將相關參數輸入網絡程序，估算出目標車型的風阻系數。該方法經過驗證得出以下結論：采用本文描述方法估算的迎風面積誤差為0.5% ;風阻系數誤差3.0% ;采用理論阻力計算與實際阻力平均誤差為4.7%。通過理論和估算數據，表明了采用本文方法估算目標車型風阻系數，具有一定的參考意義。

此外，隨著數據量的累積，可以獲得更多的輸入數據，以及加入更多的相關輸入參數，其網絡預測結果有望進一步提高。在實際應用中，該方法也可以推廣到更多的領域。