基于降阶模型驱动高性能赛车设计优化

法拉利依托设计优化提升F1动力单元效率

法拉利车队（Scuderia Ferrari）动力单元技术总监Enrico Gualtieri阐述了这样一种理念：快速适应变化的能力、以整体视角应对复杂性、再加上对细节的关注和持续学习，这些正是法拉利F1赛车团队设计优化方法的核心。在此背景下，参数化设计优化技术在优化3D CFD（计算流体力学）进气道与进气仿真（F1起步工况）以及动力单元能量流方面，起着至关重要的作用。

这种集成方式使法拉利的工程师能够在制造任何物理样机之前，以数字方式测试数千种仿真变体，从而减少了时间和材料成本。

 

法拉利车队动力单元技术总监Enrico Gualtieri谈如何运用设计优化技术提升F1动力单元效率。

达拉拉借助降阶模型加速流固耦合分析

达拉拉是专注于高性能赛车设计、开发与制造的顶级公司之一。达拉拉CFD方法论主管工程师Mattia Murari解释了空气动力学部门为何要创建一个自动化仿真流程，以克服与流固耦合（FSI）相关的典型多物理场问题。如此一来，气动载荷与结构变形之间的相互作用就能被捕捉到，从而在开发阶段加深对两者关系的理解，并满足赛车的特定性能要求：

• 轻量化结构与安全性的平衡。

• 真实变形几何体上的气动性能。

• 符合赛事规则。

• 成本最小化。

 

达拉拉CFD方法论主管工程师Mattia Murari谈将modeFRONTIER及其ROM能力融入FSI分析流程的优势。

管理赛车开发中的FSI复杂性

如今，FSI仿真对于准确而全面地预测赛车性能已是不可或缺。然而，当面对完整赛车几何外形的复杂性时，计算流体力学（CFD）与结构有限元法（FEM）工作流的经典直接耦合方式可能极其耗时。在此背景下，如何减少与FSI仿真相关的时间和计算成本？达拉拉空气动力学团队正在探索用降阶模型（ROM）替代昂贵的CFD仿真，ROM能够快速预测变形几何体上的压力分布。这一决策促使他们采用了modeFRONTIER，利用其AI数据驱动建模技术来构建ROM。通过一个使用达拉拉Open Wheels赛车完整前翼几何体的概念验证应用，这一新方法已成功得到验证。

 

用modeFRONTIER的AI数据驱动建模技术替代昂贵的CFD仿真以构建ROM

非侵入式降阶模型的开发始于高保真仿真数据的生成，这些数据被用作训练数据集。在该项目中，共完成了30个完整的流固耦合循环，每个循环的前翼材料属性各不相同。具体来说，有限元模型通过改变三个关键部件的结构刚度进行参数化：主翼面、襟翼和连接板。流固耦合通过分区双向方法实现，即流体域和结构域分别求解，但通过迭代交换数据来保证物理一致性。

这种方法需要一个自动化仿真工作流，能够管理流体与结构求解器之间的迭代循环，并在每个步骤中从各域收集所需数据。modeFRONTIER促进了这种自动化的实现，使得所涉及的各种仿真工具能够无缝集成。这些工具涵盖结构分析、网格变形和计算流体力学。该系统的灵活性使其能够轻松处理FSI循环中的文件交换和结果追踪。

在modeFRONTIER中集成FSI循环

图1所示的modeFRONTIER工作流高亮展示了FSI循环的各个阶段是如何集成在一起的。

该迭代过程遵循以下主要步骤：

1. 结构仿真 —— 将从未变形机翼的初步CFD分析中得出的压力载荷施加到结构上。

2. 网格变形 —— 将得到的变形场作为输入，更新前翼表面网格以反映结构挠度。

3. 流体动力学仿真 —— 将变形后的CFD网格输入到新的仿真中，计算更新后的压力分布。

4. 迭代 —— 将更新后的压力场和变形的FEM网格传递到下一个结构循环中。

5. 收敛检查 —— 重复此过程，直至气动结果与结构结果之间达到收敛。

 

图1：用于FSI流程自动化的modeFRONTIER工作流

modeFRONTIER用于ROM训练与预测

为了构建一个能够根据变形几何体预测压力场的ROM，需要通过几何编码来描述每个变形场特征。

数据集中的解（由每个前翼设计的位移场组成）被重新排列成一个矩阵，该矩阵可以通过本征正交分解（POD）表示为主成分系数与模态的线性组合。这些模态根据其能量贡献进行排序，前几个模态便捕获了数据集中的大部分方差。

通过截断基并仅保留最重要的模态，我们得到一个紧凑但仍能有效代表变形特征的表征。由此产生的POD系数便作为编码参数，这对ROM训练阶段至关重要。

这一编码步骤在modeFRONTIER内部使用ROM编码连接器完成（如图2所示）。压力场以及从编码过程中导出的参数，构成了训练降阶模型的基础数据集。

ROM训练与验证工作流：

1、对压力场应用POD，以近似高维压力数据并将其降为若干个主模态。

2、将压力POD系数解释为先前从几何变形中导出的编码参数的函数。

3、训练一个回归模型，以预测未见过的机翼几何形状的压力POD系数。常用技术包括径向基函数、高斯过程和神经网络。

4、将压力场重构为压力POD模态的线性组合，并以预测出的系数为权重。

5、使用ROM训练连接器在modeFRONTIER中实现并验证模型。数据集被分为训练集和验证集，通过比较预测压力场与原始仿真结果来评估模型精度。

 

图2：用于ROM训练的modeFRONTIER工作流

部署与验证ROM预测

一旦ROM质量被认定合格，就可以使用预测连接器（pPredict）来高效地估计新机翼构型的压力场。该连接器可以集成到原始工作流中，取代计算量密集的CFD仿真。

 

图3：用于ROM预测的modeFRONTIER工作流

我们创建一个新的机翼材料属性组合来测试ROM与FEM的耦合。图4显示了循环前两次迭代的预测压力场，从中可以看到，由CFD模型计算出的压力分布与由ROM预测出的压力分布之间吻合良好。

 

图4：由CFD模型计算出的压力分布与由ROM预测出的压力分布

本案例研究证明了在流固耦合循环中用降阶模型替代CFD流程的可行性，并带来了重大收益：

• 计算时间：从在350个计算核心上耗时15分钟的FSI循环，缩短到在单个核心上近乎实时的结果。

• 效率：在保持模型精度的同时显著降低了计算成本。

• 可扩展性：下一个目标是将ROM集成扩展到整个Open Wheels赛车，实现完整的FSI仿真效率。

结论

法拉利和达拉拉的案例研究表明，多学科设计优化（MDO）和降阶模型（ROM）如何加速汽车创新。借助modeFRONTIER，两支团队都简化了仿真工作流，减少了计算时间，并提升了设计精度——证明了自动化和数据驱动方法如何能将复杂的工程问题转化为更快、更明智的决策。

核心要点：

• MDO将多个工程学科联系起来，以做出更好的设计权衡。

• ROM以近乎即时的预测替代了繁重的CFD运行。

• modeFRONTIER实现了仿真与数据交换的自动化。

• 法拉利和达拉拉实现了更快、更高效的工作流。

• 数据驱动模型使工程变得更智能、更具可扩展性。