打开文本图片集

摘 要：为了提升汽车风窗玻璃除霜性能，以某乘用车型为研究对象，建立了除霜系统的三维及数值模拟模型。对原模型进行了稳态和瞬态数值模拟分析，并对风道形状进行了初步优化。在此基础上，选取风道V口角度α1、前格栅角度α2以及侧格栅角度α3作为优化参数，采用径向基神经网络模型进行了近似模型拟合，并采用多岛遗传算法对近似模型进行了寻优求解；对优化方案进行了CFD稳态和瞬态计算，结果表明：优化方案高风速区面积占比从39.26%提升至74.65%，并通过试验测试验证了前挡风玻璃的除霜效率提升明显，优于国标要求，说明利用CFD技术和优化设计方法能够完成除霜性能的改进。

关键词：挡风玻璃除霜；计算流体力学；遗传算法；优化设计

中图分类号：TH311   文献标志码：A

Abstract：In order to improve the defrosting performance of automotive windshields， a three-dimensional and numerical simulation model of the defrosting system was established based on a passenger car model. The steady-state and transient numerical simulation analysis was conducted on the original model， and the shape of the air duct was preliminarily optimized. On this basis， the V-port angle α1 of the air duct， the front grille angle α2， and the side grille angle α3 were selected as optimization parameters， and a radial basis function neural network model was used for approximate model fitting. The multi-island genetic algorithm was used to optimize the approximate model; CFD steady-state and transient calculations were performed on the optimized scheme， and the results showed that the area ratio of the high wind speed zone in the optimized scheme increased from 39.26% to 74.65%， the test results show that the defrosting efficiency of the front windshield has been significantly improved， exceeding the requirements of the national standard， indicating that the use of CFD technology and optimization design methods can improve the defrosting performance.

Key words：Windshield defrosting; Computational fluid dynamics; Genetic algorithm; optimal design

0 引言

随着中国汽车产业的飞速发展，消费者对汽车的舒适性和安全性要求也越来越高。持续在零度以下的低温环境使挡风玻璃形成霜层，模糊驾驶员的视线，产生安全隐患，因此汽车风窗玻璃除霜性能至关重要[1]。

国内外的许多学者对汽车除霜性能改进开展了很多研究。Kharat[2]等人利用数值模拟研究了除霜风道及车辆驾驶室内部空间，讨论了不同影响因素对除霜性能的影响；Arouss和Hassan[3]等人对除霜风道系统进行了仿真和试验，发现除霜风口的设计缺陷导致了出风口气流速度较小，并且提出了相应的改进措施；Anuma[4]等人研究了除霜风道内狭小空间的流态，发现狭缝中最容易产生涡流；代伟峰[5]等某重型卡车的空调除霜性能进行分析，对除霜出风口位置及结构、除霜出风口格栅方向进行优化改进，进一步提升了除霜性能；王凯晨[6]通过稳态计算，分析了风量分配和吹风角度，通过优化改进，提高了除霜风道的性能。但是，基于设计经验结合CFD技术开展结构优化效率较低，急需采取更加高效可靠的优化方法开展设计。

本文主要以一款乘用车型为研究对象，选取除霜风道结构参数为优化参数，采用径向基神经网络模型进行了近似模型拟合，并采用多岛遗传算法对近似模型进行了寻优求解，并进行了试验验证，以此提升除霜性能。

1 数学模型

CFD除霜仿真分析时，通常是先计算稳态除霜分析，当稳态分析结果满足除霜的基本要求后，将稳态结果作为初始流场进行瞬态分析。瞬态分析是以挡风玻璃和霜层为分析对象，通过分析不同时刻能量的变化，用来判断霜层是否能够融化。

2 几何模型和数值模拟设置

2.1 几何模型

本文的数值模拟几何模型包括除霜风道、前挡玻璃以及侧挡风玻璃等三维结构。除霜风道包含四个除霜出风口，风道内有导风板，如图1所示。

2.2 网格划分

本文运用前处理软件HyperMesh进行建模。挡风玻璃的平均建模尺寸为5mm，风道的平均建模尺寸为3mm，格栅及一些特殊特征的建模尺寸为在0.8mm-1.5mm，保持了数据原有的几何特征，保证网格模型跟几何模型的高匹配度，如图2所示。

2.3 湍流模型及边界条件

空气为不可压缩气体，常密度，湍流模型为 Realizable k-ε 模型。稳态分析求解方法采用的是压力-速度耦合求解方法的Simple算法，离散格式采用默认的二阶迎风差分格式。除霜风道入口边界条件设置为速度入口，V=10.26m/s，乘员舱出口为压力出口，乘员舱、仪表板等为绝热壁面边界，玻璃外层设置为对流换热。

3 原模型模拟计算

图3为原模型的稳态计算，得到的前风窗玻璃的近壁面速度分布云图，可以看出，主驾A、副驾A’区域外侧存在大范围低速区。经查看，左右风道入口处存在低压区，阻碍了空气的流通，造成了损失，因此设计方案需要进一步改进。

根据GB11555-2009汽车风窗玻璃除霜性能要求：试验开始后20分钟，前挡风玻璃A及A’区需除去80%从分析结果可以看出除霜效率没有达到国标要求，需要进行进一步优化设计改进。

4 除霜风道优化设计

4.1 除霜风道形状优化设计

首先针对压力损失问题对除霜风道的形状进行初步改进，减小了风道的弯曲程度，风道截面积变化更加平缓，有利于减少损失，如下图4。

4.2 除霜风道角度结构参数优化

影响除霜性能的主要因素是风量及风速，因此在初步改进方案的基础上，选取除霜风道V口角度α1、前格栅角度α2以及侧格栅角度α3作为优化参数。三个影响因素的取值范围如表1所示，取值范围参考了众多汽车除霜风道设计方案以及本车空调结构的空间限制。

一般认为，当风速超过1.5m/s时除霜效果明显，因此将前挡风玻璃上，风速大于1.5m/s区域面积占比作为优化目标，目的是在风量确定的情况下，尽量提高高风速区的覆盖面积，从而提升整体除霜效率。

4.3 样本建立

拉丁超立方设计是一种有限的、随机的、无序的设计方法，用于确定哪些因素对因变量的影响最为显著，该设计的优点是可以探究因素间的交互作用、容易实现[8]，因此采取最优拉丁超立方设计方法建立样本。样本数量由下式决定

其中，n为样本容量，m为变量数量，为提高拟合精度选取样本容量为20。建立的优化样本如表2所示。

4.4 近似模型

径向基神经网络模型的优势是具有很高的拟合精度，可以适用于复杂非线性问题，可以自适应地学习输入-输出映射关系，不需要提前知道输入-输出规律或者方程，可以在非正交的独立变量上进行拟合，并且对缺失的数据比较稳定[9]。选取径向基神经网络模型作为近似模型进行拟合分析。在近似模型中添加样本数据，拟合松弛因子设置为0.02，拟合的最大迭代步数设置为100000步。

将拟合获得的径向基神经网络模型进行了误差分析，结果如图5所示。平均误差为0.056681，均方根误差分别为0.06863，均远低于0.2；R2误差为0.95138，大于0.9，证明所建立的近似模型满足了精度的要求。

4.5 参数寻优

多岛遗传算法（Island Genetic Algorithm）是遗传算法的一种变体，是模拟自然大陆间的基因流动机制，通过将种群分成若干个子种群，每个子群在各自的岛屿上进化，通过“移民”机制把岛屿之间的个体互相交换，从而在全局范围内搜索最优解。

亚群体规模设置为20，岛规模设置为20，代数设置为20，共遗传进化计算8000步。通过优化求解，得出最优方案。

4.6 优化结果分析

角度参数优化的结果如表3所示。结果可以看出，V口角度α1和侧格栅角度α3有所增大，而前格栅角度α2略有减小。

将优化方案分别进行了稳态和瞬态模拟分析。图6为优化方案的速度分布情况，与图3相比，A、A’和B区的高风速范围明显增大，总的占比从39.26%提升至74.65%。

为了验证所采取优化方法的可靠性，测试优化方案的除霜性能，按照GB11555-2009的试验方法，进行了汽车除霜性能的实验测试，如图7所示。将测试结果与仿真结果进行了对比分析，如表4所示。

通过观察不同时间阶段霜层融化情况，实车试验过程中霜层的融化趋势跟瞬态分析结果中不同时间段的霜层融化趋势十分接近。综合评判，本次除霜试验结果满足国标GB11555-2009的除霜要求，说明运用近似模型和遗传算法相结合的优化方法能够有效提升汽车除霜性能。

5 结论

本文以某乘用车除霜系统为研究对象，对除霜风道的形状及角度结构参数进行优化设计。选取了V口角度α1、前格栅角度α2以及侧格栅角度α3作为优化参数，然后采取拉丁超立方取样方法和径向基神经网络模型进行了近似模型拟合，采用多岛遗传算法对近似模型进行了寻优求解，获得了除霜风道及出风口结构参数的优化方案。

相较于原方案，高风速区面积占比从39.26%提升至74.65%； 按照GB11555-2009的试验方法要求，对汽车的除霜过程进行了试验测试并将将测试结果与瞬态模拟的结果进行了对比分析，结果均说明优化方案满足了国标要求，运用近似模型和遗传算法相结合的优化方法能够有效提升汽车除霜性能。

参考文献：

[1] 于亚杰，方舜民，胡建成，湛先好，许华芹.汽车除霜除雾性能提升[J].汽车实用技术，2018（13）：86-87.

[2] Kharat R B， Nandgaonkar M R， Kajale S R. Modeling of In-Cabin Climate and Fogging of Windshield [C]. SAE 2007-01-0767， 2007.

[3] Aroussi A， Hassan A. Vehicle side-window defrosting and demisting process[C].EACC 2003 1st European Auto motive CFD Conference， Bingen， Germany 25-26 June 2003. 2003：155-163

[4] Kanuma T， Inoue Y， Maekawa H. Aeroacoustic noise generated by air flowing through a slit in an HVAC system[J]. SAE Technical Papers， 2019， 01：0891-0899.

[5] 代伟峰， 杨晓萌， 刘晓. 基于STAR-CCM+汽车除霜系统CFD仿真分析与优化[J]. 2022（03）：26-27.

[6] 王凯晨. 基于CFD 的汽车空调除霜性能的预测分析及优化[D]. 长春理工大学，2018.

[7] 仇虎山，张克鹏，赵玉军． 基于star-ccm+ 的某重型车前挡风玻璃除霜分析及优化［J］．专用汽车，2014（9） ： 98-102.

[8] 郑鹏，刘健，宋维，陈妍，左嘉旭，李朝君.拉丁超立方抽样评估方法改进研究[J].核电子学与探测技术，2017，37（07）：734-738.

[9] 刘天宏，范平清.基于径向基神经网络优化汽车除霜性能研究[J].农业装备与车辆工程，2020，58（05）：106-110