Czy kiedykolwiek zastanawiałeś się nad tym, jak wykonać proces optymalizacji topologicznej bazującej na obliczeniach CFD? Znudziły Ci się analizy „what if”, które nie przynosiły odpowiednich rezultatów? Dzięki optymalizacji w Ansys optiSLang jest to łatwe, szybkie i skuteczne!
Spis treści
- Opis projektu optymalizacji aerodynamicznej
- Proces optymalizacji – przyjęta metodyka
- Wyniki optymalizacji aerodynamicznej
- Podsumowanie
Opis projektu optymalizacji aerodynamicznej
Przedmiotem optymalizacji było tylne skrzydło bolidu typu Formuła Student o trzech poziomych płatach, z których każdy ma inny rozmiar: duży, średni i mały.
W celu maksymalizacji osiągów aerodynamicznych, dla każdego z profili aerodynamicznych uwzględniono trzy zmienne wejściowe: przemieszczenie każdego z płatów w osi symetrii bolidu (na przód i do tyłu), przemieszczenie każdego z płatów w osi wertykalnej (do góry i na dół) oraz kąt natarcia płatów skrzydła. Zmienne zostały określane przy użyciu narzędzia Blocks w Ansys SpaceClaim (jak na rys. 2).
Na rys. 3 przedstawiono zakres ustawienia parametrów wejściowych oraz wyjściowych w optiSLang. Zmienne wyjściowe optymalizacji to siła docisku aerodynamicznego oraz siła oporu aerodynamicznego. Celem optymalizacji było maksymalizowanie pierwszej zmiennej przy jednoczesnym zachowaniu jak najmniejszej wartości drugiej.
Proces optymalizacji – przyjęta metodyka
Proces optymalizacji został podzielony na kilka etapów, realizowanych w środowisku Ansys Workbench oraz Ansys optiSLang. Najważniejszą rzeczą, bez której optymalizacja nie byłaby możliwa, było użycie natywnego solvera GPU w Ansys Fluent do przyspieszenia symulacji, dzięki czemu można było znacznie skrócić czas na jedną operację. Zamiast ok. 40 minut na jeden przypadek designu, można było zmniejszyć ten czas do niecałych dwóch minut.
Układ workflow w Ansys Workbench został przedstawiony na rys. 4.
- Przygotowanie modelu geometrycznego: Projekt tylnego skrzydła został opracowany w Ansys SpaceClaim. Konstrukcja uwzględniała rzeczywiste warunki geometryczne bolidu oraz ograniczenia narzucone przez regulamin zawodów Formula Student Germany.
- Definicja siatki obliczeniowej: Generacja siatki CFD odbyła się w module Fluent Meshing. Uwzględniono zagęszczenie w obszarach krytycznych dla analizy przepływu, takich jak krawędzie natarcia i spływu płatów skrzydła. Zostały także wykonane dwa obszary lokalnego zagęszczenia siatki (Body of Influence) wokół skrzydła, aby zwiększyć precyzję obliczeń oraz dokładniej oddać charakter przepływu w kluczowych obszarach. Wygenerowane siatki numeryczne typu PolyHexcore miały około 23mln elementów.
- Symulacja przepływu: Obliczenia aerodynamiczne przeprowadzono w Ansys Fluent. Analiza obejmowała turbulentny przepływ powietrza z wykorzystaniem modelu turbulencji k-ω SST przy 250 iteracjach na jedną konfiguracje płatów skrzydła. Ustawiona prędkość odpowiadała rzeczywistym warunkom torowym na prostej na zawodach typu Formuła Student – 22 m/s (ok. 80 km/h).
- Analiza wrażliwości: AMOP (Adaptive Metamodel of Optimal Prognosis, rys. 5) – analiza obejmowała 50 próbnych ustawień lotek tylnego skrzydła. Następnie na ich podstawie można było wykonać końcową optymalizację. Sama analiza wrażliwości automatycznie dobiera najlepszy metamodel, umożliwiając szybkie i dokładne przewidywanie wyników symulacji przy minimalnej liczbie przypadków. Dzięki temu redukuje się czas oraz koszty obliczeń i proces optymalizacji staje się bardziej efektywny. Punkty zostały posiane na podstawie metody Latin Hypercube Sampling (LHS). Metoda ta umożliwia równomierne eksplorowanie przestrzeni parametrów, dzieląc zakres każdej zmiennej na równe przedziały i losowo wybierając punkty, co zapewnia lepsze pokrycie niż klasyczne próbkowanie. Dzięki temu zmniejsza się liczba wymaganych próbek przy wysokiej jakości eksploracji zmiennych. W optymalizacji aerodynamicznej w Ansys Fluent z optiSLang, LHS generuje początkowy zestaw próbek do analizy wrażliwości i metamodelowania. Umożliwia lepsze zrozumienie wpływu parametrów na aerodynamikę, optymalizując kształt przy mniejszej liczbie symulacji CFD.
- Optymalizacja: Optymalizację przeprowadzono z użyciem narzędzia One-Click Optimization w Ansys optiSLang (rys. 6). Na podstawie analizy wrażliwości program zasugerował wybór sieci neuronowej do przeszukiwania przestrzeni projektowej, a następnie obliczył kolejne 500 ustawień płatów, co wygenerowało w sumie 550 różnych ustawień. Przypadki, które nie były możliwe do policzenia ze względu na kolizje sąsiadujących płatów w pewnych zakresach parametrów wejściowych, były automatycznie odrzucane. W procesie obróbki wyników wybrano optymalny przypadek z największą siłą docisku.
Wyniki optymalizacji aerodynamicznej
W wyniku przeprowadzonej optymalizacji uzyskano układ płatów, który zwiększył siłę docisku aerodynamicznego, przy jednoczesnym wzroście siły oporu aerodynamicznego, co było oczekiwane ze względu na zwiększenie kąta natarcia płatów, ponieważ zwiększyła się powierzchnia płaszczyzny przedniej skrzydła. Wyniki potwierdziły skuteczność zastosowania Ansys optiSLang w procesach optymalizacyjnych (patrz: tabela).
Tabela. Porównanie parametrów tylnego skrzydła
Nazwa Parametru | Default Design | Optimized design |
Współczynnik oporu aerodynamicznego (CD) | 1.38 | 1.81 |
Współczynnik siły docisku (CL) | 4.78 | 5.19 |
Siła oporu aerodynamicznego | 114.92 N | 164.91 N |
Siła docisku | 394.66 N | 484.82 N |
Na rysunkach 7-10 pokazano zmiany, które udało się uzyskać dzięki optymalizacji. Każde porównanie jest wykonane dla takiego samego zakresu ciśnień (rys. 8 oraz 9) i prędkości przepływu (rys. 10).
Rys. 7. Porównanie ustawienia płatów skrzydła przed optymalizacją (a) i po niej (b)
Rys. 8. Rozkład ciśnienia statycznego przed optymalizacją (a) i po niej (b)
Rys. 9. Rozkład ciśnienia dynamicznego przed optymalizacją (a) i po niej (b)
Rys. 10. Rozkład ścieżek prędkości powietrza przed optymalizacją (a) i po niej (b)
Podsumowanie
Wykorzystanie Ansys Fluent i optiSLang umożliwiło przeprowadzenie precyzyjnej optymalizacji aerodynamicznej, która przełożyła się na lepsze osiągi na torze. Zastosowanie natywnego solvera GPU we Fluencie potwierdziło efektywność optymalizacji parametrycznej, skracając czas obliczeń nawet dwudziestokrotnie w porównaniu z obliczeniami wykonanymi na procesorze.
Warto zaznaczyć, że narzędzie optiSLang nie ogranicza się jedynie do optymalizacji problemów definiowanych w dedykowanych aplikacjach Ansys. Możliwe jest włączenie do schematu pracy plików pochodzących z oprogramowania spoza portfolio firmy Ansys. Przykłady takich aplikacji obejmują: oprogramowanie do modelowania CAD i geometrii (CATIA, SolidWorks, Siemens NX, PTC Creo, Autodesk Inventor), oprogramowanie do analiz wielofizycznych i CAE (Abaqus, OpenFOAM, COMSOL Multiphysics), narzędzia do skryptowania i programowania (Python, MATLAB, Excel, Jupyter Notebook), analizę danych i post-processing (ModeFrontier, HEEDS, Tableau, Power BI) oraz automatyzację procesów i zarządzanie przepływem pracy (Siemens Teamcenter, Microsoft Power Automate, Apache Airflow). Elastyczność narzędzia umożliwia bezpośrednie przenoszenie danych bez konwersji plików, upraszczając proces optymalizacji.
W przyszłości zaplanowano rozszerzenie analizy o dodatkowe elementy aerodynamiczne oraz uwzględnienie dynamicznych zmian warunków torowych, takich jak symulacje w zakrętach. Takie podejście pozwoli na lepsze dopasowanie projektu do rzeczywistych wymagań oraz osiągnięcie optymalnych parametrów jezdnych.
Autor: Piotr Kociuba, PolSl Racing
Obserwuj nas w mediach społecznościowych i bądź na bieżąco
