风噪声车辆设计的先进仿真方法
摘 要
随着动力系用系统的电气化,车辆内部的噪声已经达到了非常令人满意的安静水平。动力系统的噪音,过去在内燃机汽车中占主导地位,现在正在让位于其他噪声源:滚动噪声和风噪声。这些噪音是在公路和高速公路上行驶时遇到的,在长途旅行中会产生相当大的疲劳。风噪声是湍流和声压波动在气流中产生的结果。它们通过车辆表面(如窗户、地板和车顶)的振动声激励传递到乘员舱。由于其机械性能,窗户是向乘员舱传递最多噪音的表面。尽管声压在振幅上比湍流压力波动弱得多,但它仍然占了乘员感知到的大部分噪声。这是因为它的波长更接近玻璃振动的特征波长,使其更有效地通过乘员舱玻璃传播。这些现象的精确建模需要CFD(计算流体动力学)和高频振动声学模拟的耦合。除此之外,CFD模拟必须重现声波在车辆周围气流中的产生和传播;Lattice-Boltzmann(格子-玻尔兹曼)方法用于此目的。振动声模拟必须能够实现玻璃上的外部气动声载荷与乘员室噪声传播到乘客耳朵之间的耦合。
01 前 言
汽车的电气化导致客户和用户对电动汽车安静运行的需求增加。机舱内的音,以前主要由内燃机,正在让位给其他噪声源:滚动噪声和风噪声。这些噪声源的特点是在很宽的频率范围内都能听到,被认为是低质量的,是长途高速公路旅行中不舒服和疲劳的来源。对内部噪音水平的估计通常需要进行昂贵的测试,这通常需要使用全尺寸的风洞。
在开发周期更快、成本效益更高的现代背景下,车辆的外部形状以及玻璃性能需要尽早做出决定。因此,为了缩短新产品的开发周期,依靠模拟方法来预测由风噪声源引起的室内噪声水平是非常重要的。对汽车座舱内部风噪声进行预测面临两个主要挑战:外部空气声源的计算和向内部的传播。要准确评估不同的外观设计,需要对驾驶员或乘客耳朵的内部声学响应进行评估。
风噪声源
噪声源产生的气动声学机制是复杂的。它们是由移动车辆表面的空气循环产生的。乘员舱内的噪音是乘员舱面板压力变化的结果,可分为两种类型:
图 1风噪源
- 由与车辆面板直接接触的涡流引起的空气动力或湍流压力。实际上,湍流波动与传播速度接近车辆速度约30m/s ~ 40 m/s的局部流动速度进行了对流。
- 以340米/秒的声速在空气中传播的气流所产生的声源辐射所产生的声压。
这些声源的产生来自两个气动起源的涡流之间或涡流与表面之间的相互作用。这是艾伦·鲍威尔在1964年出版的《涡旋声理论》(theory of vortex sound)中使用的理论。与对流湍流相比,声场通常是内部噪声的主要来源,尽管声场的水平要低得多。
图 2 空气动力学噪声的产生
气动声学现象的模拟需要使用方法来计算到达车辆面板的声波的来源和传播。这些可以通过直接获得包括湍流和声分量的顶压来获得,或者分两个阶段通过识别湍流中的声源然后计算声传播来获得。
乘客舱内的振动声传播
即使它的水平较低,声压是负责大部分的噪音被乘员感知。这是因为它的波长更接近窗户振动的波长特征,这意味着它可以更有效地通过乘员舱的玻璃传播。
为了计算乘员耳朵处的噪声,将CFD(计算流体力学)模拟的顶压结果作为加载引入振动声学模型,该模型可以计算噪声通过玻璃从外部到内部的传输。
确定性数值方法作为有限元或边界元通常用于模拟低频;然而,它们通常不太适合在很宽的频率范围内建模响应,这是风噪声应用所需要的。这部分是由于使用每个波长固定数量的元素来描述短波长的振动所带来的计算费用。然而,这也是因为在更高的频率下,复杂结构的振动响应往往对材料性质和边界条件的微小扰动变得越来越敏感。
SEA描述了耦合子系统之间的功率交换;可以推导出各子系统内能量的输入、传输和耗散的公式。SEA允许在很宽的频率范围内预测复杂系统的“集合平均”响应。SEA在汽车领域风噪声传播中的应用已经有了讨论。
传统的SEA方法在已经被提出,而一种更先进的方法也被提出,该方法使用了包含车辆内部各种散射面的空腔模型,不需要将内部声学空间划分为单独的SEA空腔子系统。该公式可在商业软件wave6中获得,并将在本研究中使用并验证。
风噪声调谐
气动声学噪声谱使用一种称为清晰度指数的心理声学度量来量化,该指标通常用于确定风噪声性能。通过数值模拟的开发,雷诺数字化地对车辆的形状进行微调,以最大限度地减少风的噪音。本文介绍了从CFD模拟到声学模拟再到整车形状优化的各个阶段和方法。
02 CFD气动声学仿真
格子-玻尔兹曼方法与湍流模型
雷诺使用商用求解器Powerflow计算驾驶员侧窗的时间压力波动。该软件的计算代码是基于被称为格子玻尔兹曼方法(LBM)与湍流模型相结合的数值方案
格子-玻尔兹曼方法作为传统计算流体动力学(CFD)的一种替代数值方法,在近30年前被商业化提出。与传统方法基于求解宏观Navier-Stokes(N-S)方程作为偏微分方程不同,LBM从描述粒子分布函数演化的离散“介观”尺度动力学方程开始,其中正确的宏观流体动力学是底层粒子分布演化的结果。动力学描述的使用使得流体建模比在N-S方程中捕获的更简单和更通用。物理更简单,因为它仅限于捕获粒子或粒子集合的动力学行为,而不是试图解决非线性微分方程,这是非常困难的。这种介观描述也更为普遍,因为通过在这个水平上增加粒子之间的相互作用,可以更有效地模拟更复杂的流体物理,适用于更大范围的空间和时间尺度。
对于湍流模型,不可能对高雷诺数流动进行直接模拟,解决所有尺度,因此有必要纳入湍流模型,以考虑未解决的湍流结构。湍流运动尺度有三种基本类型:耗散尺度、惯性尺度和各向异性尺度。湍流的耗散尺度和惯性尺度在本质上是普遍存在的,可以从理论上加以描述。各向异性湍流包含了最大尺度的湍流运动,在本质上并不具有普适性,因此湍流理论不适用于这一尺度。在这个基于LBM的CFD代码中实现的数值格式直接解决了各向异性湍流尺度,并使用湍流理论来模拟只适用于耗散域和惯性域的通用湍流尺度。为了模拟未解析的小尺度湍流波动的影响,对玻尔兹曼方程进行了扩展,将其分子松弛时间尺度替换为有效的湍流松弛时间尺度
Powerflow模型
使用Powerflow进行的计算包括数字风洞的模拟,实验测试的数字表示。这是一个三维计算与湍流模型的外部流动。介质是空气,在标准压力和温度条件下(101325 Pa, 20°C),被认为是完美的气体。风洞入口风速为160 km/h。考虑声速为343 m/s,马赫数为0.133,与实验测量值相对应。所使用的车辆模型包含大约1700万个切面(见图3),因此使用大约2.08亿个体积单元和4500万个表面单元来求解其周围空气的几何形状和体积。
图 3 用于 Powerflow计算的车辆几何结构
关于分辨率区域,它们的形状和大小基于雷诺的经验和求解器的最佳实践。这种建模有助于平衡求解的准确性和计算的效率。在空气体积最外层区域,单元的组织尺寸约为1m,在靠近后视镜和舱柱的分辨率区域(VR11),单元体的组织尺寸变得更细,如图4.a所示。更多的中间分辨率区域(VR10)、(VR9)和(VR8)也如图4所示。B 4c和4d。相邻分辨率区域之间的最小厚度为8个单元体。计算在物理时间为15秒的情况下进行,声学记录从0.5秒开始。压力被记录在驾驶员侧玻璃的一个非常精细的网格上,采样频率为22.86 kHz。
图 4 用于 Poweflow计算的分辨率区域:(a)VR11, (b)VR10, (c)VR9, (d)VR8
在风洞入口(inlet)处设速度边界条件等于车速,即160 km/h,在风洞出口(outlet)处设大气静压条件。在模拟中,前保险杠格栅保持打开状态,以预测发动机舱和车辆周围的流量分布。热交换器的压力损失采用多孔介质和空气阻力模型来模拟。此外,假定风机是静态的,即不旋转。地面被建模为带有摩擦的静态(非偏转),气流与车辆一致(滑移角为0°)轮胎沉入地面被建模为正确的离地间隙。最后,为了减少仿真所需的计算时间,采用了具有对称平面的半车辆模型。
03 纵槽模拟
估计从侧窗到乘客耳朵的噪声传输需要一个振动声学模型。在这个模型中使用的振动声学方法的类型取决于感兴趣的频率范围。对于湍流气流与侧镜接触产生的风噪声,频率范围通常在1khz到8khz之间。侧窗在该频率范围内具有相对较少的结构模态,因此可以使用FEM(Finite Element Method)进行建模。另一方面,车辆内部在该频率范围内具有非常多的模态(>1e6),因此使用FEM或BEM(边界元法)来描述整个内部声腔通常是不实用的。在本研究中,作为一种合理的替代方案,我们使用了商用振动声学软件Wave6中的SEA公式。
玻璃
当前分析中使用的振动声学模型由侧窗和挡风玻璃组成,单元尺寸为每波长6个单元,单元尺寸为16 kHz。本研究分析的车辆安装了侧玻璃、钢化玻璃和多层挡风玻璃。材料属性在侧窗模型的厚度上均匀应用。这种玻璃的阻尼也通过对隔板玻璃进行振动测量来估计。得到的阻尼是频率相关的。对于挡风玻璃,我们考虑到它的不同层的材料,所以对于阻尼来自测量。
图 5 wave6中的振动声学模型示意图,包括一个空腔、一个波动的表面压力载荷和一个侧玻璃
在激励方面,利用Powerflow进行CFD计算得到的顶压载荷作用于所有玻璃。然后输入FSPs(波动表面压力),并使用wave6将其从时域转换为频域。
乘员舱体
如前所述,在我们感兴趣的频率范围内,很难在中高频或高频使用FEM或BEM类型的方法,因为与波长相比,腔的尺寸变得太大,因此声腔模式的数量变得非常大。出于这个原因,以及为了模拟车辆舱内的空气,我们使用了商业软件wave6中提供的空间梯度SEA公式。
与传统的SEA不同,这种公式使得将腔体建模为单个子系统成为可能,其中可以有能级的变化(梯度),因此声压作为我们在腔体中所处位置的函数。以我们的案例为例,在汽车的乘员舱中,存在局部噪声源,例如侧窗的空气动力学噪声,以及各种障碍物(座椅、头枕)等的存在,这意味着乘客的耳朵感知到的噪声以及AI(Articulation Index)(清晰度指数)可理解性取决于这些区域是更多地暴露于直接场还是中高频混响场。
在我们的计算中,我们使用了一个大致网格化的封闭腔,SEA梯度不需要将内部声学空间划分为单独的SEA子系统。透明的白色表面是空腔的边界(如图5所示),空腔的内表面还包含座椅、仪表板等的外表面。灰色的表面表示数据恢复表面,用于显示腔内的声压级。最后,用黄色表示的是驾驶员侧玻璃的湿润表面,它负责向腔体的声辐射。关于分配给腔的特性,将吸收系数应用于展位的内壁,并使用测量的混响时间(T60测试)值来估计它。
最后,为了建立玻璃与腔体之间的耦合,使用了由腔体网格表面创建的挡板(图6.b)。挡板是一个网格表面,再现了描述窗口附近直接场所需的几何细节。在我们的例子中,这是包含侧窗的区域,如图所示。这样做的目的是考虑反射和衍射对直接场的影响。
图 6 研究中使用的型腔模型:(a) 边界元型腔,(b) 带挡板的SEA型腔
SEA vs BEM
为了评价SEA法计算结果的可预测性,建立了详细的边界元模型作为参考。该腔体在3000 Hz下每波长有6个单元,单元数为约500k(图6.a)。此外,SEA和BEM模型使用了相同的阻尼参数。
在计算性能方面(在相同的硬件上获得),SEA模型每个频率花费2分钟,需要大约48GB的RAM内存(峰值),而BEM计算每个频率花费4小时,需要大约200 GB的RAM内存(峰值)。
如图7所示,在1/3倍频2500 Hz频段内,驾驶员侧窗加载气动声激励时,在垂直平面和水平平面上的声压级图。声压级以大约15dB的刻度显示。可以看出,两种方法在靠近玻璃的地方都有很高的声压级,这是由于直接场主导了这个区域(靠近驾驶员的左耳)。离玻璃越远,声压级越均匀,并由混响场主导,声压级明显下降。
综上所述,虽然边界元法给出了更精确的局部结果,但很明显,SEA梯度法可以以极低的数值成本预测客舱内的声压场。
图 7 以 dB为单位的声压级图:(a)SEA水平面,(b)BEM水平面,(c)SEA垂直面,(d)BEM垂直面
04 模拟精度
验证条件
仿真需要准确地反映测试条件,以达到良好的精度水平。物理验证和数字验证的边界是一致的。事实上,为了匹配车辆完全密封且不考虑底体贡献的模拟边界条件,测试条件为:
- 完全封闭/封紧。
- 遮罩车身底部。
此外,所有玻璃的贡献也被考虑在内。为了做到这一点,没有玻璃被隔热。
图8给出了地板对风噪声贡献的影响。这种贡献主要位于1khz以下的中低频范围。地面贡献水平是由于空气和结构的作用所示。
图 8 使用遮罩(线)和未遮罩的车身底部(虚线)测试机舱风噪。
玻璃造型
为了正确地模拟噪声在机舱内的传播,必须对玻璃的性能进行良好的建模。
这是通过以下两种方法实现的:
•精确的阻尼特性(频率相关)
•使用适当的元素类型来反映复杂多层玻璃的行为。
在受控激励下,通过测量玻璃的局部振动来估计玻璃的阻尼特性。通过CAE和试验对比,验证了玻璃的性能。图9对结果进行了比较。
图 9 受控激励,测试与 CAE振动比较。
相关的结果
将整个CAE过程应用于2辆汽车,以估计前排乘客耳朵位置的机舱风噪声,并与风洞测量结果进行比较。第一个例子是C级全混合动力汽车如图10(a),第二个例子是C级纯电动汽车如图10(b)
图 10(a)风噪测试(实线)与CAE(虚线), C级全混合动力
图10(b)风噪测试(实线)与CAE(虚线), C级纯电动汽车
如图10(a)和10(b)所示,各模拟结果与试验测量结果吻合良好。事实上,高达3khz,我们可以观察到测试与模拟的最大偏差在1到2db之间变化(在测量的方差范围内),而在发生在3到4khz之间的玻璃重合峰周围,它可以达到2到4dB。可以看到,这种巧合频率对CAE的影响比测试数据更严重。大约4 kHz以上的结果受CFD计算的压力波动的有效性的影响。将继续对该主题进行调查,以减少局部差距,并进一步提高与测试的相关性。
05 通过实验设计和结果进行优化
自动化优化过程
优化过程包括为给定的一组参数找到最佳配置。为了实现这一点,有几种类型的方法,通常可以分为确定性或非确定性。在我们的案例中,我们对非确定性方法感兴趣,更具体地说,是使用实验设计的参数优化。对于给定的目标,参数化形状优化的原理是通过参数化形状来达到最优解。要做到这一点,形状由减少的变量(高度、厚度、半径等)来描述。实验设计的目的是以尽可能少的计算获得尽可能多的信息。
因此,穷举计算被称为“响应面”的简单公式所取代,该公式通过迭代过程进行查询,以选择最佳参数配置以最小化目标函数(在我们的例子中,是铰接指数)。
图 11 在 Alternova上执行的优化过程
如上所述,本研究的目的是建立一个过程,使其能够在后视镜(设计)几何参数的变化与乘客舱噪声水平的影响之间建立联系,使用Python脚本帮助下的自动优化过程。为此,采取了以下步骤:
首先,将使用ANSA软件来管理几何形状并建立包含各种参数的数据库。
之后,一个组合文件被发送到Alternova软件,这使得多目标优化和使用不同的统计模型使用“expert blending”。该工具可用于生成所有实验设计的组合。一旦优化准备好了,数据就被发送到一个ANSA作业,该作业通过直接变形网格来生成新的几何形状。图11描述了Alternova中的参数优化过程。
各种几何形状被发送到Powerflow数据集文件,该文件包含除了正在研究的部件之外的整个车辆的几何形状,在我们的案例中是后视镜。
CFD计算完成后,气动声学后处理结果和驾驶员侧窗上的瞬态压力记录文件将同时被检索出来。然后将这些压力结果文件发送到Wave6中准备的数据集,以便启动气动振声计算。通过这种计算,我们可以得到车辆座舱内与乘员耳朵对应的一定数量的麦克风点处的声压级。然后对这些数据进行后处理以获得发音指数(AI)值。
最后,实验设计的结果被发送回Alternova,后者收集优化计算的结果,并使用styise显示它们,styise是雷诺内部创建的一个工具,可以实时显示几何参数对给定输出参数的影响,在我们的案例中是AI。
车辆应用及结果
上述过程已应用于雷诺汽车项目。为实验设计确定了五个参数,图12显示了使用的两个几何参数示例。如前所述,本研究的目的是提出几何修改的建议,以改善气动噪声性能。
因此,这个完整的优化过程产生了几个结果,特别是Powerflow计算输出时的声壁压力。
图 12 本优化研究中使用的几何变化参数示例
图 13 显示了改变实验设计中使用的5个参数对声压级(作为倍频带的函数)的影响的比较。因此,变化是可以看到的。然而,使用这些结果来决定采用哪种配置仍然很困难。
图 13 参数变化对声压级的影响与频率的关系
为了克服这一点,在空气声学中使用语言清晰度(是一种常见的做法,语言清晰度可以在给定的环境中表达语音的可理解性,作为评估标准,特别是在物理测试中。该指标的优点是更有意义,更容易区分各个参数的影响。
图 14 参数变化对语言清晰度(AI) 的影响
图14显示了改变这五个参数对AI的影响。然后,我们可以简单地优先考虑在实验设计中调整参数的影响,并提出降低乘员舱噪音水平的解决方案,清晰度指数越高越好。
06 结论
研究结果表明,该方法具有预测车辆内部气动振动声噪声的能力。该研究还展示了如何在车辆开发过程中使用形状优化过程来加速风噪声性能的收敛。室内噪声预测精度高,对CAE给出的设计变更方向有信心。这些优化过程通过提供修改效果的可视化表示,促进了工程师和设计师之间的互动,并有助于更好地针对在风洞中进行的物理测试。然而,由于需要大量的模拟,这些研究仍然是昂贵的。模型简化领域的发展前景应该能加速寻求最佳结果并促进这些方法的使用。
-
汽车测试网V课堂
-
微信公众号
-
汽车测试网手机站
最新资讯
-
车路云一体化测评能力发布,是德科技推动车
2024-12-11 18:04
-
DL950旋转变压器开发秘籍,让你秒变专家!
2024-12-11 12:05
-
道依茨收购HJS Emission ,加强内燃机领域
2024-12-11 12:04
-
西南研究院(SwRI)促进重型车辆加氢站技术
2024-12-11 12:03
-
目标维持柴油机竞争力,戴姆勒卡车北美投入
2024-12-11 12:03