让AI学会＂修正＂风阻一文读懂SUV湍流模型的数据驱动革命

📄 论文信息

适用SUV风阻仿真的数据驱动湍流模型研究

赵婧 等 | 中国一汽 × 清华大学

《汽车工程》2026年 第48卷 第6期

在SUV产品开发中，风阻系数直接决定了能耗表现和续航能力。然而，当前工程师们广泛使用的稳态RANS仿真方法，在SUV尾部、前保侧部和轮胎后方等关键区域，常常"算不准"分离流动——而这恰恰是风阻的最大来源。

近年来，"数据驱动+机器学习"被视为破解这一难题的希望。但现实是：黑箱模型算得慢、看不懂、用不了，距离工程应用还有不小的距离。

一汽研发总院联合清华大学航天航空学院，在《汽车工程》2026年第6期上发表了一项新研究——用条件流场反演+符号回归的方法，让AI不仅学会了修正湍流模型，还给出了一个工程师看得懂的数学公式。最终在电动SUV和燃油SUV实车上验证，风阻系数误差不到2%。

这篇文章，我们就来拆解一下这项研究的思路和亮点。

01.

SUV风阻仿真，到底难在哪？

先说背景。在汽车空气动力学开发中，工程师最常用的工具是稳态RANS（雷诺平均Navier-Stokes）方程。它通过"模化"各尺度的湍流，把计算量控制在可接受的范围内——目前全细节汽车模型的单次CFD仿真时间大约在6小时左右。

其中，SST（Shear-Stress-Transport）湍流模型因为鲁棒性好、对来流条件不敏感，是应用最广的模型之一。

但问题在于：SST模型是在简单的附着流动中标定的。当它遇到SUV特有的复杂分离流动——尾部的大尺度涡结构、前保两侧的分离区、轮胎后方的尾流——就常常力不从心。

SUV风洞CFD仿真

论文中有一组对比数据很能说明问题：在用LBM（格子玻尔兹曼方法）高精度仿真作为基准的情况下，基础SST模型的流场结果与基准差异较大，核心原因是对复杂尾涡结构的求解能力偏低。

那么，用机器学习来"教"湍流模型呢？方向是对的，但现有的方案有三个硬伤：

⏱️ 算得太慢

用随机森林修正RANS，求解时间变成原来的30倍。一次仿真从6小时变成180小时——哪个项目等得起？

🔒 看不懂

黑箱神经网络给出的修正，工程师无法判断是否符合物理规律，不敢用。

🎯 泛化弱

文献表明，数据驱动模型仅在与训练集相近的几何上有效，换个车型可能就不灵了。

说白了，学术界做了很多漂亮的工作，但到了工程一线——慢的、看不懂的、只能在一个车型上用的——都没法落地。

这篇论文要解决的，就是这三个问题。

02.

核心方法：让AI"看懂"流动，再写出公式

论文的方法可以拆成三步来理解。

第一步：找到"该改哪里"——条件流场反演

SST模型的ω方程里有一个"破坏项"，控制着湍流的耗散速率。作者的想法很直接：在这个破坏项上乘以一个空间分布的修正因子 β(x) ，通过优化算法让它去"拟合"高精度的LES数据。

但这里有一个关键细节——边界层保护。

SST模型本身已经能很好地计算附着边界层了。如果β(x)在边界层里也"乱改"，摩擦阻力就不准了。所以作者引入了一个保护函数 fd：在边界层内fd=0（不修正），在分离区fd=1（全力修正）。

💡 设计巧思

这就是"条件"（Conditioned）的含义——不是 everywhere 修正，而是"知道该在哪里改，更知道不该在哪里改"。这个设计思路对工程应用至关重要：保护已有精度，只在需要的地方下手。

第二步：让AI"写出公式"——符号回归

拿到β(x)的空间分布后，传统做法是把它塞进神经网络。但本文选择了符号回归——一种用进化算法自动搜索数学表达式的方法。

输入特征是流动的物理量：雷诺应力不变量λ₁、λ₂、λ₅，涡量雷诺数Re_Ω，湍动能生成与耗散比P/ε等。操作符包括加减乘除、tanh、exp、min、max等。

最终，PySR算法搜索出了一个非常简洁的表达式：

核心修正公式

β(x) - 1 = r_ex · min(0.0435 · λ₂² , 3.806)

这个公式的物理意义非常直观：在剪切（旋转）较强的地方（λ₂大），增大β值 → 增强ω方程的破坏 → ω减小 → 涡黏性ν_T增大。

而这恰好对应了NASA的Rumsey早已发现的一个事实——SST模型在剪切强的位置系统性地低估了涡黏性。也就是说，AI自己"学"出来的修正规律，与已知的物理规律完全一致。

第三步：训练集选择——为什么是二维算例？

可能有人会说：你拿两个二维算例训练，就要去三维实车上用？

论文的选择是有道理的。作者选了两个经典算例：

• NASA Hump
  ：光滑曲面导致的分离——对应SUV前保圆角区域的流动特征
• CBFS（曲线后台阶）
  ：固定点分离——对应SUV尾部棱线处的分离

两种算例覆盖了"固定点分离"和"光滑表面分离点不固定"两大类分离类型，与SUV在前保两侧、尾部的分离类型接近。用论文的话说，在混合数据集上学习得到的模型，将被用于"综合多种分离特征"的车辆外流场仿真。

03.

实车验证：误差不到2%，意味着什么？

论文在两款SUV上进行了验证——一款电动、一款混动，在天津中汽中心风洞试验室完成了实车测试。仿真条件是120 km/h来流风速，使用OpenFOAM求解。

电动SUV的风阻系数误差从1.63%降到了0.3%，改善幅度超过80%。混动SUV也从2.2%降到了1.76%。

更重要的是，论文不仅看了整体Cd，还深入分析了流场结构：

• 修正区域：β修正主要集中在尾涡上洗/下洗区域，与物理预期完全一致
• 尾涡低速区：修正模型计算的尾涡低速区长度比基础SST更短，修正了SST对分离区的系统性高估
• 压力分布：前轮分离区域的压力系数Cp与试验值趋势更接近

还有一个有趣的发现：电动SUV和燃油SUV的修正模式不同。燃油SUV的修正还延伸到了车底附近，而且沿流向的延伸长度更短。作者解释这是因为电动车和燃油车的机舱和底盘结构差异导致了不同的外流场状态。

🔍 这意味着什么？

模型不是在"硬凑数据"，而是真正捕捉到了不同车型结构差异带来的流动差异。这恰恰是泛化能力的体现——同一个模型，在不同结构的车型上给出不同的修正策略。

04.

这项研究的启示与局限

三个值得关注的亮点：

① 从"黑箱"到"白箱"的范式转变

符号回归输出的不是一个参数表，而是一个数学公式。工程师可以验算、可以质疑、可以改进。这在汽车产品开发流程中至关重要——没有人敢把一个"看不懂"的模型放进正式的开发体系中。

② "知道在哪里不改"的设计哲学

边界层保护函数fd看似只是一个技术细节，但它体现了工程思维的核心：不是追求"全面改进"，而是在改进一个区域的同时，保护好已有的精度。这种"有所为有所不为"的思路，值得更多AI+工程的研究借鉴。

③ 产学研闭环的完整度

一汽负责工程场景和需求定义，清华负责方法论和理论分析，从二维训练集到三维实车风洞验证，形成了完整的研究链路。这在汽车CFD领域的论文中并不多见。

当然，也有值得进一步探索的方向：

• 训练集仅包含两个二维算例，能否引入更多类型的分离流动来提升泛化性？
• 仅在SUV上验证，在轿车、MPV等其他车型上的表现有待考察
• 目前仅修正了ω方程的破坏项，k方程和其他模型参数是否也有修正空间？
• 不同速度和偏航角工况下的适用性尚未探讨

写在最后

这项研究最大的价值，不在于它把某个数字从2%降到了0.3%，而在于它证明了一条可行路径：数据驱动的湍流模型，可以既准确、又好看（可解释）、还快（不增加计算时间）。

对于汽车空气动力学领域来说，这可能是从"学术探索"走向"工程落地"的关键一步。当AI给出的不再是一个黑箱，而是一个工程师能看懂、能验证、能改进的数学公式时，数据驱动方法才真正有了走进产品开发流程的可能。

📖 引用信息

赵婧, 李莹, 邓建交, 等. 适用SUV风阻仿真的数据驱动湍流模型研究[J]. 汽车工程, 2026, 48(6). DOI: 10.19562/j.chinasae.qcgc.2026.06.023

📌 关注获取更多汽车CFD与AI前沿论文解读

END

往期回顾：