多岛遗传算法优化Realizable k-ε湍流模型研究

"这篇论文是2011年由宋昕、谷正气、张清林和张海峰发表在《湖南大学学报（自然科学版）》第38卷第2期上的，主要研究了基于多岛遗传算法的湍流模型优化。研究中，他们利用Isight软件的优化拉丁方法设计了20组Realizable k-ε湍流模型的经验系数，并在Fluent软件中进行Ahmed模型的外流场仿真。接着，通过Kriging模型构建近似面，以风洞试验数据为优化目标，运用多岛遗传算法对Realizable k-ε模型的经验系数进行了优化。优化后的模型在实际车辆研发中应用，并经过风洞试验验证，结果显示计算出的速度场云图更接近实验，收敛速度加快，阻力系数误差降低了2.8%。关键词包括湍流模型、外流场、优化拉丁方法、Kriging模型和多岛遗传算法。" 本文研究的核心在于湍流模型的优化，特别是针对Realizable k-ε模型。Realizable k-ε模型是一种广泛用于模拟复杂流动问题的两方程湍流模型，其中包含的经验系数对于预测流场特性至关重要。在研究中，作者首先采用Isight软件的优化拉丁方法来设计这些经验系数，这是一种统计设计工具，可以生成一系列参数组合，以覆盖可能的参数空间，从而寻找最佳解决方案。 接下来，作者在Fluent这一流体动力学软件中应用这些系数进行仿真，选择了Ahmed模型作为测试案例，这是一个常用来研究车辆外形流场特性的简化模型。通过仿真，他们分析了不同系数组合对流场的影响。 为了进一步优化这些系数，研究者利用Kriging模型建立了一个近似面。Kriging是一种基于统计的插值方法，能有效地建立输入参数与输出响应之间的数学关系，以预测未知点的响应。在这个过程中，风洞试验数据作为优化的目标，确保模型的预测结果与实际物理现象更接近。 多岛遗传算法被引入到优化过程中，这是遗传算法的一种变体，通过模拟多个相互独立进化的“岛屿”来加速全局最优解的搜索。这种方法有助于避免传统遗传算法陷入局部最优，提高搜索效率。 最终，优化后得到的经验系数被应用于实际车辆的设计中，风洞试验验证了优化的效果。结果显示，使用优化的模型进行计算，不仅使得速度场的模拟更准确，而且计算的收敛速度更快，阻力系数的误差显著降低，达到了2.8%，这证明了所提出的优化方法的有效性。 这项研究为湍流模型的优化提供了一种新的方法，结合了Isight的优化工具、Kriging模型的近似能力和多岛遗传算法的全局优化能力，为车辆设计中的流体力学模拟提供了改进的技术手段。