DOI: 10.11817/j.issn.1672-7207.2017.10.013

基于集成方法的汽车除霜除雾风道改进

谷正气^{1, 2}，文琪¹，汤柱良¹，陈阵¹，黄泰明¹

(1. 湖南大学 汽车车身先进设计制造国家重点实验室，湖南 长沙，410082；

2. 湖南文理学院 洞庭湖生态经济区建设与发展协同创新中心，湖南 常德，415000)

摘要：针对目前汽车除霜除雾性能普遍不高的问题，采用RNG k-ε模拟的计算方法，对某车型前挡风玻璃除霜除雾性能改进进行了研究。首先，利用试验验证仿真方法的准确性；然后通过分析初始模型的除霜除雾性能，提出了在除霜除雾风道中添加4个导流板，把导流板的6个结构尺寸作为优化变量，将前挡风玻璃A，A′和B区的努赛尔数作为优化目标，同时为了提高优化效率，基于一种计算流体力学与优化算法相集成的方法，对除霜除雾风道结构进行优化改进进而得到最优参数；最后，将改进后的风道系统应用到除霜除雾性能分析。研究结果表明：在不增加空调送风量的前提下改进后的风道送风分布更加均匀，A区和A’区的努赛尔数分别提高了13.2%和7.7%，除霜除雾性能得到明显改善。

关键词：除霜除雾；RNG模型；导流板；集成优化

中图分类号：U461.1             文献标志码：A         文章编号：1672-7207(2017)10-2649-08

Improvement of auto defrosting and demisting air duct based on integrated method

GU Zhengqi^{1, 2}, WEN Qi¹, TANG Zhuliang¹, CHEN Zhen¹, HUANG Taiming¹

(1. State Key Laboratory of Advanced Design and Manufacture for Vehicle Body, Hunan University, Changsha 410082, China;

2. Hunan Province Cooperative Innovation Center for The Construction & Development of

Dongting Lake Ecological Economic Zone, Hunan University of Arts and Science, Changde 415000, China)

Abstract: In order to solve the present problem that the auto defrosting and demisting performance is generally not that good,the RNG simulation method was used to improve the performance of the front windscreen defrosting and demisting. Firstly, the accuracy of the simulation method was verified through the experiments；Secondly, four guide plates were added in the defrosting and demisting duct, and the structure sizes of the six guide plates were used as the optimization variables while the Nusselt numbers of A, A′ and B zones of the windshield were used as the optimization goal after the defrosting and demisting performance of the initial model was analyzed；meanwhile, a solution that combined computational fluid dynamics and optimization algorithm was proposed for the purpose of improving the efficiency of optimization，which could improve and optimize the defrosting and demisting duct system, thus obtaining the optimal parameters; at last, the improved air dust system was applied to analyze the defrosting and demisting performance. The results show that the modified air ducts distribute more uniformly, the Nusselt numbers in A and B zones are increased by 13.2% and 7.7%，respectively, and the defrosting and demisting performance is improved obviously under the circumstances of not increasing the air output of the air condition.

Key words: defrosting and demisting; RNG model; deflector; integrated optimization

汽车鼓风机吸入气流通过除霜除雾风道将其输送到前挡风玻璃内表面，而风道系统设计是直接影响前挡风玻璃内表面流场分布，气流的不均匀将导致霜雾不能在较短的时间内除尽，这将造成驾驶员视野模糊，导致安全隐患，GB 11555—2009^[1]对汽车前挡风玻璃的除霜除雾性能有明确的规定，除尽某些特定区域的霜雾需要的时间越短越好。因此，优化除霜除雾风道结构具有重要实际意义。国内外学者对改进汽车前挡风玻璃除霜除雾性能做了一定的研究。张晓兰等^[2]运用STAR CCM+软件模拟除霜风道内部的空气流动，从流场特性的角度对风道结构进行优化。董素艳^[3]采用CFD方法对除霜瞬态过程分析，与试验结果对比验证了仿真的准确性。袁侠义等^[4]中提出了优化风量分配，优化气流走势的方法改进汽车挡风玻璃的除霜性能。HUANG等^[5-6]采用数值仿真与试验验证相结合的方法，对除霜风管与内部结构进行改进，使得除霜效果满足所需要求。LI等^[7-8]针对客车空调热源不足影响风挡玻璃的除霜效果，采用电阻丝加热方式加快除霜。谷正气等^[9-10]研究了送风口型式，气流参数对除霜除雾性能的影响，并将动网格技术运用到汽车除霜除雾的计算中，让除霜气流以一定规律变化，先快速除尽对驾驶员影响较大的区域。然而这些研究都只针对汽车除霜或者除雾性能单个目标进行改进，经验性较强，效率较低且具有一定的盲目性，往往无法获得最优结构。基于此，本文作者综合考虑汽车除霜除雾性能。首先得到初始模型的前挡风玻璃的速度分布云图，然后分析其除霜除雾性能，接着为了改善玻璃近壁面的流场分布，提出了在风道中添加4个导流板，把导流板的6个结构尺寸作为优化变量，基于一种计算流体力学与优化算法相集成的方法，得到风道结构最优参数。最后对比分析优化前后的除霜除雾效果。

1  初始模型除霜除雾效果分析

1.1  物理模型

本文的研究对象为某轿车的乘员舱，包含了除霜风道、乘员舱、玻璃等。其中，根据GB 11555—2009规定将前风窗玻璃分为A，A′和B区，如图1所示。

1.2  除霜除雾数学模型

计算除霜过程分2步，先获得乘员舱内稳态流场，然后以稳态流场作为初始条件对霜层融化过程进行瞬态计算。将霜层看作流体，相变过程随温度变化，用液相率σ表征其融化状态^[10]：

          (1)

图1  玻璃分区示意图

Fig. 1  Division of windshield glass

其中：T_L为液相温度；T_S为固相温度；当σ=1时，霜层完全溶解。

当汽车挡风玻璃的温度低于露点温度的时候，玻璃表面上的湿气凝结成雾滴，将附在挡风玻璃表面上雾滴看作是无数个小半球形的聚集，同时雾滴的蒸发过程是一个传热和传质同时并存又相互影响与促进的过程，雾的蒸发和凝结过程看作是小雾滴半径的收缩和扩大的过程，雾滴的半径计算公式^[9]：

      (2)

其中：Q_d为雾滴的热量；T_d为雾滴的温度，K；T_a为雾滴附近的空气温度，K；T_g为玻璃内表面的温度，K；r为雾滴的半径，m；h为水滴与空气之间的表面热传导系数；λ_g为玻璃的导热系数；L为玻璃的厚度，m；当r=0时，雾滴完全除尽。

1.3  网格划分及边界条件设置

由于本文前挡风玻璃是重点关注对象，所以在前挡风玻璃区域采用密度盒加密处理，对空气域采用四面体、前挡风玻璃采用棱柱体网格离散。如图2所示，网格单元数为269万^[11]，玻璃厚度为4 mm。计算过程中将空气定为常密度、不可压气体。

图2  乘员舱及玻璃截面网格划分

Fig. 2  Finite element mesh of crew compartment and its glass

边界条件设置如下：霜层的初始厚度为0.05 mm，雾滴的初始半径为0.01 mm，除霜除雾送风口设为速度入口边界，为3.2 m/s，相对湿度为50%，瞬态计算过程中送风温度为308 K，出风口设为压力出口，为1×10⁵ Pa，乘员舱，仪表盘等为静止壁面，前挡风玻璃与空气、霜层与前挡风玻璃之间为热耦合边界等。

1.4  RNG湍流模型试验验证

RNG湍流模型^[12]通过修正湍流黏度，考虑了平均流动中的旋转流动情况，可以更好地处理高应变率及流线弯曲程度较强的流动。因此，RNG湍流模型适合汽车除霜除雾的仿真计算。

RNG k-ε湍流模型控制方程为：

  (3)

(4)

式中；ρ为流体密度；k为湍流动能；ε为湍流动能耗散率；G_k为由平均速度梯度引起的湍动能的产生项。

由于除霜除雾风洞试验环境因数不易控制，且费用非常高，所以，本文利用相似模型来验证仿真方法的准确性。ROY等^[13]将冷气流冲击热壁面测量其传热，该模型为某轿车风挡及HVAC模块，玻璃倾角为39°，厚为6 mm，导热率为1.4 W，在玻璃外部的中心位置，固定一长×宽为0.304 8 m×0.457 2 m的热板提供恒定的热源，功率为368 W/m²，送风温度采用T型热电偶测得，为25.5°，前挡风玻璃内壁处的热板位置温度采用液晶温度传感器测量，将得到的计算值与Subrata Roy的试验值对比，Z=633.3 mm位置处的温度如图3所示，热板温度分布云图如图4所示。从图3和图4可以发现：试验值与仿真值温差在5°以内，因此，验证了该数值计算方法的准确性。

图3  Z=633.3 mm处试验与仿真温度对比

Fig. 3  Comparison of test and simulation temperatures at Z=633.3 mm

1.5  初始模型除霜除雾效果

依据该方法，对某轿车的乘员舱玻璃表面的流场分布进行计算，速度分布云图如图5所示。从图5可以看出：除霜除雾气流分别从左右两侧发散开，呈“V”字形，直接导致玻璃正中间位置的气流速度较低，存在吹风死角，导致该区域的霜层不能迅速的融化，有必要进行进一步优化。

图4  试验与仿真温度分布

Fig. 4  Distribution of test and simulation temperatures

图5  速度分布云图

Fig. 5  Contours of velocity magnitude

2  基于程序集成的除霜除雾风道改进

2.1  优化目标与设计变量

不增加空调功率的前提下，风窗玻璃除霜除雾的效果取决于玻璃内表面的风速分布，因此气流分布应该尽可能的均匀，避免出现前文所述的吹风死角，而流场分布很大程度上取决于除霜除雾风道的影响，故不改变风道的大体结构，在风道内部添加如图6所示的导流板，其作用是使送风分布更加均匀，为了获得导流板的最佳尺寸，优化参数为导流板的位置尺寸和特征尺寸X₁，X₂，β₁，β₂，R₁和R₂。

图6  导流板安装位置与设计参数示意图

Fig. 6  Installation position of deflector and design parameters

努塞尔数表征对流传热的强弱。汽车前挡风玻璃A区和A′区为重点关注区域，为了对除霜除雾过程进行优化，因此，以A，A′和B区的玻璃壁面努赛尔数作为目标函数，如下式所示：

Max     (5)

st. β_1ε [20°，60°]，β_2ε[50°，90°]

R₁∈[30 mm，60 mm]，R₂∈[30 mm，60 mm]

X₁∈[40 mm，70 mm]，X₂∈[120 mm，150 mm]

式中：，和分别为A区、A′区、B区域的努赛尔数；ω₁，ω₂和ω₃为权重系数，由国标规定A区应优先完成除霜，取权重系数分别为0.5，0.3和0.2。

2.2  样本点选取

试验设计简称DOE，是一种研究与处理多个因子与相应变量关系的科学方法，最初应用于农业试验中。其理论基础为概率论和数理统计，通过选择合理的试验条件，找到最优的改进方案。经过80多年的发展，试验设计已经获得了广泛应用。伴随着硬件技术和CFD技术的不断发展，试验设计越来越广泛地应用到CFD仿真计算中，利用数值仿真结果进行试验设计的优势在于能够降低工程设计成本，提高效率。采用DOE^[14]的主要目的包括：

1) 分析设计空间并为优化设计提供粗略的估计。

2) 筛选大量的设计参数进行数值优化，缩减设计空间。

3) 获得更多设计空间的信息：设计参数是怎样影响优化目标和约束条件的，设计参数间的交互效应。

4) 确定最佳影响力的设计参数，减少设计参数的数量，从而提高优化速度。

5) 得到结构化的数值，从而构建近似模型。

工程实践中比较典型的试验设计方法包括：正交数组法、全因子法、中心复合法、拉丁超立方抽样与优化拉丁超立方抽样等。拉丁超立方试验设计是一种约束随机生成均匀样本点的试验设计和采样方法，常用来研究多因素试验设计。具有样本记忆功能，能够避免重复抽样，还能使分布在边界外的样本点参与抽样。这些特点就使得拉丁超立方试验设计方法不仅抽样效率高，而且能够在抽样较少的条件下获得较高的计算精度。拉丁超立方设计的具有如下优点^[15]：1) 有效的空间填充能力。拉丁超立方设计试验次数=水平数≥因子数+1，大大减少了试验次数。2) 拟合非线性响应。拉丁超立方设计对水平值分级宽松，试验次数可以人为控制。

因此，本文选择拉丁超立方设计作为试验设计方法，试验因子为导流板的偏转角度及位置参数，使用该方法进行采样，确定样本点为58组。通过计算后，获得了58组设计变量，如表1所示。

表1  试验设计结果

Table 1  Experiment design results

2.3  程序集成与近似模型建立

近似模型的建立依托于大量的样本点，需要进行多次模型的修改、网格划分、仿真计算，完全凭借人工设置需要进行大量的重复劳动，效率低下且计算过程中容易发生错误。为克服此种缺点，利用iSIGHT软件将UG NX6.0，ICEM和Fluent集成起来^[16]，在iSIGHT中对建模、网格划分和仿真计算进行统一调用，实现模型响应值的快速自动生成。

根据需要修改的参数建立ugupdate.exe程序，该程序的作用是调用UG中的模型更新模块，以修改所需变量，在ICEM中生成划分网格所需的脚本文件icem.rpl，在Fluent中生成设置计算条件的脚本文件solve.jou，对脚本文件均采用MS-DOS 批处理文件进行调用，然后在iSIGHT的Simcode程序集成组件中读取各个脚本文件，建立输入输出参数，输入参数设置为各个变量，输出参数则由Fluent计算结果获得，最终对结果进行解析来建立近似模型。

图7  程序集成参数

Fig. 7  Integration parameters

将表1中的设计变量作为输入参数，在iSIGHT集成控制的环境下，使用ugupdate.exe修改模型，通过Fluent仿真计算，得到每组设计变量对应A区、A′区和B区域努赛尔数的响应值，见表2。

表3所示为某组试验点分别利用程序集成方法和传统人工方法的计算时间对比。从表3可以看出：与传统人工设置计算相比，利用计算机技术实现UG NX6.0、ICEM、Fluent等软件的自动调用(即程序集成方法)，其整个计算过程耗时缩短了约一半，计算效率明显提高。

近似模型(approximate surrogate model)是指在不影响仿真精度的条件下，利用回归、拟合、插值等方法来构造的1个计算量小、计算周期短，但计算结果与数值分析或物理实验结果相近的模型，与其他模型相比，Kriging模型构建的近似面可以覆盖所有的样本点，近似面质量很高^[17]。因此，在本文中采用Kriging模型用于构建近似面，根据表2的样本点及其响应值建立起近似模型，图8所示为β₁和β₂关于Nu_a，Nu_b和Nu_c的近似曲面。

表2  试验点的响应值

Table 2  Response values of test point

表3  CFD计算时间对比

Table 3  Comparison of CFD computation time

为了检验Kriging模型的拟合精度需要对其进行误差分析，表4所示为误差均值、最大值、均方根值以及决定系数R²，前三项越小，说明近似模型的误差越小，R²越接近于1近似模型的拟合度越好，可以看出误差的均值、最大值和均方根基本上都在0.1以下，而决定系数在0.96以上，可知该模型对响应量的拟合十分精确，因此，CFD仿真计算可以用该近似模型来取代。

2.4  优化结果分析

遗传算法(GA)是一种基于生物选择与进化的全局搜索优化算法，源于生物学中的“适者生存”理论^[18]，它采用概率转移率，以一定的概率从整体中选出一部分个体让其进行繁殖，选出另一些个体让其死亡，这样就可以在解空间里改进可能性最大的区域里进行搜索。在解决多目标优化的问题上，正因为遗传算法的全局优化特点以及它的内在并行机制使它非常具有优势，同时在具有多个变量或者目标函数、非线性数学表达式以及使用常规方法难以解决的复杂场合里也适用。自20世纪60年代GA被提出后，它就被广泛地应用于航空领域的气动优化中^[19]，在本文的优化求解中，它的初始种群数为30，进化繁殖100代，最终获得努赛尔数最优解，见表5，且优化过程耗时为22 h左右。将优化的设计参数引入UG模型中，对最优解进行CFD计算验证，得出目标仿真值，误差在3%以内，可信度较高，进一步说明用近似模型值代替CFD计算值是可行的，具体对比结果见表6。

图8  β₁和β₂关于Nu_a，Nu_b和Nu_c的近似曲面

Fig. 8  Approximate surface of β₁ and β₂ versus Nu_a , Nu_b and Nu_c

表4  近似模型误差分析

Table 4  Error analysis of approximate model

表5  最优点优化结果

Table 5  The most advantage optimization results

表6  最优点仿真值与近似模型响应值对比

Table 6  Comparison of optimal simulation value and approximate model response values

图9所示为优化后前挡风玻璃近壁面速度分布云图。从图9可知：优化后由于导流板引流的作用，使得挡风玻璃近壁面速度分布更加均匀，且A区的送风速度明显增加，速度死角基本消除，更有利于除霜除雾性能的提高。

图9  挡风玻璃速度分布云图

Fig. 9  Windshield velocity contour

努塞尔数反映了对流传热的强弱。对流换热强弱与挡风玻璃的材料性质、表面加工工艺以及气流速度等因素有关，档风玻璃Nu分布云图如图10所示。从图10可以看出：努赛尔数分布规律与气流速度分布非常相似，优化后的努赛尔数分布更加均匀，对流换热得到加强。

优化后的模型比初始模型A区和A′区的努赛尔数分别增大13.2%和7.7%，具体数值见表7。

图10  挡风玻璃努赛尔数分布云图

Fig. 10  Contour of windshield Nusselt number

表7  努赛尔数对比

Table 7  Comparison of Nusselt number

3  除霜除雾效果分析

将优化后的管道系统应用于除霜除雾效果分析，由于优化后得到的导流板，在其引流的作用下，使得汽车前挡风玻璃内壁面的速度更加均匀，前挡风玻璃中间位置的V型区域消失，同时努赛尔数的提高和均匀分布，加强了玻璃壁面与前挡风玻璃处霜雾的对流换热，图11和图12所示分别为管道系统优化前后不同时刻除霜除雾瞬态效果图。从图11和图12可以看出：与优化前相比，在相同时间内优化后的前挡风玻璃除霜除雾范围更大，更彻底，故通过对风道系统进行改进，除霜除雾效果明显改善。

图11  不同时刻除霜结果

Fig. 11  Defrost results at different time

图12  不同时刻除雾结果

Fig. 12  Demist results at different time

4  结论

1) 对原有除霜除雾风道系统的仿真分析，发现挡风玻璃中间位置存在一V型吹风死角，该区域的气流速度很慢，与其他位置相比霜雾解化效率很低。无法满足除霜除雾要求，针对此问题提出改进方案，并简要介绍优化设计流程。

2) 在原有的风道中添加4个左右对称分布的导流板，并以导流板的6个形状和位置尺寸为优化变量，以挡风玻璃A区、A′区和B区域的努赛尔数为优化目标进行优化，优化后A区和A′区的努赛尔数提高了13.2%和7.7%。

3) 优化后挡风玻璃中间位置的吹风死角消失，除霜除雾效果更加彻底，与优化前相比得到明显改善。

参考文献：

[1] GB 11555—2009. 汽车风窗玻璃除霜系统的性能要求及试验[S].

GB 11555—2009. Motor vehicles-windshield demisting and defrosting systems-Performance requirements and test methods[S].

[2] 张晓兰, 施俊业, 陈江平. 汽车挡风玻璃除霜性能数值模拟[J]. 汽车工程, 2007, 29(11): 1009-1013.

ZHANG Xiaolan, SHI Junye, CHEN Jiangping. Numerical simulation on defrost performance of automotive windshield[J]. Automotive Engineering, 2007, 29(11): 1009-1013.

[3] 董素艳. 客车挡风玻璃除霜性能试验与数值模拟[J]. 系统仿真技术, 2011, 7(3): 190-195.

DONG Suyan. Experimental measurement and numerical simulation on defrost performance of bus windshield[J]. System Simulation Technology, 2011, 7(3): 190-195.

[4] 袁侠义, 戴澍凯, 姜叶洁, 等. 汽车除霜性能CFD分析与试验验证[J]. 客车技术与研究, 2015(5): 52-55.

YUAN Xiayi, DAI Shukai, JIANG Yejie, et al. CFD analysis and test verification on automotive defrosting performance[J]. Bus & Coach Technology and research, 2015(5): 52-55.

[5] HUANG T M, AN W K, TAN J Y, et al. The improved research of the defrosting of an automobile windshield[J]. Applied Mechanics and Materials, 2012, 215: 42-45.

[6] YANG B, HUANG L, REN F. Aerodynamic design and numerical simulation analysis of a passenger car’s defrosting duct[C]//Proceedings of the FISITA 2012 World Automotive Congress. Berlin Heidelberg: Springer, 2013: 1441-1448.

[7] LI H, ZHANG J C, HUANG P H, et al. Numerical simulation of bus windshield based on heat transfer with impinging jets[J]. Advanced Materials Research, 2013, 774: 284-289.

[8] UNVERDI S O, EREN H, ERDEM V, et al. Technical note: optimisation of the defroster ducts and windshield electric resistances of a city bus with CFD analysis[J]. International Journal of Vehicle Design, 2010, 52(1): 199-221.

[9] 谷正气, 汤柱良, 陈阵, 等. 基于动网格技术的风挡除霜新方法的数值模拟[J]. 湖南大学学报(自然科学版), 2015, 42(2): 1-7.

GU Zhengqi, TANG Zhuliang, CHEN zhen, et al. Numerical simulation of a new method of windshield defrost by dynamic mesh[J]. Journal of Hunan University (Natural Sciences), 2015, 42(2): 1-7.

[10] 邓峰, 谷正气, 杨易, 等. 汽车前风窗玻璃除霜除雾数值模拟分析和研究[J]. 汽车工程, 2009, 31(2): 175-179.

DENG Feng, GU Zhengqi, YANG Yi, et al. Numerical simulation analysis on defrosting and defogging of automotive windshield[J]. Automotive Engineering, 2009, 31(2): 175-179.

[11] 孟庆超, 谷正气, 何忆斌. 轿车室内流场的数值模拟研究[J], 系统仿真学报, 2008, 20(7): 1700-1702.

MENG Qingchao, GU Zhengqi, HE Yibin. Research on numerical simulation of air-flow field in car cabin[J]. Journal of System Simulation, 2008, 20(7): 1700-1702.

[12] 王福军. 计算流体动力学分析[M]. 北京: 清华大学出版社, 2004: 113-125.

WANG Fujun. Computational fluid dynamics analysis[M]. Beijing: Qinghua University Press, 2004: 113-125.

[13] ROY S, NASR K, PATEL P, et al. An experimental and numerical study of heat transfer off an inclined surface subject to an impinging airflow[J]. International Journal of Heat and Mass Transfer, 2002, 45(8): 1615-1629.

[14] 张万涛, 余宏明. 正交试验设计方法在库岸滑坡敏感性分析中的应用[J]. 安全与环境工程, 2009, 16(5): 13-16.

ZHANG Wantao, YU Hongming. Applications of orthogonal experiment design to sensitivity analysis of bank landslide[J]. Safety and Environmental Engineering, 2009, 16(5): 13-16.

[15] 张文阁. 基于人体热舒适性的汽车空调优化设计[D]. 长沙: 湖南大学, 2012: 37-40.

ZHANG Wenge. Optimal design of vehicle air condition Base on thermal comfort of human body[D]. Changsha: Hunan University, 2012: 37-40.

[16] 向光伟, 王杰, 史玉杰, 等. 基于iSIGHT的风洞应变天平优化设计方法研究[J]. 实验流体力学, 2015(5): 45-49.

XIANG Guangwei, WANG Jie, SHI Yujie, et al. Research on optimal design method for wind tunnel strain gauge balance based on iSIGHT[J]. Journal of Experiments in Fluid Mechanic, 2015(5): 45-49.

[17] 容江磊, 谷正气, 杨易, 等. 基于Kriging模型的跑车尾翼断面形状的气动优化[J]. 中国机械工程, 2011, 22(2): 243-247.

RONG Jianglei, GU Zhengqi, YANG Yi, et al. Aerodynamic optimization of cross sectional shape for a sports car’s rear wing based on Kriging surrogate model[J]. Zhongguo Jixie Gongcheng(China Mechanical Engineering), 2011, 22(2): 243-247.

[18] WANG J F, WU Y Z, J. Decentralized multi-point optimization algorithms for multi-airfoil design in aerodynamics[J]. Journal of Astronautics, 2003, 24(1): 71-77.

[19] HOLST T L. Genetic algorithms applied to multi-objective aerodynamic shape optimization[R]. Chicago: NASA/TM- 05-212846, 2005: 1-4.

(编辑  杨幼平)

收稿日期：2016-11-18；修回日期：2017-03-07

基金项目(Foundation item)：长沙市科技计划重点项目(k1501011-11)；中央财政支持地方高校专项资金资助项目(0420036017)；交通运输部新世纪十百千人才培养项目(20120222)；湖南大学汽车车身先进设计与制造国家重点实验室自主课题项目(734215002) (Project (k1501011-11) supported by Key Project in the Science and Technology Program of Changsha; Project (0420036017) supported by Innovation Team of Ministry of Finance of China; Project (20120222) supported by Ministry of Transport for New Century 1000 Talent Training; Project (734215002) supported by Independent Subject of State Key Laboratory of Advanced Design and Manufacturing for Vehicle Body)

通信作者：谷正气，教授，博士生导师；汽车空气动力学与整车性能分析研究；E-mail：guzhengqi63@126.com