《汽车工程》2026年第6期发表了中国第一汽车股份有限公司研发总院与清华大学航天航空学院联合研究成果"适用SUV风阻仿真的数据驱动湍流模型研究"一文。围绕SUV产品风阻仿真开发中湍流模型精度提升这一核心需求，针对现有RANS湍流模型缺乏对复杂分离流动的标定、存在对部分仿真工况分离流动捕捉效果较差、仿真精度不足的问题，系统构建了适用于SUV车型风阻仿真的数据驱动湍流模型。针对现有数据驱动湍流模型多采用黑箱模型导致计算时间过长、缺乏可解释性、泛化性较弱等阻碍工程应用的现状，文章从条件流场反演结合符号回归视角出发，提出"二维分离流算例训练—解析表达式构造—电动/燃油SUV验证"的技术路线，为SUV风阻仿真提供高精度、可解释、低计算成本的湍流模型解决方案。
一、研究背景
仿真分析（CFD）是车辆空气动力学性能开发的重要手段，车辆外流场为复杂的三维流动，流场内湍流具有极高的非线性、混沌性和多尺度性。稳态RANS湍流模型因模化各尺度湍流、可有效降低计算规模、求解时间及仿真成本，更适合工程应用。然而，现有RANS湍流模型是在简单的二维附着流动中标定的，缺乏对复杂分离流动的标定，直接使用现有RANS模型对车辆进行CFD仿真计算，存在车辆尾部、前保侧部和轮胎后方复杂分离流动模拟不准确的问题，影响对整车风阻状态及降阻方案有效性的分析与判断。近年来，数据驱动、机器学习技术迅猛发展，但现有数据驱动湍流模型多采用黑箱模型，存在计算时间过长、缺乏可解释性、泛化性较弱等问题，阻碍了其在汽车产品工程开发中的应用。基于此，文章对适用于SUV风阻仿真的数据驱动湍流模型展开研究，使用数据驱动方法构造具有显式表达式的机器学习模型，使其具备应用于车辆风阻仿真的潜力。
二、研究内容
1. 条件流场反演获取修正乘子空间分布：以SST湍流模型为基础，采用条件流场反演方法，对类似于车辆外流场分离现象的二维分离流动算例（NASA Hump流动与CBFS流动）进行流场反演，得到SST湍流模型修正项β的空间分布，并阻止β在边界层内被激活，从而保证边界层的计算精度。
图1 模型训练集
2. 符号回归构造解析表达式：使用符号回归机器学习方法，从β的分布数据中得到β的解析表达式，避免使用黑箱神经网络模型带来的可解释性降低和仿真求解计算量的上升问题；将β解析表达式与SST模型耦合，得到适用于SUV车型风阻仿真的SST-CND修正模型。
3. 电动/燃油SUV车型仿真验证：分别在电动SUV和燃油SUV车型上进行验证，以瞬态LBM算法高精度仿真结果为基准，分析SST基础模型的整车外流场仿真效果，并与试验结果进行比较，验证修正模型的有效性。
图2 仿真对象
三、研究结果
1. SST-CND修正模型在训练集上表现优异：与基础SST模型相比，修正模型的仿真结果与真值更为接近，修正乘子在分离区域边界产生效果；NASA Hump流动中再附着点位置从x=1.25修正至x=1.12，CBFS流动中再附着点位置从x=6.0修正至x=5.05，显著提升了分离流动的模拟精度。
图3 修正模型在NASA Hump训练集计算结果
图4 修正模型在CBFS训练集计算结果
2. 电动/燃油SUV风阻系数仿真误差均小于2%：经与天津中汽中心风洞试验室实车风洞测试结果比较，电动SUV风阻系数仿真误差为0.3%，燃油SUV风阻系数仿真误差为1.63%，均显著优于基础SST模型的2.2%和1.76%；修正模型在前轮分离区域的压力系数与试验值趋势更为接近。
图5 电动SUV风洞试验
表1 整车风阻系数（Cd）仿真结果分析
3. 修正模型有效降低尾涡低速区大小：中央对称面流场速度分布分析表明，SST-CND模型计算的尾涡低速区长度较基础SST模型更小，对分离模拟的严重程度更低，与已有研究结论一致；尾部速度剖面显示，在同一截面位置处，SST-CND模型的流向速度大于基础SST模型，验证了修正模型对尾涡结构的更准确捕捉。
图6 中央对称面仿真结果对比
图7 电动SUV尾部中央对称面速度剖面
四、创新点与意义
文章的主要创新在于采用条件流场反演结合符号回归方法，以SST湍流模型为基础构造适用于SUV车型风阻仿真的数据驱动湍流模型。通过条件流场反演获取修正乘子空间分布并保护附着边界层计算效果，通过符号回归得到具有显式表达式的β解析表达式，避免了黑箱神经网络带来的计算量增加与仿真结果不确定性。该方法有效融合数据驱动与物理可解释性优势，显著提升了SUV复杂分离流动的仿真精度，对车辆空气动力学性能开发具有重要工程应用价值。实验设计严谨、验证充分，证明了数据驱动方法构造的具有显式表达式的机器学习模型具有应用于车辆风阻仿真的潜力，为SUV风阻仿真提供了高精度、低计算成本的解决方案。
