Virtuell realtidsprediktion av sensornedsmutsning

Syfte och mål

Sensorer är helt avgörande för aktiv säkerhet, förarstödjande system och självkörande fordon och måste placeras så att eventuell nedsmutsning är så mild och långsam som möjligt. För att kunna göra detta i ett tidigt skede behövs effektiva simuleringsmodeller. I detta projekt ska vi utnyttja recurrence computational fluid dynamics (rCFD)-tekniken för att konstruera sådana modeller. Vi kommer att ta fram en experimentellt validerad rCFD-lösare för virtuell realtidsprediktion av sensornedsmutsning för fordonsapplikationer.

Förväntade effekter och resultat

Resultatet från projektet kan sammanfattas som: 1) En validerad rCFD-metodik (lösare och tillhörande arbetssätt) för virtuell realtidsprediktion av sensornedsmutsning; 2) Kunskap om skillnader och likheter mellan olika kontaminanter vad gäller nedsmutsning av realistiska fordonskroppar; 3) Generella riktlinjer för sensorpositionering baserat på rCFD-simuleringar. Den framtagna metodiken kommer att kunna tillämpas i avancerade tekniska utvecklingsprojekt på kort sikt.

Planerat upplägg och genomförande

En state-of-the-art rCFD-lösare implementeras och dess kvalitet och prestanda verifieras mot litteraturdata. Nya experimentella data genereras genom tunnelprovning på förenklade geometrier och används för att vidareutveckla, verifiera och validera rCFD-lösaren för nedsmutsningproblematik relevant för fordonsaerodynamik. I nästa steg genereras nya experimentella data för ett verkligt fordon. rCFD-lösaren valideras för detta verkliga fall och därefter undersöks beteendet hos olika typer av kontaminanter och riktlinjer sammanställs.