图3. 统计湍流和两个长途驱动的概率与偏航角
短途驾驶
除了进行长途驾驶以了解广泛的风况分布外，还确定了一个短途驾驶循环，以便可以多次重复行驶。这段路线位于加利福尼亚州普拉亚德尔雷的Dockweiler海滩旁边的Vista del Mar（图2）。该道路直接位于海洋旁边，通常会有稳定且较高的风况。道路大约三英里（五公里）长，笔直且平坦，进一步方便了数据采集。特别注意不包括因必要的转向或靠近交通而被破坏的数据集，虽然公共道路的性质意味着路边障碍物的变化（如停放的车辆、标志和山丘）会增加某种程度的变化。所有数据都在恒定车辆速度下采集，使用了巡航控制。作为后期处理的一部分，仅包含那些车辆速度、偏航角、功率输出和海拔保持相对稳定的（即均值变化较小）的数据集。合格的数据被进一步划分为两秒的时间段，以便更全面地填充结果，而不至于不公平地偏重较短的片段。最后，所有数据集的功率值被调整为标准化的25米/秒的纵向速度。这与CFD创建偏航流动的方法相一致，其中在固定的纵向速度上叠加了侧风分量，而不是通常的风洞测试中的固定合成速度。
图4显示了原始数据集，作为驱动逆变器功率与偏航角的关系。虽然出现了两个明显的簇，但原因并不立即显现，而不是表现出单一趋势。进一步分析表明，数据簇根据行驶方向区分。南行时采集的数据偏向右侧（偏航角较大）且功率水平较低，而北行时采集的数据功率水平较高。为了纠正这种偏差，后处理时进行了两个修正。
图4. 未经校正的数据中功率与偏航角的关系，按行驶方向标记
首先注意到探头安装时并没有完全平行于车辆中心线，这导致了轻微的入射角。遗憾的是，无法在本文的时间范围内对探头在车辆上的安装进行风洞测试校准。相同的安装方式在一个静风日（根据气象数据和采集数据时的主观判断）被用来提供一个偏移量，计算出的偏移量为1.91度，并且调整 了图4中数据的左右位置，此修正也应用于长途驾驶数据。第二个修正是为了校正道路上存在的轻微坡度。这一修正使两个数据集更为一致，如图5所示。
尽管这些修正有助于创建一个一致的趋势，但数据中仍然存在显著的离散性，使得从这些数据中估算阻力系数成为一种统计练习，而不是实际近似车辆空气动力学效率的方式。使用公共道路带来了许多未知因素，其中一些可以在数据处理时解决（如道路坡度），但另一些则很难预测和考虑。道路表面质量的变化、交通条件的变化以及路边障碍物（如停放的汽车、标志和山丘）增加了探头或车辆数据采集系统中信号的噪声。未来，这些数据可以用于证明在更受控条件下的测试，减少外界影响。通过赛道测试实现可重复的高风条件是一个关注点。
图5. 功率与偏航角的关系，按湍流强度区分，并带有线性回归
然而，对数据的进一步分析揭示了有关数据离散性的信息。数据还根据湍流水平进行了排序。按湍流强度（TI = sigma/V）划分的数据，结合每组的线性回归，显示了湍流对阻力的影响，除了偏航角。较低的湍流强度显示出更高的斜率，因此其偏航对阻力的敏感性更高，且Y轴截距较低，这表明在相关偏航角范围内，较低的湍流强度带来较低的阻力值。相反，高湍流强度的数据斜率较小，Y轴截距较高。这表明增加的湍流总体上减少了偏航对阻力的敏感性，但仍然会增加特定偏航角下的阻力。
数据表明，湍流强度与功率消耗之间存在线性趋势。在更加受控的环境中进行进一步的测试，将有助于更精确地控制影响湍流生成的变量。还需要评估是否能够在物理测试（风洞或道路测试）中实现所需的湍流生成频谱。然而，更加受控的测试环境有助于减少数据离散性，更准确地定义偏航、湍流和阻力之间的关系。
这一过程的最终目标是能够计算车辆的实际道路阻力系数。基于这些结果进行了第一次尝试，但仍需要非常详细地了解非空气动力学的功率消耗源（如轮胎滚动阻力和传动系统损失）。未来在专用赛道上进行进一步测试，如前所述，将有助于更好地控制这些变量。然而，可以设想，现有过程可用于未来的设计变更的背靠背测量。
来源：AutoAero
