선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 하지만, 많은 연구들이 공기저항 유발 수준이나, 구성요소별 접근방법에 대한 분석 없이 일부 구성요소에 국한되어 수행되었다. 따라서 본 논문에서는 고속열차 편성열차에 대한 공력설계 과정을 체계적으로 구축하기 위하여, 전산해석을 통해 각 구성요소별 공기저항을 상세하게 분석하고, 이에 따른 공기저항 저감 방법을 결정하였다. 그리고 전체 편성열차 중심으로 공기저항 저감량을 정량적으로 분석하고, 최적설계된 편성열차에 대한 공기저항 향상 수준을 KTX-산천과 비교하였다.
제안 방법
- 2.1.2 KTX-산천 공기저항 상세분석 공기저항 저감을 위한 방향성을 도출하기 위하여 전산해석모델의 공기저항을 분석하였다. 공기저항 분포를 구분하기 위하여 Fig.
- KTX-산천의 공기저항을 분석하기 위하여 350km/h로 개활지를 주행하는 상황에 대한 전산해석을 수행하였다(Fig. 1). 전산모델은 길이방향의 대칭면을 기준으로 반쪽 10량으로 구성된 KTX-산천을 구축하였으며, 열차형상이 잘 모사될 수 있도록, 3.
- 전산모델 각 구성요소의 공기저항과 분포율 그리고 압력저항과 점성저항 비를 Table 1에 정리하였다. 각 구성요 소별로 나타나는 공2.2 전두부 공력 최적설계 2.2.1 최적설계과정 전두부 최적설계 시, 전두부의 스포일러, 하부스커트 또는 버의 공기저항 저감효과를 검토하기 위하여 Fig. 6과 같이 대차커버가 적용된 해석모델을 구축하고 전산해석을 하 였다. Fig.
- 따라서 본 논문에서는 고속열차 편성열차에 대한 공력설계 과정을 체계적으로 구축하기 위하여, 전산해석을 통해 각 구성요소별 공기저항을 상세하게 분석하고, 이에 따른 공기저항 저감 방법을 결정하였다. 그리고 전체 편성열차 중심으로 공기저항 저감량을 정량적으로 분석하고, 최적설계된 편성열차에 대한 공기저항 향상 수준을 KTX-산천과 비교하였다.
- 8과 같이 최적설계 편성열차를 도출대차와 같은 상세 구성요소를 모두 고려하여 설계하는 것은 현실 적으로 매우 어렵다. 따라서, 본 연구에서는 Fig. 2와 달리 KTX-산천 전두부의 3차원 형상2.3 차체 공기저항 저감 2.3.1 동력차 형상에 따른 공기저항 변화 동력차 형상(차고, 차폭)변화에 따른 공기저항 저감효과를 검토하기 위하여, 동력차 높이와 폭을 변화시킨 조합의 모델을 Fig. 5 에 정리하였다. KTX-산천 형상(case1)을 기준으로, case2는 동력차(1, 10)와 2,9번 차량의 높이를 축소한 것이고, case3은 동력 차의 폭을 객차와 같이 확장한 것이다.
- 그리고 해석툴은 상용S/W인 Ansys Fluent를 사용하였다. 또한, 열차가 이동하는 상황에 대한 지면효과를 고려하여 위하여, 이동지면(Moving Ground)경계조건 350km/h을 적용하였으며, 열차표면은 점착 벽면조건(no-slip, wall) 그리고 지면과 차량을 제외한 경계는 원방경계조건(pressure far-filed)을 적용하였다. 해석결과 검증을 위해 300km/h까지 수행된 KTX-산천(호남)의 타행시험 결과와 비교하여 Fig.
- 4%의을 수치적으로 정의하여 최적설계용 기본모델을 구축하였다. 설계변수는 전두부길이, 전두부 끝단 높이, 상면 곡률, 하면 곡률 그리고 측면 곡률이며, 영업용 차량의 기저항계수를 식(1)과 식(2)에 따라 압력저항계수(CDp)와 마찰저항계수(CDf)로 구분하여 Table 2에 각각 제시하였다. 최적 형상은 전두부가 길어지면서 표면적이 늘어나기 때문에 기본형상에 비해 마찰저항계수가 약 0.
- 각 실험점에 해당하는 전두부 형상에 따라 10량 길이의 유선형 형상으로 해석 모델을 구성한 후, 3차원 압축성 Navier-Stokes 방정식을 이용한 전산해석을 수행하였다. 실험점 모델 각각의 전산해석결과를 이용하여, 총 8개의 Hidden node를 사용한 인공 신경망모델을 구축하였다[11]. 최적설계는 다른 제약조건 없이 10량 해석모델 공기저항의 최소화를 목적함기저항 분포를 살펴보면 선두차와 후미차에서 각각 23.
- 7(b)에서는 후 위 바퀴 고압이나 차체측면 저압이 급격히 감소되어 나타난다. 이러한 압력분포 변화로 인해 열차의 공기저항은 감소하게 되는 데, 결과적으로 이용하여 KTX-산천의 공기저항을 구성요소별로 분석하고, 공기저항을 목적함수로 전두부 최적설계를 수행하였으 며, 동력차 형상변화 및 대차커버를 적용하여 차체 공기저항 저감효과를 분석하였다. KTX-산천 구성요소 중, 선두차와 후미차 에서 나타나는 공기저항은 각각 23.
- 1% 증가하였다. 이처럼, 편성열차 전체의 차고와 차폭을 변화 시키지 않고, 동력차와 2번, 9번 차량의 차고만을 변화시켜도 최고 7.4%의을 수치적으로 정의하여 최적설계용 기본모델을 구축하였다. 설계변수는 전두부길이, 전두부 끝단 높이, 상면 곡률, 하면 곡률 그리고 측면 곡률이며, 영업용 차량의 기저항계수를 식(1)과 식(2)에 따라 압력저항계수(CDp)와 마찰저항계수(CDf)로 구분하여 Table 2에 각각 제시하였다.
대상 데이터
- 2 KTX-산천 공기저항 상세분석 공기저항 저감을 위한 방향성을 도출하기 위하여 전산해석모델의 공기저항을 분석하였다. 공기저항 분포를 구분하기 위하여 Fig. 2와 같이 편성열차를 선두차, 중간객차, 후미차, 대차로 구분하였다. 여기서 중간객차는 총 8량이며, 대차는 총 13기로 구 성되어 있다.
- 2와 같이 편성열차를 선두차, 중간객차, 후미차, 대차로 구분하였다. 여기서 중간객차는 총 8량이며, 대차는 총 13기로 구 성되어 있다. 전산모델 각 구성요소의 공기저항과 분포율 그리고 압력저항과 점성저항 비를 Table 1에 정리하였다.
- 1). 전산모델은 길이방향의 대칭면을 기준으로 반쪽 10량으로 구성된 KTX-산천을 구축하였으며, 열차형상이 잘 모사될 수 있도록, 3.5~60mm 크기의 격자를 차량표면에 분포시키고, 점성경계층 포착을 위해 총 15층의 프리즘 레이어를 구성하였다(Fig. 1(a)).
이론/모형
- 3과 같이 5가지 변수에 대하여 Maxi-min Latin Hypercube 기법을 이용하여 총 30개의 실험점을 추출하여 설계공간을 구 성하였다[10]. 각 실험점에 해당하는 전두부 형상에 따라 10량 길이의 유선형 형상으로 해석 모델을 구성한 후, 3차원 압축성 Navier-Stokes 방정식을 이용한 전산해석을 수행하였다. 실험점 모델 각각의 전산해석결과를 이용하여, 총 8개의 Hidden node를 사용한 인공 신경망모델을 구축하였다[11].
- 1% 저감되었다형상적인 제약조건을 간섭하지 않는 범위에서 고속열차의 공기저항에 주요한 영향을 미치는 형상변수들을 선정하였다. 그리고 Fig. 3과 같이 5가지 변수에 대하여 Maxi-min Latin Hypercube 기법을 이용하여 총 30개의 실험점을 추출하여 설계공간을 구 성하였다[10]. 각 실험점에 해당하는 전두부 형상에 따라 10량 길이의 유선형 형상으로 해석 모델을 구성한 후, 3차원 압축성 Navier-Stokes 방정식을 이용한 전산해석을 수행하였다.
- 약 1,500만개의 격자로 구성된 전산해석모델에 대하여, 지배방정식은 3차원 압축성 Navier-Stokes 방정식을 사용하였으며, 수치해석기법은 공간적분항에 대하여 Roe의 플럭스 차이분할법 그리고 시간적분항에 대해서 Euler 후방 내재적 방법을 사용하고 난류모델로 k-ω SST를 적용하였다[8-10]. 그리고 해석툴은 상용S/W인 Ansys Fluent를 사용하였다. 또한, 열차가 이동하는 상황에 대한 지면효과를 고려하여 위하여, 이동지면(Moving Ground)경계조건 350km/h을 적용하였으며, 열차표면은 점착 벽면조건(no-slip, wall) 그리고 지면과 차량을 제외한 경계는 원방경계조건(pressure far-filed)을 적용하였다.
- 약 1,500만개의 격자로 구성된 전산해석모델에 대하여, 지배방정식은 3차원 압축성 Navier-Stokes 방정식을 사용하였으며, 수치해석기법은 공간적분항에 대하여 Roe의 플럭스 차이분할법 그리고 시간적분항에 대해서 Euler 후방 내재적 방법을 사용하고 난류모델로 k-ω SST를 적용하였다[8-10].
성능/효과
- 5%의 오차를 나타낸다. 따라서, 전산해석 결과는 타행시험 결과와 잘 일치하는 것으로 판단할 수 있다.
- 1%이다. 전두부 최적설계 및 동력차 형상변경을 통해, 선두차(1번)와 후미차(10번)에서 각각 4.1%와 4.7%의 공기저항이 저감되고, 나머지 객차 에서 약 2.5% 의 공기저항이 저감되어, 최종적으로 최적설계 편성열차의 공기저항은 KTX-산천 대비 약 15.0% 줄어들었다. 또 한 최적설계 편성열차의 주행저항은 주행속도 350km/h에서 KTX-산천에 비해 약 12% 낮게 나타날 것으로 예상된다대차커버를 설치하면 공기저항은 Table 4와 같이 8.
- 설계변수는 전두부길이, 전두부 끝단 높이, 상면 곡률, 하면 곡률 그리고 측면 곡률이며, 영업용 차량의 기저항계수를 식(1)과 식(2)에 따라 압력저항계수(CDp)와 마찰저항계수(CDf)로 구분하여 Table 2에 각각 제시하였다. 최적 형상은 전두부가 길어지면서 표면적이 늘어나기 때문에 기본형상에 비해 마찰저항계수가 약 0.6% 증가하는 반면, 압력저항계 수가 약 6.7% 줄어들어 전체 공기저항계수는 약 6.1% 저감되었다형상적인 제약조건을 간섭하지 않는 범위에서 고속열차의 공기저항에 주요한 영향을 미치는 형상변수들을 선정하였다. 그리고 Fig.
- 실험점 모델 각각의 전산해석결과를 이용하여, 총 8개의 Hidden node를 사용한 인공 신경망모델을 구축하였다[11]. 최적설계는 다른 제약조건 없이 10량 해석모델 공기저항의 최소화를 목적함기저항 분포를 살펴보면 선두차와 후미차에서 각각 23.4%와 19.5%로 동력차에서 전체 공기저항의 약 43% 가 나타난다. 또한 2번과 9번차량이 각각 7.
후속연구
- 이 때, 고속열차의 운영속도를 보다 효율적으로 상승 시키기 위해서는 공기저항 저감이 필수적이다. 특히, 350 km/h로 주행하는 고속열차에서는 주행저항의 대부분이 공기저항에 의해 나타나기 때문에 공기저항 저감을 위한 연구가 반드시 수행되어야 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.