长期以来,赛车研发的核心迭代高度依赖机械工程经验,引擎调校、底盘优化、车辆性能升级等环节,均以硬件打磨、实车测试、手感调校为核心模式。伴随F1动力单元进一步提高电驱占比,并持续强化能量管理和燃油效率要求,赛车研发的竞争逻辑正在从单一经验驱动,转向数据、仿真与工程经验协同驱动。

2026年F1新规进一步上调MGU-K电机功率、收紧燃油能耗管控标准,现代赛车整车搭载数百颗传感器,赛事运行过程中每秒产生海量遥测数据,电磁损耗、部件温升、转矩波动等多维度变量相互交织,传统纯机械经验的调校模式已触及性能上限,无法适配新规下的高性能、低能耗研发需求。在此行业变革背景下,数据算法、数字仿真、算力建模成为赛车研发的核心竞争力,具备多物理场耦合算法研发、数字化建模能力的科创人才,成为填补行业技术缺口的关键力量,推动赛车研发从“机械经验驱动”向“数据智能驱动”迭代升级。

行业数字化转型浪潮下,一批具备顶尖学术背景的青年科研从业者深耕赛车AI算法与数字孪生领域,打破传统机械研发的固有局限,以数字化技术推动行业研发模式革新。其中,拥有剑桥大学工程流体热力工程、牛津布鲁克斯大学竞速发动机硕士学术背景的廖凌峰,是该领域极具代表性的新生代技术研究者。不同于行业传统研发路径,他更聚焦赛车多物理场耦合AI算法与数字孪生建模核心方向,依托扎实的学术积累与自主技术研发,通过建模仿真、算法迭代、工具自研重构赛车全流程研发逻辑,其实战成果与技术理念,为国内赛车行业数字化、自主化升级提供了重要的实践支撑。

当前赛车行业的研发迭代,本质是技术逻辑的新旧更替。在电气化赛事时代,行业核心解题思路已发生深刻演变。传统赛车工程强调机械设计、结构调校、制造装配和现场故障处理,核心目标是保障车辆固有性能的稳定性;新一代数字工程方法则进一步引入遥测数据、仿真建模和控制策略分析,使设计、调校和故障诊断更加可量化、可复核、可迭代,能够提前预判车辆隐患、挖掘硬件极限性能,在故障发生前完成整车性能与能耗的优化调校。两种研发体系互补共生,共同推动赛车性能持续升级。

基于对行业发展趋势的判断,廖凌峰在求学阶段将研究重点放在车辆工程、动力总成和流体热力分析基础上的电驱系统热管理、车载数据分析和多物理场仿真。围绕2026年F1新规下MGU-K功率提升带来的电磁损耗、部件温升、电压裕度和温度相关转矩响应问题,他开展了面向下一代F1高功率电驱系统的电磁-热耦合分析研究。

该研究以公开文献中的GT-Suite 2026 F1动力单元模型及拉斯维加斯飞驰圈(Las Vegas Flying Lap)工况为输入,结合FluxMotor、Flux 2D和Python高级数据处理管线,建立弱耦合电磁-热仿真链路。研究将单圈速度-转矩需求映射为电磁损耗和部件温升,并进一步将热态磁体参数反馈至电磁模型,评估其对电压需求、转矩响应和损耗分布的影响。结果表明,在所设定的热态材料参数和固定电流矢量条件下,电机所需基波线电压平均降低约4.6%。FIA 2026技术规则规定,赛车最大工作电压不得超过1000V;在这一电压约束下,所需基波线电压的下降意味着逆变器调制裕度相应扩大。该结果揭示了磁体温度、磁链变化、逆变器电压裕度与电流矢量控制之间的耦合关系,而非简单的单向性能衰减。

该项研究工作表明,高功率MGU-K的风险评估不能只看绕组温度;磁体热点、转子侧散热、赛前热状态、电压裕度和温度感知电流矢量标定,同样会影响系统设计判断。该工作补充了公开研究中对部件级温度场和热态电磁响应的分析维度,为高性能电驱系统热管理、运行边界评估和控制策略优化提供了可追溯的仿真路径。成功以数据智能与底层算法创新重构了极端工况下的电驱系统控制标定逻辑。

在科创成果落地方面,廖凌峰作为独立全栈开发者,自主开发了两套赛车数字化工具,分别为《基于多物理场数据融合的赛车引擎性能智能预测与优化系统V1.0》与《赛车关键部件数字孪生与寿命预测智能分析平台V1.0》。其中,引擎性能智能预测系统基于Ubuntu操作系统与VS Code开发环境,由其采用Python语言独立编写数万行核心系统源代码,结合Anaconda3支撑环境搭建高精度机器学习时序预测模型,精准适配国内赛车引擎动态工况优化需求;部件寿命智能分析平台依托Arch Linux操作系统,采用Emacs编辑器与GCC编译器,通过C/C#语言独立编写万余行核心底层代码,实现赛车核心部件虚拟建模、工况数据采集、寿命精准分析的全维度关联映射,精准对接行业引擎工况预判、赛事部件寿命量化两大普遍难题。

其核心技术优势在于市面上主流海外商用软件虽具备基础多物理场分析能力,但通用性强、针对性弱,适配国内赛事工况时,需要人工完成繁琐的跨模型数据衔接、参数标定与工况定制,效率低、复用性差。为此,他基于Python、MATLAB搭建专属机器学习时序模型,融合赛道温度、转速-扭矩、材料热衰减四类多维本土化工况数据,搭建多因子融合AI预测框架,能够实现对车辆损耗、过热风险和转矩偏差等关键指标的高效预测,相较传统人工测算模式,显著提升了预测效率与精准度,极大优化了车队赛事研发与调校流程。

同时,数字孪生分析平台构建了赛车动力、悬挂等核心部件的高保真虚实映射体系,整合多工具联动建模能力,录入交变载荷、赛道冲击、材料热衰减等赛事数据,通过AI算法模拟分析多种极限赛事工况下的演变趋势,量化部件累积损伤与剩余使用寿命,助力传统运维模式向数据驱动的预防性维保体系升级。

实战赋能赛事一线 数字化技术破解真实工况难题

相较于大量停留在实验室仿真阶段的数字化技术研究,本次落地的赛车数字化算法与模型,全程依托国内外一线职业赛事完成迭代优化,实现学术研究与竞速实战的双向验证、双向赋能。相关数字化技术先后应用于亚洲GTWC冈山站、澳门格兰披治大赛、CEC珠海耐力赛等多场高端职业赛事,经过多场景、多工况实战检验,技术稳定性与适配性得到充分验证。

在GT耐力赛驻场研发工作中,数字化分析方法被严谨地应用于整车数据记录与赛事辅助研判。廖凌峰在测试周与race week的高压环境下,通过WinDarab、Circuit Tools、AiM等行业专业数据软件,负责车队多维赛事数据的日常录入、维护与整车动力遥测管线监控。在练习赛后的常规数据筛查中,他通过细致筛查车载ECU时序数据,成功发现了一例隐蔽的空调(A/C)压缩机早期故障故障,并及时协助赛车工程师与机械师完成了参数核对与部件修复,在实战工况下展现了扎实的数据洞察力,为保障赛车运行稳定性提供了可靠的技术支持。

在大学生方程式赛车新车研发项目中,廖凌峰主攻2026款赛车侧翼、后悬挂气动数字孪生仿真优化工作。他依托SolidWorks三维建模搭配STAR-CCM+湍流仿真算法,通过AI自动迭代优化车身曲面结构,有效降低车辆行驶紊流阻力。对比传统手工风洞打磨方案,虚拟仿真迭代效率提升三倍,大幅缩减车队研发试验成本、缩短新车迭代周期。

技术跨界赋能 竞速数字化成果助力民用新能源产业升级

当前,AI算法、数字孪生技术已全面渗透赛车零部件研发、整车调校、赛事运维全链条,成为全球赛车行业发展的核心趋势。相关工业数字化调研白皮书表明,全面引入数字孪生与仿真闭环的赛车研发团队,在虚拟仿真阶段可显著降低显著的研发试错成本与潜在的动力故障风险,数字化技术的工具赋能价值在竞速领域愈发凸显。

作为汽车工业的前沿技术试验场,赛车领域的尖端技术具备极强的跨界迁移价值,可有效赋能民用新能源汽车产业转型。对此,廖凌峰有着清晰的技术落地规划,他认为,赛车行业沉淀的成熟热力耦合算法、部件寿命数字孪生技术,经过参数适配与场景优化后,完全可以下沉应用于民用新能源汽车研发领域,实现竞速科创技术的民用价值转化。

其自研的赛车动力AI预测模型,经适配优化后可直接应用于新能源车载电机温控系统,解决民用电车电机高温损耗、温控失衡等行业痛点;针对赛车传动件搭建的寿命分析框架,也可迁移至新能源电池包、汽车底盘全生命周期安全监测场景,结合电化学与热安全模型,实现电池系统风险实时预警、底盘结构寿命精准研判,有效填补民用新能源汽车核心部件安全监测的技术短板。

当前汽车产业电气化转型进入深水区,行业极度稀缺同时掌握前沿仿真算法、兼具学术研究与一线赛事实战经验的数字化人才。目前,他仍在持续迭代自研国产赛车数字化工具,积累多赛道、多车型的实测数据集,以青年科研视角打破传统赛车工业的研发壁垒,完善国内赛车数字化自主化技术体系,同时持续推动竞速尖端技术民用落地,为汽车产业电动化、智能化升级赋能。

【以上内容为推广信息，所涉及内容不代表本网观点，不构成投资建议、消费建议。】