面对日趋严峻的能源危机,提升交通工具燃油经济性成为企业研发设计的必然选择。研究结果表明:降低气动阻力系数是降低油耗的重要手段。目前大部分汽车设计采用整体最优化设计思想,但是大多数的被动减阻设计适用的区间较小,容易受到行驶条件的限制。为解决该问题,随行波减阻的概念被提出来了。目前国内外关于随行波减阻研究既有静态的被动减阻,又有动态的主动减阻,但都是单一性的研究,且研究的工况都比较特殊,不具有普遍适用性。因此,在简易模型上探究随行波减阻措施,可有效地提升燃油经济性,可广泛地应用到各类交通工具中。本文首先以Ahmed为基本研究对象,基于风洞实验确定了仿真策略。同时完成了不同静态随行波结构模型的建模和仿真,分析了不同的结构参数对气动收益和流场的影响,并且从速度场、剪切应力以及压力分布等探究了静态随行波的减阻机理。结果表明:静态随行波的布置位置、深度以及波长等结构参数均对气动收益有重要影响,局部最优减阻率为3.1%,但是都存在最佳实用工况,不能克服被动减阻适用面窄的问题。其次,通过UDF程序,探究了动态随行波以及动静随行波耦合对Ahmed气动特性的影响。正交实验表明:随行波耦合的方式并不能克服被动减阻的缺点,并且极差分析表明其不适宜作为控制模型。而动态随行波可以通过改变行波参数使减阻效果在不同工况保持在3.4%左右。极差分析表明:各参数的主次性依次是车速、幅值、频率和波长。最后选取了动态随行波作为控制模型,选取了车速、随行波的幅值和频率作为自变量,完成了120组样本点的仿真计算,编写了用于气动收益系数预测的BP神经网络和RBF神经网络源程序代码,并各自完成了训练和学习。模型预测结果表明:BP神经网络更适宜于随行波气动特性的预测,15组测试样本的数据重合率为96%。训练完成的BP神经网络能够较为准确地进行预测控制。综上所述,论文以Ahmed模型为基础,通过UDF建立了动态随行波控制模型,并进行了全因子的仿真计算,搭建了神经网络预测模型,对于随行波减阻应用具有一定的实际意义。