如何寻找数值仿真参数最优解？CFD参数优化详解来袭

数值仿真的参数优化

优化，就是寻找最优解。如何定义最优解？

通过数学的方式来定义，比如最小化/最大化某个目标函数。优化是数学和物理相结合的一门学科：数学是优化的工具，物理是优化的实质。

CFD参数优化指的是，以流体相关的变量（如流阻、效率、换热系数等）为优化目标的，基于自由形状、尺寸参数、物性参数、边界条件等参数的优化。

按照优化目标的数量可分为：单目标或多目标优化（MOO-Multi Objective Optimization）。按照学科的数量可分为单学科或多学科优化（MDO-Multidisciplinary Design Optimization ）

多学科优化工具参数驱动优化

多学科优化工具 HyperStudy 有两种途径驱动CFD模型：一种是内置的前处理接口SimLab，自动获取变量和提取响应。另外一种是Parameterized File模式，用户手动从求解器文件中提取变量和响应。后者是一种通用方法，支持DOE，响应面拟合，降阶模型、随机分析、多学科、多目标优化。

SimLab支持Inspire/Catia/NX/Creo双向CAD参数传递，HyperWorks CFD支持HyperMorph网格变形参数。

HyperStudy 集成的求解器接口

基于网格变形，创建Shapes自由形状变量，通常用于管路阻力或气动外形的优化。

HyperMorph定义Shapes

案例：机翼多学科优化

Winglet 用于减少翼尖的诱导阻力，从而提高飞行器的续航能量。但是在翼尖增加的额外重量会导致颤振变大。多学科分析采用PFSI流固耦合模型，气动力的计算结果来自AcuSolve外流场模型，而结构的模态分析结果来自OptiStruct。 

优化的目标：减少翼尖Y方向最大变形量，2个约束条件：机翼的升阻比L/D和机翼重量Mass。

机翼Winglet示意图

多学科优化的目标和约束

优化变量，6个几何参数：垂直面倾斜角Cant Angle，小翼长度Length，翼型厚度Thickness，翼尖流向长度Tip length，机翼扭转角Twist angle，翼尖在流向的偏移量x-axis displacement。

Winglet的6个设计参数

Winglet的6个设计参数的变动范围

首先采用MELS（修正的可扩展格栅序列法） DOE生成设计空间。Pareto Charts显示Cant Angle和Twist Angle对机翼的升阻比影响最大。

Pareto Charts显示Thickness对机翼的重量影响最大。

Pareto Charts显示Thickness对翼尖变形影响最大。

Winglet外形比较：原始模型（红色），优化后（绿色）

Winglet参数比较：原始模型（Nominal），优化后（Optimal）

采用GRSM全局响应面法迭代57次。优化结果：翼尖Y方向最大变形量减小40%，Winglet重量减少2公斤，气动性能满足约束要求。

案例：拟合试验曲线

某航空电子设备，包含了芯片、PCB板、散热片、冷却通道、和壳体。设备的初始环境温度为0℃，设备经历了升温和冷却的过程，时间历程1000秒。在实验中记录了热源位置的表面温度时间历程。已知冷却边界条件，材料的热物性参数，通过HyperStudy的Area Tool工具可拟合出热源的功率曲线。

观察试验曲线(蓝色exp)，发现0~150秒温度迅速上升，150~450秒温度缓慢上升，450~900秒温度缓慢下降，900~1000秒温度迅速下降。因此确定输入参数：5个时间点的热功率，优化目标：预测热功率曲线，使得仿真的温度和试验一致。

蓝色曲线exp：试验温度

灰色曲线run0：初始参数模拟温度

橙色曲线opt：优化参数模拟温度

优化流程：

• SimLab中创建CFD模型，定义初始热功率时间历程曲线 

• HyperStudy采用参数化文件模式定义优化变量（5个时间点的功率），提取响应 （监测点温度） 

• 导入试验曲线，Area Tool比较两条曲线，将曲线的面积差作为优化目标 

• ARSM自适应响应面优化算法最小化面积差，26轮迭代后获得最优解

航空电子设备

AcuSolve仿真结果

定义响应曲线

初始参数模拟温度和试验温度的曲线的对比（红色是面积差）

选择优化算法

优化过程（绿色是最优解）

案例：一维CFD模型参数的DOE和回归分析

在一维流体模块 Flow Simulator 中搭建涡轮冷却模型，研究轮盘冷却孔的面积和角度这两个形状参数对下游气流旋涡数（ Swirl Number ）的影响，最终计算出回归方程式。

涡轮冷却原理图

涡轮冷却一维CFD模型

HyperStudy 中的最小二乘回归模型是多项式表达式，它将输出响应与设计变量相关联。需要选择合适的Fit算法才能创建准确的近似值。这要求事先了解输出响应的行为（线性、非线性、噪声等），并且需要足够的DOE样本点来达到回归分析的精度。 

R-Square表明Fit的精度，值越高Fit的质量越好。例如，如果 R-Square = 0.84，则数据中 84% 的方差可通过Fit预测。高于 0.92 的值通常非常好，低于 0.7 的拟合精度较差。

HyperStudy中定义设计变量和响应

HyperStudy中定义DOE方法

Fit工具给出一个三次样条函数, y=A+Bx+Cy+Dx^2+Ey^2+Fx^3+Gy^3 来表达响应值和2个输入参数的关系。

得到回归方程式

---

Altair 技术大会（2024 ATC）重磅来袭，将于今年9月分别在杭州和深圳举办，大会以“The Science of Possibility”为主题，邀请国内外知名企业高管和行业专家共聚一堂，探讨企业如何利用仿真革新技术助力工业制造业研发和智能制造领域焕发新生命力。

详细信息请点击：

2024 Altair技术大会 深圳站——9月10日

2024 Altair技术大会 杭州站——9月12日

诚挚邀请您参加本次大会（活动免费，名单需审核），共同探索“The Science of Possibility”！