现代网站开发建设全网seo优化电话

本期文章将通过2个简单案例演示参数优化的操作步骤，一起来看看吧！

流程自动化

实现 CFD 参数优化，首先要创建流程自动化。用户可采用SimLab的Python宏命令，录制建模流程。或在HyperWorks CFD模块的Template Manager创建Tcl/Tk命令流。这两种方法都可以在后台调用AcuSolve求解器，自动划分网格，提交计算任务和获取响应值。

Automation → Scripting → Record/Play录制或回放Python脚本。

SimLab 的 DOE 工具用于多工况（例如不同的流量，阀门开度等）的一键提交计算。

HyperWorks CFD的流程自动化。用户在Template Manager中定义一系列动作，例如划分网格，定义边界，材料定义等，而无需手动编辑Tck/Tk脚本。

Template Manager脚本回放

案例一：管路水温优化

管路分别有一个大直径的冷水入口，和一个小直径的热水入口。管路出口的温度受2个入口流速和温度的影响。

演示 HyperStudy 优化CFD模型：

• DOE研究4个输入参数，流速V_cold,V_hot，温度T_hot,T_cold的敏感性和相关性

• 拟合出口温度的响应面

• 寻优入口流速和温度的参数组合，满足目标出口温度。

参数化AcuSolve的*inp求解文件，将 inlet 的参数作为设计变量：

定义设计参数的范围，数据类型（整数、小数，字符）：

驱动CFD模型在后台完成计算：

提取响应：outlet的平均温度

Setup Definition完成表明参数化模型创建成功，就可以进入下一步DOE，拟合响应面或优化的步骤。

DOE的Full Factorial会将每种参数组合计算一次，对于本例，总共有5^4=625个工况。选Fractional Factorial（Resolution III）计算代价最小，对于本例，只需要计算25个工况。但是这会混杂主效应与输入参数之间的相互作用，如果相互作用显著，预测可能不准确。如选Resolution V，代价只有Full Factorial的1/4，且主效应和相互作用没有混杂。

Pareto Plot显示出口温度的主要影响参数：T_hot最大，且是正影响(阴影线条是”///”)。V_cold影响最小，且是负影响(阴影线条是”\\\”) 。

Linear Effects显示有3个输入参数都是正效应，T_hot影响最大（正斜率最大）。

说明：增大T_hot，对提高出口水温效果最好，增大T_cold效果次之，增大V_hot再次之，增大V_cold在一定范围内影响不大。

Interactions显示T_cold和T_hot对出口温度的影响相对独立。（越接近平行线表明相关性越小）。

Interactions显示T_cold和V_cold对出口温度的影响是相关的（2条线越偏离平行，相关性越强）。对于这个简单模型，这是显而易见的：当V_cold高的时候，T_cold稍微变动就会显著影响出口温度。

响应面拟合：将上一步DOE的Fractional Factorial结果作为响应面的输入， DOE的Hammersley方法作为验证。默认的拟合选项FAST会从LSR/MLSM/RBF中自动找出一个最佳的算法。R-Square是确定性系数，>0.92表示拟合质量较好。

Trade-off可以进行预测分析，用鼠标滑块调整输出参数，进行what-if分析。

用Report工具将响应面输出成多种格式，包括*fmu,*htm等。如输出*xls格式，则可以在excel中进行what-if分析而无须打开HyperStudy。

GRSM全局响应面优化算法找出最接近目标值的参数组合：

案例二：散热片优化

HyperStudy 驱动NX参数对散热片模型进行参数研究， 分析最高温度和风道压差的变化。 

• 2个输入参数：散热片的翅片数和厚度。2个输出参数：散热片最高温度和风道压力损失 

• 优化目标：散热片温度最低，同时满足风道的压力损失约束条件 

• 散热片原设计：24个翅片，厚度1mm。入口边界：300K,  7m/s。发热功率密度：5 W。

风冷散热片模型

在SimLab中启动宏录制功能，导入NX散热片模型。（首次运行，需要双击SimLab安装目录下的configure.exe文件配置CAD环境变量）

在SimLab的参数管理器中修改NX尺寸参数, 划分网格，设置边界条件、材料属性、求解器参数等，提交CFD计算，保存脚本*py文件

散热片表面温度

切面风速

HyperStudy 参数化SimLab的*py文件，定义散热片的厚度和个数为设计变量：

定义风道压差和散热片最高温度为响应参数：

Setup Definition完成表明参数化模型创建成功，下一步选择拉丁超立方DOE：

Multi-Execution设置同时执行多个计算任务。比如CPU有32线程，可以设置为4Jobs，每个Job用8线程：

Pareto Plots显示散热片温度影响因素：翅片厚度影响大于翅片个数，

翅片厚度和个数对温度都是负影响（阴影线条是”\\\”）。

Pareto Plots显示风道压力损失影响因素：翅片厚度影响大于个数，

翅片厚度和个数对温度都是正影响。（阴影线条是”///”）

Interactions显示：当翅片较厚的时候，翅片越多，风压损失越大（斜率大）。当翅片较薄的时候，翅片个数对风压影响不显著（斜率小）

Interactions显示：无论翅片薄厚， 翅片个数越多，温度越低（两条线几乎平行，且是负斜率）

定义优化目标：散热片温度最低，同时满足风道的压力损失约束条件。采用GRSM全局响应面法寻优50次，找到最优解

优化结论：散热片25个翅片，厚度3mm,  温度最低，但是风压损失超过约束值。因此最终方案是16个翅片，厚度2.8mm。

---

 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”！