本期文章将通过2个简单案例演示 HyperWorks CFD 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。
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。
