1. 课程导入与CFD参数化优化全景
在传统CFD工作流中，工程师往往经历这样的循环：在CAD软件中手动修改几何尺寸，导出模型，重新划分网格，设置边界条件，提交求解，再打开后处理软件读取结果。如果性能不达标，就回到CAD重新改尺寸，重复上述全部步骤。一个包含5个设计变量的翼型优化问题，若每个变量取10个水平，全因子试验需要105=100000次仿真，即使每次仿真仅需10分钟，也需要近两年的计算时间。这种"手工改型—仿真—判断"的模式，正是参数化优化要解决的核心痛点。
本课程围绕三个关键词展开：参数化设计、CFD仿真与优化。理解三者的关系，是掌握整门课程的前提。
三个核心概念及其关系
参数化设计解决的是"几何如何被描述"的问题。它不直接操作点、线、面，而是用一组具有工程意义的参数（如弦长、弯度、厚度分布、扩张角、叶片安装角）来驱动几何生成。参数化建模的价值在于：几何成为参数的函数，改变参数即改变几何，且这一过程可被程序自动调用。常见的参数化方法包括尺寸驱动、特征驱动、基于样条的曲线曲面参数化，以及自由变形（FFD）、CST、B样条控制点等更灵活的方式。
CFD仿真解决的是"性能如何被评估"的问题。给定一个几何与工况，CFD通过离散求解Navier-Stokes方程，输出升力、阻力、压降、温度分布、流量分配等性能指标。在优化循环中，CFD扮演的是"目标函数与约束的求值器"角色——它不关心几何怎么来的，只负责把几何映射为性能数据。
优化算法解决的是"如何高效找到最优参数组合"的问题。它根据CFD返回的性能数据，决定下一步应该尝试哪组参数。优化算法分为梯度类（如SQP、伴随方法）和无梯度类（如遗传算法、粒子群、代理模型优化）。在CFD场景下，由于单次仿真成本高，代理模型优化和伴随方法尤为常用。
三者的关系可以概括为：参数化设计提供设计空间，CFD仿真提供评价函数，优化算法在设计空间中搜索最优解。缺少参数化，优化无法自动改变几何；缺少CFD，优化没有评价依据；缺少优化算法，参数化与CFD只能构成手动试错循环。
从几何参数到性能改进的完整工作流
一个完整的CFD参数化优化流程包含以下关键环节，每个环节都有明确的输入、输出与判断依据。
第一步：定义设计变量与设计空间。这是整个流程的起点，也是决定优化上限的关键。以某离心泵叶轮优化为例，可选设计变量包括：叶片出口安装角β₂（范围18°~28°）、叶片包角φ（范围90°~130°）、出口宽度b₂（范围8~14 mm）、叶片数z（离散取值5~9）。设计变量必须满足两个条件：一是对目标性能有显著影响，二是彼此之间尽量独立。若两个变量高度耦合，会导致设计空间冗余，降低优化效率。
第二步：建立参数化几何模型。将设计变量映射为可自动生成的几何。对于叶轮，可用Bezier曲线控制点描述叶片型线，控制点坐标由β₂、φ等参数计算得到。几何生成必须保证参数变化时网格拓扑不变，否则每次迭代都需要重新设计网格划分策略，极大增加自动化难度。常用做法是采用保拓扑的参数化方法，如FFD或径向基函数变形。
第三步：搭建自动化仿真链。将几何生成、网格划分、求解设置、结果提取串联为可批量执行的脚本。以ANSYS Workbench为例，可通过参数集（Parameter Set）将Fluent中的目标函数（如扬程、效率）标记为输出参数，由Workbench自动驱动更新。关键点在于：网格划分策略必须对参数变化鲁棒，边界条件与求解设置需保持一致，结果提取要自动完成且格式统一。
第四步：选择优化策略并执行迭代。根据设计变量维度与单次仿真成本选择算法。若单次仿真耗时超过30分钟且变量维度低于20，建议采用代理模型优化：先通过拉丁超立方采样生成50~100个样本点，构建Kriging或径向基神经网络代理模型，再用遗传算法在代理模型上搜索，最后对候选最优点进行CFD验证。若变量维度超过50且梯度信息可获取，伴随方法效率更高——其计算成本与设计变量数量无关。
第五步：结果分析与决策。优化收敛后，需检查最优解是否满足所有约束，并通过敏感性分析确认哪些变量对目标影响最大。若存在多个冲突目标（如效率与空化性能），应输出Pareto前沿供设计决策。最终结果需经过高保真CFD复核，确认性能提升真实可信。
一个可参照的示例参数设置
为便于后续章节展开，这里给出一个贯穿课程的示例对象——二维翼型RAE2822的减阻优化。设计变量取3个：前缘半径缩放因子r（0.8~1.2）、最大弯度位置xc（0.3~0.5）、后缘厚度tte（0.005c~0.015c）。目标函数为阻力系数Cd最小化，约束为升力系数Cl不低于基准值的95%，工况为Ma=0.73、Re=6.5×106、α=2.0°。该示例将用于演示参数化建模、网格自动更新、代理模型构建与优化迭代的全过程。
需要强调的是，参数化优化不是"一键出最优解"的魔法。它的价值在于：把工程师从重复的手工改型中解放出来，让计算机在明确的设计空间中系统搜索，而工程师则专注于定义正确的设计空间、合理的约束与可信的仿真模型。这三件事，恰恰是优化结果是否有工程意义的分水岭。