1. 课程导入与优化问题界定

在工程仿真中，很多初学者会把 Fluent 当作“验证工具”：几何建好、网格划好、边界条件设好，跑一遍，看看压力损失或换热系数是多少，然后写报告。这种方式能回答“这个设计行不行”，却回答不了“哪个设计更好、为什么更好、还能好到什么程度”。参数化设计与多目标优化要解决的，正是后一类问题。它的核心不是把仿真跑得更快，而是把仿真从一次性的“结果计算”变成可重复调用的“性能函数”，让几何尺寸、边界条件等输入参数与压降、换热、温度均匀性等性能指标之间建立起可计算、可搜索的映射关系。

从“单次仿真”到“参数—性能映射”

先看一个具体对象。假设我们要优化一个板翅式散热器的冷却流道，几何上可调的参数包括翅片高度 H、翅片间距 P、流道长度 L，入口流速 v 由工况给定。我们关心的性能指标有两个：一是换热能力，用进出口温差或平均对流换热系数表征；二是流动阻力，用进出口总压降 Δp 表征。这两个目标天然冲突——翅片越密、越高，换热面积越大，换热越好，但压降也越大。这就是典型的多目标优化问题：不存在让两个目标同时达到最优的单一解，而是一组权衡解。

要让 Fluent 参与优化，第一步是把几何参数变成可自动修改的输入。在 Ansys 工作流中，通常用 SpaceClaim 或 DesignModeler 建立参数化几何，把 H、P、L 标记为输入参数；在 Fluent 中把 Δp、出口平均温度等结果标记为输出参数。这样，一次“几何改动—网格更新—求解—提取结果”的完整过程就可以被 Workbench 参数集或脚本自动驱动。此时，Fluent 求解器相当于一个黑箱函数：输入一组参数，输出一组性能指标。

Fluent 仿真流程与优化环节的衔接

常规 Fluent 仿真流程大致为：几何建模 → 网格划分 → 物理模型与边界条件设置 → 求解 → 后处理。优化环节并不是接在最后，而是包裹在整个流程之外，形成“外层优化算法 + 内层仿真评估”的结构。外层算法（如拉丁超立方采样、遗传算法、NSGA-II 或梯度类算法）负责生成参数样本或候选设计点；内层则对每个设计点执行一次完整的参数化仿真，并把性能指标返回给外层。外层根据返回结果更新搜索方向，再生成下一批设计点，直到满足收敛条件或达到计算预算。

这里有一个容易被忽视的衔接点：网格。如果每个设计点的几何都重新划分网格，网格数量和质量会随参数变化而波动，导致数值误差混入优化过程。工程上常用两种策略：一是采用自适应网格或统一网格尺度，使不同设计点的网格密度尽量一致；二是对简单参数变化采用网格变形而非重划，保持拓扑不变。无论哪种方式，都要在优化前确认：参数在小范围内变化时，求解结果对网格的敏感度低于对几何参数的敏感度，否则优化结果可能被数值噪声主导。

建立映射思维：把工程问题翻译成优化问题

从上面的结构可以看出，参数化设计与多目标优化的第一步不是打开软件，而是把工程需求翻译成数学形式。以散热器为例，工程语言是“在泵功率允许范围内尽量提高散热能力”，翻译成优化语言就是：

设计变量：H ∈ [4, 12] mm，P ∈ [1.5, 4] mm，L ∈ [60, 120] mm
目标函数：max f1 = 换热能力（如出口平均温度降）
          min f2 = Δp（进出口总压降）
约束条件：最高壁温 Tmax ≤ 85 °C
          入口流速 v = 2 m/s（工况固定）
          几何可制造性：P ≥ 1.5 mm

这里要特别注意“约束”和“目标”的区别。约束是必须满足的硬边界，目标是可以互相权衡的软指标。如果把最高壁温也当成目标去最小化，问题就变成了三目标优化，Pareto 前沿的维度和解释难度都会上升。工程上更常见的做法是：把安全、法规、制造相关的量设为约束，把真正希望改善的性能设为目标。

另一个关键判断是参数范围。范围太窄，优化空间有限，算法很快触到边界；范围太宽，可能出现几何自交、网格失败或流动状态突变（如层流变湍流），导致仿真结果不可比。合理的做法是先做单参数扫描，观察性能随参数的变化趋势和拐点，再据此设定优化区间。例如，当翅片间距 P 小于 2 mm 时压降急剧上升，而换热增益趋于平缓，那么 P 的下界就不宜设得过低。

多目标优化的结果不是“一个最优解”

单目标优化输出一个最优参数组合，多目标优化输出的是一组互不支配的解，称为 Pareto 最优解集。所谓“互不支配”，是指在不牺牲至少一个目标的前提下，无法再改善另一个目标。对散热器问题而言，Pareto 前沿上的每个点都代表一种合理的权衡：有的设计换热强但压降大，有的设计压降小但换热弱。最终选哪个，取决于工程偏好——如果泵功率充裕而空间受限，可能偏向高换热端；如果能耗敏感，则偏向低压降端。

因此，本课程后续会反复围绕三个问题展开：如何让 Fluent 仿真可靠地参数化运行；如何用尽量少的仿真次数找到高质量的 Pareto 前沿；如何根据工程需求从 Pareto 解集中做出选择。这三个问题分别对应参数化建模、试验设计与代理模型、多目标决策。本章的任务是建立整体框架，后续章节将逐一展开具体操作与实现细节。

最后强调一个常见误区：优化不是“让软件自动找到最好设计”。优化算法只能在给定的参数范围、目标定义和约束条件下搜索，它不会质疑问题本身是否提得合理。如果目标函数选错了，或者约束漏掉了关键制造限制，优化结果再漂亮也无法落地。因此，优化问题界定阶段投入的思考，往往比后面调算法参数更有价值。