在渦輪冷卻設計中涉及到眾多的設計參數選擇和優化問題，目前優化技術越來越多的成為產品創新設計中的重要環節；基于高精度的流熱固耦合仿真計算和各類數學優化算法的大規模HPC并行計算，對提升渦輪葉片冷卻設計效果無疑將起到重要的推動作用。

工程師在渦輪冷卻葉片初步設計方案的基礎上，建立其流熱固耦合仿真模型，以各冷卻通道位置、壁厚、各回路冷氣用量、局部冷卻特征（如柱肋、氣膜孔）參數為設計變量，以渦輪葉片整體降溫需求為約束，以最少冷氣量為目標，利用優化算法不斷改進上述設計變量直到獲得最佳設計方案：

渦輪葉片在工作過程中，高溫燃氣、渦輪冷卻葉片、冷卻氣體間存在實時對流換熱，氣動載荷和溫度載荷等會導致渦輪冷卻葉片發生變形，因此渦輪冷卻葉片是一個典型的流-熱-固耦合分析問題。

基于Ansys Workbench平臺用戶可方便的搭建流-熱-固耦合仿真分析流程，首先對葉片進行幾何前處理、流體域/固體域網格劃分，然后在Ansys CFX中進行流-熱耦合計算，最后導入靜力學分析模塊Static Structural進行流-熱-固耦合分析。用戶還可根據需要進行后續的疲勞、蠕變分析等。Ansys為用戶進行渦輪葉片流-熱-固耦合仿真提供了極大的便利！

基于Ansys Workbench平臺搭建流-熱-固耦合仿真分析流程

渦輪冷卻葉片參數化設計過程中，涉及到眾多設計參數和優化目標量，對一般仿真工程師而言很難快速選擇合適的優化算法，也難以對優化目標在設計空間的變化規律進行預先判斷，因此實際優化過程中存在諸多困難：

1. 優化算法如何選擇？

2. 是否陷入局部最優？

3. 是否支持離散的參數空間定義？

4. 如何解決多輸入/輸出參數優化計算量過大問題？

5. 優化結果的魯棒性如何？

Ansys optiSLang就是一款先進的仿真流程集成與優化設計工具，它基于數學方法研究產品設計中的輸入參數和輸出響應，實現設計流程集成以及自動化優化。optiSLang智能優化技術首先通過對設計空間的大規模探索（DOE采樣），建立高精度的元模型（MOP），基于元模型自動選取合適的優化算法進行優化計算。optiSLang不僅能夠優化產品性能，同時兼顧設計的魯棒性以及可靠性，最終達到穩健設計。

optiSLang通過對設計空間的充分探索，建立高精度預測元模型，對參數敏感度進行分析并選擇影響較大的參數作為后續優化目標量。根據輸入參數和優化目標自動推薦給出最合適的優化算法，并最終實現產品魯棒性、可靠性評估。

optiSLang可基于采樣數據對系統響應建立預測模型，這個模型稱為最佳預測元模型（MOP-Metamodel of Optimal）。optiSLang提出一個評估預測模型質量的關鍵指標——預測系數（COP-Coefficient of Prognosis），預測系數越高則模型的精度越高，COP=1時預測元模型可以完全等同于真實模型。

自適應元模型（AMOP-Adaptive MOP）：在元模型技術基礎上，optiSLang提出自適應元模型（AMOP），用戶可設定目標預測系數（COP）如0.99，元模型會在原有采樣基礎上自動加密采樣點直至預測系數達到目標值為止。

optiSLang在獲得采樣數據并生成高精度元模型后，基于元模型獲取參數敏感度信息并自動降低參數空間，根據最佳的起始設計進行下一步的優化。軟件在優化算法決策樹中根據所獲得信息自動推薦優化算法。如下圖：綠色為推薦的優化算法，黃色為可以使用的優化算法，紅色為不推薦的優化算法。設計人員無需具備專業優化算法知識也可進行優化設計！

以NASA C3X渦輪葉片為例，該葉片包含一個位于前緣的冷卻通道，需要在冷卻通道頭部添加3排氣膜冷卻孔，輸入參數為各排氣膜孔的直徑與射流角度；優化目標為葉片表面的最大溫度和平均溫度最低，同時葉片的熱應力和熱變形盡可能的小。

NASA C3X氣膜冷卻渦輪葉片與內部流體域

該問題是典型的流熱固耦合仿真，我們首先在Workbench平臺下搭建仿真流程：包含幾何模型前處理、流體域/固體域網格劃分、流場/溫度場求解和結構熱應力/熱變形分析。通過基于Ansys的流熱固耦合分析可得葉片的流場、溫度場、結構應力/變形結果。在此基礎之上提取輸入參數：3排氣膜孔各自的直徑、射流角度共6個參數；優化目標量：葉片表面最大溫度/平均溫度、葉片最大熱應力/應變共4個參數。

經過optiSLang的采樣計算、元模型構建，基于高精度的元模型自動對輸入/輸出參數進行參數敏感度分析并生成相關性矩陣。軟件會自動選擇對輸出結果影響較大的輸入參數作為后續優化對象，這里自動排除了對結果影響微弱的第二排氣膜孔角度和第三排氣膜角度，并生成了各個主要輸入參數與輸出參數間的元模型（MOP）。

基于生成的高精度元模型，軟件自動選擇適合于該問題的優化算法——遺傳優化算法（Evolutionary Algorithm）進行優化計算。下圖為以葉片表面最高溫度值和平均溫度值為最優先目標量的帕累托圖（Pareto），用戶可據此選擇合適的設計點作為最終優化結果。這里選擇帕累托邊緣曲線上葉片表面最高溫度值最小的點162號作為最終優化結果）。

根據元模型優化得到的設計點代入到初始仿真流程中進行計算驗證，并得到經過驗證確認的最終優化結果。可見基于元模型（MOP）所得優化結果與最終驗證結果非常接近（溫度誤差均小于0.5K），相比于初始設計，葉片表面最高溫度和平均溫度分別降低了1K和7K。

Ansys為渦輪設計工程師提供基于Workbench的葉片流熱固耦合解決方案，在此基礎上還可通過Ansys optiSLang進行設計參數的優化和穩健性分析。Ansys將助力用戶獲得性能最優的渦輪葉片冷卻設計結果！