每當熬夜改模型畫網格，周末發現算例離奇發散時，眼含熱淚的你是否想過：我做仿真的目的是什么？

可能因為你天生喜歡花花綠綠的后處理云圖，每次看到都像吃了蘑菇一樣興奮；

也可能為了和實驗結果盡可能接近，讓實驗室同事對你刮目相看；

但更可能的，是來自領導和甲方的無理取……

你既然做了仿真，說明你本質上做的就是正向研制工作。哪怕是基于友商產品做一丟丟改進，那也是站在前人肩膀上的正向研制。

純逆向抄你做什么仿真？上皮尺就行。

既然是正向研制，就往往少不了優化。

比如設計一款風扇，你想讓它額定轉速下的葉輪功耗相比已有方案降低至少10%，且流量不降低。

如何下手？

單單對風扇葉片，就有葉片安裝角、葉片弦長、葉片厚度、頂部間隙等多個影響性能的參數。

這些參數如何組合才為最優，30年經驗的老師傅也不敢說手拿把掐。

你說那沒事，我雖然缺經驗，但體力足。大力出奇跡，上遍歷法。

算個賬。

假設可變參數有7個，不多吧？

每個參數變10次，也不多吧？

最終有幾個組合呢？高中數學告訴我們，有10^7個，也就是10000000個。

一種讓人頭冷的絕望涌上心頭，1000萬塊錢，都要數好久。

退一步，5個可變參數，每個參數變5次，組合總數也有5^5=3125個。算不完，根本算不完。

擦干眼淚，此時不妨試試我司的智能優化設計軟件AIPOD（圖窮匕見。

有了AIPOD，你只需要“打個樣”，帶它走一遍建模+仿真的流程，然后定好哪些是自變量哪些是因變量，以及自變量的取值范圍。

之后，你直接去干（摸）其（魚）它的，剩余的工況都交給AIPOD就行。

是不是很爽？

你也許會擔心，如此一來雖然省力，但似乎沒省時間啊？10000000個工況哪怕是交給AIPOD去跑，依然是海量工作。

甲方都殺到門口了，它還在遍歷，想想就讓人害怕。

莫擔心！AIPOD最大的優點并非“體力足”，而是“有腦子”。

它內置強大的自動優化算法，除了常規的梯度型尋優和進化型尋優等優化算法，還有不常規的——我司自主研制的SilverBullet算法，也是AIPOD的核心優化算法。

完整描述（過于枯燥建議跳過）：

“SilverBullet 是基于人工智能技術的單目標智能優化算法、集成強化學習技術的 SilverWing 單目標智能代理優化算法、單純形算法、方向加速算法、共軛梯度算法、擬牛頓法、截斷牛頓法、線性近似約束優化方法、序貫最小二乘規劃算法、信賴域算法、粒子群及其多種改進算法、第三代非支配排序遺傳算法。

整合了智能采樣技術、耦合優化技術，以及一套核心的參數指標動態協調全局優化和局部探索力度，從而能夠實現在小計算規模下的高效性能優化提升。SilverWing 算法能夠耦合利用原始計算流程和代理模型各自優勢，實現快速、準確的優化設計。”

最后來個案例展示，用AIPOD優化前面那個風扇，即額定轉速下的葉輪功耗相比已有方案降低至少10%，且流量不降低。

選定葉片底部出口角、中間出口角、頂部出口角、中間弦長、中間安裝角、中間厚度系數、頂部間隙這七個參數作為優化自變量；葉輪功耗作為優化目標量；風扇流量作為限制量。

用AIPOD調用CAESES軟件做參數化建模，然后再調用CFD軟件做仿真計算。

最后軟件共計算了140個工況，就找到了最優設計。

風扇的軸功率降低14.14%，大于10% 的目標。同時進口流量、靜壓和總壓效率也都有小幅提升，意外之喜。

仔細對比最優模型和原模型，發現其出口角、安裝角及葉片厚度等都發生了較大變化。

實在是省力，實在是省時間，實在是效果好！是不是看的心癢癢？

還等什么，不要99，不要9.9，天洑軟件官網免費下載，免費試用一個月。

如果安裝之后兩眼一黑不知如何用，我們這有很多精通參數化建模、CFD模擬、自動優化、人長的帥說話又好聽的小哥哥（此條5毛括號內刪除）。

請放肆聯系我們。