Isight氣動優化的案例
應用ISIGHT集成Gambit和Fluent優化大小葉片葉柵案例（內附源文件及資料）
isight做氣動優化的資料比較少，網上經常見到的就是"應用ISIGHT集成Gambit和Fluent優化大小葉片葉柵"這個案例，這個案例也出現在了《isight參數優化理論與實例詳解》這本書的P103頁，但是網上下載到的文件中solve.jou文件是有一些錯誤的，如下附件是包含修改好的solve.jou文件的所有源文件，通過此案例希望大家可以熟悉isight做氣動優化的方式方法。
Isight其他氣動優化案例
http://www.yqgqt.org.cn/college/video/c12286
http://www.yqgqt.org.cn/college/video/c12236
希望有所幫助！
應用ISIGHT集成Gambit和Fluent優化大小葉片葉柵.pdf
Splitter.rar
isight參數優化理論與實例詳解.pdf
展開 Isight混合優化策略方法與實踐 附iSIGHT工程優化實例分析下載
下面用DOE抽樣與梯度優化混合策略為例簡述這一優化方法
輸入文件及模型放在同一目錄下：
Isight優化模型如下：
求min z=20+x.^2+y.^2-10*(cos(0.4*pi*x)+cos(0.4*pi*y))
其中：-5≤x≤5；-5≤y≤5
這是一個多峰多谷問題，理論最優解為：x=0，y=0，z=0.
導入Excel文件，設置輸入、輸出：
設置任務為混合優化策略，DOE和Optimization：
設置DOE抽樣方法、樣本數、變量、響應：
設置Optimization算法、變量、目標：
數據流如下：
混合策略流程結構如下：
運行計算任務，DOE抽樣計算結果如下：
Optimization將DOE的最優解作為優化的初始位置點：
最終求解的最優解為：
x=2.41E-6，y=6.33E-6，z=4.1E-10.
與理論最優解x=0，y=0，z=0一致。
x，y，z 解算歷程如下：
結果表明混合策略是成功的，達到了預期的效果。
下載地址：iSIGHT工程優化實例分析
展開 Isight多學科參數優化軟件模塊構成 附isight參數優化理論和實例詳解下載
運行門戶（Runtime Gateway）
監控和后處理界面，可以繪制多種曲線、曲面、散點圖、柱狀圖、表格等，結果運行完成后生成Summary報告給出優化運行時間、最優結果及設計變量、約束等用戶關心的問題。提供設計空間可視化（VDD）、工程數據挖掘（EDM）等后處理功能。
組件庫（Library/Add-OnComponent）
包含通用和專用的CAD/CAE及自編軟件接口。
優化算法庫（Optimization）
數值優化、全局優化、多目標優化、專家智能優化算法，是工程師開展設計優化工作的利器。
試驗設計算法庫（DOE, Design OfExperiments）
通過系統而有效的方法分析設計空間、篩選關鍵設計參數（減少問題規模）、評估設計變量影響以及辨別關鍵設計變量的交互影響關系。
近似模型算法庫（Approximation）
對于計算代價高昂的CAE分析，Isight用多種近似原理構造替代模型，減少優化中調用大規模CAE分析計算的次數，提高優化效率。近似模型還用于剔除輸入參數平緩變化而輸出參數卻劇烈振蕩的仿真噪音。
質量設計優化（Quality Desgin）
運用隨機仿真和優化理論（包括：蒙特卡洛仿真、Taguchi田口穩健性設計和基于6Sigma可靠性分析和穩健性設計DFSS，Design For Six Sigma），構成一個完整的、公式化的對可靠性和穩健性進行評價和改進的品質設計哲學框架。
下載地址：isight參數優化理論和實例詳解
展開 指導isight集成cruise、isight集成 matlab、simulink進行優化 ￥500
對于isight應用的基礎指導，如果有需要請聯系qq1972683052
Isight教程系列1|Isight集成MATLAB聯合優化仿真
圖6配置MATLAB啟動執行程序位置
5.Optimaztion模塊優化設置
圖7 優化模塊設置
圖8為優化迭代過程圖，其最優值為5.1302，而理論值通過公式可計算出為5.1302，這說明通過優化算法獲得的解和理論解是一樣的。
圖8優化流程
3.制作模板文件導入變量
在第2節中，變量是手動建立的，這對設置多個變量不太友好，在Isight中能否批量產生變量呢？當然可以，我們可通過制作變量的模板文件，在模板中先建立好變量，然后再導進Isight。接下來，我們聊聊怎么制作模板文件。
先在Model Selection中點擊Parameters，當顯示了所有變量情況后，選擇exportàfrom all parameters。
圖9模板文件的制作方法示意圖
圖10為保存的變量模板文件，可以看出文件第一行為關鍵詞，第一列為變量。當有多個變量時只要按照此模板，添加相應的變量便可。
圖10 模板文件內容
同樣，當有了模板文件后，可直接將變量導入模型中，導入位置見圖9中的import。Isight關鍵詞目前還不支持Mapped，因此還需要進入MATLAB模塊為所有變量進行映射以及連接MATLAB啟動文件。
4.集成含有MATLAB子程序的方法
通常調用的MATLAB程序可能包含多個子程序，對有子程序的MATLAB文件，我們需要在MATLAB中添加Isight文件的工作目錄路徑。
展開 abaqus Isight參數研究與結構優化CH03-Isight優化分析
視頻連接https://www.yqgqt.org.cn/college/video/c15246
CH01-Isight與功能元件介紹
CH02-資料管理與DOE分析
>WORKSHOP01-Gripper進行DOE分析
CH03-Isight優化分析
>WORKSHOP02-Gripper優化分析
CH04-Data matching參數擬合
>WORKSHOP03-橡膠材料參數擬合
CH05-近似模型建立
>WORKSHOP04-Gripper近似模型建立
CH06-資料交換元件
展開 基于Isight多學科優化及輕量化優化
因此，建議將參數篩選的實驗設計（DOE）作為優化的第一步。一旦通過參數篩選減少了問題規模，根據問題，我們可以繼續使用元模型。在元模型中，創建擬合以替換實際仿真分析或減少數據中的噪聲。然后我們可以在擬合或精確模型上進行優化。
對于優化階段，我們可以選擇進行確定性研究或概率研究。如果是后者，我們需要繼續進行基于可靠性和穩健性的設計優化（RRBDO）。
總而言之，仿真驅動設計的流程步驟大概包括：
a. 用于變量篩選的實驗設計（DOE）以減小問題的大小；
b. 如果需要元模型（代理模型），DOE可以用于空間填充；
c. 擬合（創建元模型）；
d. 優化（確定性或概率性）；
e. 可靠性的隨機分析（根據需求）。
本文以Isight環境介紹整車多學科優化及輕量化優化。針對剛度、NVH等線性工況，首先進行靈敏度分析進行變量篩選。針對碰撞等分線性工況，根據經驗篩選出設計變量。然后分別針對不同的工況進行DOE分析采樣，用于構建元模型，包括質量元模型。然后在基于元模型進行組合優化，首先應用全局優化算法定位目標極值在設計空間中所處的區域，在應用梯度優化算法對該區域進行精確尋優，最終獲得最優設計解。
一.靈敏度分析
剛度靈敏度分析：使用Optistruct進行剛度靈敏度分析，靈敏度分析一些關鍵設置：
1.剛度響應通過DRESP2定義，即通過Dequation方程將節點位移響應轉換為剛度響應：
2.如果只是為了進行靈敏度分析，設置最大優化迭代次數為0即可：
3.使用OUTPUT選項輸出hyperview、hypergraph和Excel可以查看的靈敏度結果
4.針對與對稱件，需要保證變化是一致的。因此，當模型中每個部件有單獨的屬性時，需要特別注意。
展開 abaqus Isight參數研究與結構優化-CH01-Isight與功能元件介紹
視頻連接https://www.yqgqt.org.cn/college/video/c15246
CH01-Isight與功能元件介紹
CH02-資料管理與DOE分析
>WORKSHOP01-Gripper進行DOE分析
CH03-Isight優化分析
>WORKSHOP02-Gripper優化分析
CH04-Data matching參數擬合
>WORKSHOP03-橡膠材料參數擬合
CH05-近似模型建立
>WORKSHOP04-Gripper近似模型建立
CH06-資料交換元件
展開 Isight整車多學科優化及輕量化優化
更多內容歡迎關注微信公眾號：CAE數值優化輕量化
分享關于優化軟件LSOPT、Isight、Optimus、Heeds、modefrontier以及二次開發、輕量化優化設計等更多原創內容。
掃碼關注微信公眾號：
關注公眾號獲取案例源文件
襟翼氣動載荷測量方法優化
6
作者信息
何超杰* 黃勇
（上海飛機設計研究院，上海 201210）
7
論文信息
DOI: 10.19416/j.cnki.1674-9804.2023.01.005
引用格式：何超杰,黃勇.襟翼氣動載荷測量方法優化［J］.民用飛機設計與研究,2023(1):31-37.
iSIGHT多學科優化應用: NASA太空望遠鏡(NGST)熱、結構、光學多學科優化
典型的多學科優化設計問題：
光學：CODE V® optical software
結構：MSC/NASTRAN® structural analyzer
熱： SINDA/FLUINT and Thermal Desktop thermal design system.
optiOpt-ICES2002b_SINDA.pdf
Xflow助力飛行器氣動設計優化的優勢
【技術帖】軸流風機的氣動性能優化
軸流式風機通常用在流量要求較高而壓力要求較低的場合，由此軸流風機的氣動性能成為評判其性能優劣的重要指標。
本文即將展示的是某軸流風機的氣動性能優化的全流程介紹。通過對軸流風機的葉片和風道進行調整優化以提高其流量與效率。
01
優化前準備工作：
為了方便對葉片進行調整，建立葉輪的全參數化模型，并將葉片分為六個控制截面來調整參數變化。之后設定參數變化規律或給定算法，在優化軟件中會自動生成不同模型并啟動CFD軟件進行仿真計算。
021
優化目標：PQ性能與效率
模型優化過程中，主要分為風道及葉片的調整，調整內容如下：
031
優化過程：
首先我們在軟件當中建立全參數化的模型，然后優化軟件設置中的參數以及參數變化范圍，接下來與CFD軟件進行耦合，最后進行全自動的性能優化。其中對于優化參數部分，主要是對扇葉進行優化：有葉片的翼形、弦長、三個方向的角度以及葉片數量，除此之外本次對風道也進行了一定程度的優化。
展開 iSIGHT優化軟件
iSIGHT優化軟件.docx
基于新型高維代理模型的高效全局氣動優化設計
而PCA-Kriging模型相對于Kriging模型并沒有顯著優勢，以至于其在優化設計中難以被使用。尤其Kriging方法在設計變量維數大于118后預測精度急劇變差；而KPCA-Kriging方法此時預測精度仍然保持在一個可接受的范圍內，并且預測誤差明顯小于Kriging方法和PCA-Kriging的預測誤差。
圖2 CRM機翼在不同設計變量數時的FFD框圖示
圖3 KPCA-Kriging與Kriging模型驗證誤差隨設計維數變化曲線
圖4 KPCA-Kriging 模型驗證誤差隨選擇的有效維數變化曲線（118維設計變量）
2）建立了基于SN-DRSM的高效全局氣動優化設計方法，并在復雜跨聲速氣動外形優化設計中得到應用和驗證。
針對AIAA氣動優化討論組發布的NACA0012無黏優化算例，采用基于自適應空間擴展(ADE)的代理優化框架進行優化設計。ADE能自動選擇拓展后緣邊界的樣本，減少迭代優化的次數，從而顯著提高優化效率。優化結果分別記為ADE-Kriging和ADE-KPCA-Kriging。結果顯示，基于ADE的兩種優化方法阻力保持了持續的下降，直到150步以后接近收斂，而基于固定設計空間的方法在50次迭代后就已經收斂，阻力值不再下降。并且基于自適應設計空間擴展的代理優化方法獲得了更低的阻力值，其中基于
KPCA-Kriging模型的優化方法獲得了最低的阻力系數42 counts
，小于基于ADE-Kriging和Kriging優化方法的收斂得到的阻力值。并且
優化翼型前緣壓縮和后緣恢復，后緣激波變弱，壓力分布更趨近“對稱”
。如圖5至圖9所示。
展開 