Fidelity Fine Design3D | 多学科设计优化软件

      Fidelity Fine Design3D 是一款独特的计算流体力学 (CFD) 优化应用，使用复杂的机器学习 (ML) 算法来自动进行设计空间探索，可以更快发现最佳设计方案。

通过将多目标优化和不确定性量化结合在一起，工程师可以在真实条件下进行设计 ，将输入条件、几何的变化以及其他因素考虑在内，并确保性能符合设计参数要求。

核心优势

多学科设计优化

      真正强大的优化流程要把偏离设计的条件、机械可靠性、噪声和其他非物理方面（如制造成本）都考虑在内。Fidelity Fine Design3D 通过灵活、强大的评估工具和求解器，提供一系列功能。

参数化

      智能参数化是成功完成优化的关键。Fidelity Fine Design3D 包括一个专门面向涡轮机械的参数化环境，并可以轻松处理各类涡轮机械叶片系统，提供基于叶片截面、弯度、厚度和积叠方式的设计模型。Fidelity Fine Design3D 提供自组织地图等功能，确保所探索的设计空间与所有应用的设计目标相关。

数据挖掘和分析

      运用数据挖掘算法可以更深入地了解设计空间，在优化过程中获得更多洞察，从而加速优化过程。基于代理模型的方差分析，可以从中了解哪些设计变量对结果的影响最大。

主要应用

Uncertainty Qunantification不确定性量化

      与数学模型不同，实际的设计和运行条件受不确定性和各种变化的影响。从制造工艺的固有变化到运行条件的自然变化，智能优化需要考虑到不确定性。

Fidelity Fine Design 3D 可以量化不确定性，并估计其对系统性能的影响。用户可以确定最易受影响的变量，计算较为宽松的制造公差有何影响，并确保优化后设计的实际运行效果。

DoE实验设计

      探索设计空间的方式对优化收敛和寻找最优值具有巨大影响。Fidelity Fine Design3D 依靠先进的空间填充技术，可减少实验设计 (DoE) 所需的样本数量。可利用自适应 DoE 技术高效处理高维度设计空间，在严格的约束条件下进行优化。此外，使用任务管理器可以在集群上分散执行各个 CFD 任务，从而并行生成多个样本。

Surrogate Modeling代理建模

      代理模型是一种受监督的机器学习形式，用于对样本设计空间的 DoE 点得出近似解，从而加快对设计空间的探索。有多种算法可供选择：包括人工神经网络和克里金。使用代理模型应用迭代优化算法，找到全局最优解。

从早期概念定义到最终详细设计，该方法在开发过程的各个阶段都能发挥作用，同时还能降低与高保真仿真相关的计算成本，加快复杂产品的整体开发周期。

主要功能

• 与 Fidelity Fine Turbo、Fidelity Fine Marine 和 Fidelity Fine Open 集成
• 用于多物理场优化或参数化建模的通用工作流程，如 Autoblade、Concepts NREC AxCent® 等
• 用于 DoE 生成的最新技术：拉丁超立方采样、基于 Voronoi 图镶嵌的采样等。
• 高级代理模型，例如径向基函数网络、Kriging 等
• 单目标或聚合目标优化算法
• 多目标帕累托算法
• 全面的数据挖掘和分析工具，包括自组织映射、方差分析等
• 对操作、几何和制造差异进行独特的不确定性量化