CAESES在轴流风扇性能优化中的应用
CAESES中集成了多种叶轮参数化建模方法，并可以根据需求自主创建参数化叶轮模板，可以实现各类叶片、流道及蜗壳等模型的参数化控制，被广泛的应用在各类叶轮机械的性能优化工作中。本文将结合某散热风扇案例重点介绍CAESES在轴流风扇优化中的应用。
本案例中，在CAESES中建立轴流叶片全参数化模型，耦合CFX软件建立自动化仿真流程，对风扇叶片自动进行参数调整和仿真计算，并总结出各个参数对风扇性能的影响，通过一系列的自动优化，最终得到性能最优的模型。
全参数化模型
CAESES中可以方便的定义各类参数化叶型模板，并可以对积叠规律进行灵活控制。
本案例所选叶型截面曲线形状变化示意如下图所示：
针对叶片造型中的弯、掠参数，在CAESES中也进行了相应的控制。
本案例叶型截面曲线及径向积叠规律主要设置参数如下：
Chord （弦长）
Max Camber（最大弯度）
Camber Pos（最大弯度位置）
Thickness （叶片厚度）
Stagger （安装角）
Rake （轴向倾斜-掠角）Skew （周向倾斜-弯角）
Tip clearance （顶部径向间隙）
Number （叶片数）
在CAESES中可以通过方程曲线来控制叶型的形状及积叠位置参数沿径向的分布规律。最终的操作方式是调整方程曲线的参数，控制方程曲线形状发生变化，继而影响叶片的形状。
方程曲线影响叶片的形状
自动化仿真优化流程搭建
耦合CFX分析软件，在CAESES中建立自动化的仿真流程，自动输出模型，划分网格，并进行相关计算。以固定转速及压力条件下的流量及静压效率（通过静压效率的提升来改善风扇噪音水平）作为评估目标，通过CAESES中的优化算法来控制模型变化并最终得到性能提升的结果。
CAESES自动化仿真分析流程控制
参数变化及流场结果变化
变量研究及自动化优化
试验设计：
先通过试验设计方法控制参数变化，研究参数变化对风扇的影响规律。
试验设计方法：Sobol
Variants: 200
评估目标:
● 风量
● 静压效率
参数敏感性示意图
自动化优化：
结合试验设计研究结果，调整参数个数及变化范围，进行新一轮自动化优化。
优化算法：NSGA II（第二代非支配排序遗传算法）
Population :20
Generations :20
评估目标:
● 流量
● 静压效率
优化结果
经过自动化的优化计算，最终得到的优化模型相比初始模型在同转速下风量提升超过9%，同时噪音下降约1dB。优化模型及初始模型对比如下：
