以下重点讲解优化设计、自动化脚本编写以及与其他工具（如Python、优化算法库）的集成，提升CFD仿真的工程应用效率。

目标：掌握参数化扫描、优化算法集成和批量任务管理，实现从单次模拟到自动化设计探索的跨越。

10.1 参数化扫描与批量运行

案例1：管道角度优化（参数扫描）

任务：测试不同管道倾角（10°~30°）对压降的影响。

步骤：

1. 参数化几何生成：

import numpy as np
angles = np.linspace(10, 30, 5)  # 5个角度点
for angle in angles:
    with open(f"system/blockMeshDict_{angle}", "w") as f:
        f.write(f"vertices ( (0 0 0) ({np.cos(angle)} {np.sin(angle)} 0) ... );")

• 使用Python脚本生成多组blockMeshDict文件（修改顶点坐标）：

2. 批量运行脚本（run_sweep.sh）：

#!/bin/bash
for angle in 10 15 20 25 30; do
    cp system/blockMeshDict_$angle system/blockMeshDict
    blockMesh && simpleFoam
    cp postProcessing/outlet/0/pressure.dat results/p_$angle.dat
done

3. 结果提取与绘图（Python示例）：

import pandas as pd
import matplotlib.pyplot as plt
pressures = [pd.read_csv(f"results/p_{a}.dat") for a in angles]
plt.plot(angles, [p.mean() for p in pressures], 'o-')
plt.xlabel("Angle (deg)"); plt.ylabel("Pressure Drop (Pa)")

10.2 优化算法集成

方法1：与Dakota优化工具耦合

1. 定义优化问题（dakota.in）：

method
  npsol_optimizer
    convergence_tolerance 1e-6
variables
  continuous_design = 1
    initial_point 0.1    # 初始设计变量（如管道曲率）
    lower_bounds 0.05
    upper_bounds 0.2
interface
  system "bash run_openfoam.sh $1"  # 传递参数给OpenFOAM
responses
  objective_functions = 1
    nonlinear_inequality_constraints = 0

2. OpenFOAM参数接收脚本（run_openfoam.sh）：

#!/bin/bash
curvature=$1
sed -i "s/curvature.*/curvature $curvature;/" constant/geometryParams
simpleFoam && postProcess -func "pressureDrop"

方法2：Python驱动优化（Scipy）

from scipy.optimize import minimize
def simulate(x):  # x为设计变量
    os.system(f"./adjust_geometry.py {x} && simpleFoam")
    return parse_pressure_drop()
minimize(simulate, x0=[0.1], bounds=[(0.05, 0.2)])

10.3 任务自动化与监控

1. 使用GNU Parallel加速扫描

parallel -j 4 'cp -r baseCase case_{} && cd case_{} && sed -i "s/VELOCITY/{}/g" 0/U && simpleFoam' ::: 1 2 3 4  # 并行4个速度工况

2. 实时监控计算状态

• 日志监控脚本：

tail -f log.simpleFoam | grep "ExecutionTime = \|Convergence"

• 资源报警（Python示例）：

import psutil, os
if psutil.cpu_percent() > 90: os.system("mail -s 'High CPU' user@domain")

10.4 案例3：翼型气动优化全流程

步骤：

1. 参数化建模：用NURBS控制翼型形状（输出STL）。
2. 网格自动化：

surfaceToPatch wing.stl && snappyHexMesh -overwrite

3. 优化循环：

• 调用adjointShapeOptimizationFoam计算灵敏度。
• 用Dakota更新翼型控制点。

结果验证：

• 优化后升阻比提升20%（需与风洞实验对比）。

10.5 常见问题与调试

• 优化震荡：减小步长或改用梯度优化算法（如BFGS）。
• 参数传递失败：检查脚本权限（chmod +x run_openfoam.sh）。
• 并行任务冲突：为每个案例分配独立目录。

本章总结

• 学会了参数扫描和优化算法集成（Dakota/Python）。
• 掌握了批量任务管理（GNU Parallel）和实时监控技巧。
• 实践了从参数化到优化的完整设计流程。

作业：

1. 对圆柱绕流案例进行雷诺数扫描（Re=50~200），绘制升力系数曲线。
2. 用Scipy优化管道弯头的曲率半径，目标为压降最小化。

下一步：附录将提供OpenFOAM常用命令速查表和推荐学习资源。