多物理场拓扑优化——采用SIMP法同步优化结构、热与流体

当然可以。结构+热+流体同时考虑的优化是可能的。粗略地说，这是一种数学方法，用来求解“材料放在哪里，才能既保证结构不坏，又能有效散热”。

问得好。一个典型例子是散热器的形状优化。在保持结构强度的同时，使用SIMP法自动生成能最大化冷却性能的翅片布局。人类凭直觉设计往往倾向于“等间距的直翅片”，但优化后会产生凭直觉想不到的复杂分叉形状。

像树枝一样的形状。从主干分出粗枝，越到末端分叉越细。从热流的角度看，这是合理的，它与考虑热流、高效地从热源收集热量并输送到散热面的“构形理论”最优结构一致。实际的工业案例中，GE Aviation在喷气发动机的燃料喷嘴上使用了这项技术，将20个零件整合为1个，重量减轻了25%。

这正是它与金属3D打印（增材制造，AM）契合度高的地方。传统切削加工无法制造的复杂内部流道，AM可以一体成型。所以拓扑优化和AM作为“最强组合”，在过去十年里迅速实现了实用化。

先复习一下，通常的SIMP法以各单元密度 $\rho_e \in [0, 1]$ 为设计变量，用 $E_e = \rho_e^p E_0$（$p$ 是惩罚指数，通常为3）来插值杨氏模量。扩展到多物理场时，需要同时对各物理场的物性进行惩罚化：

这里 $E_0$ 是杨氏模量，$k_0$ 是热导率，$\kappa_0$ 是渗透率。惩罚指数 $p_s, p_t, p_f$ 可能因物理场不同而取不同值。然后将其表述为多目标优化问题：

$C_s = \mathbf{f}_s^T \mathbf{u}$ 是结构柔度（结构的柔软程度），最小化它意味着刚度最大化。$C_t = \mathbf{q}_t^T \mathbf{T}$ 是热柔度，最小化它意味着温度分布更均匀。$\Phi_f$ 是流体的压力损失。$w_s, w_t, w_f$ 是权重系数，改变它们就决定了在Pareto最优解中取哪一点。

粗略地说，就是“巧妙地布置材料，以降低整体温度”。例如，想象一下在CPU上安装散热片的场景。优化从发热面到散热面之间，“在哪里、放置多少”高导热材料。

这个式子可以理解为“温度梯度越大越不好”。最小化热柔度，热点就会消失，温度分布变得均匀。在实际工作中，这是电力电子冷却设计中非常常用的方法。

对，这正是难点所在。为了高效散热，希望材料薄而广地分布；但为了提高结构强度，又希望材料粗而集中。这个相互矛盾的权衡通过权重 $w_s, w_t$ 来调整。改变权重进行多次优化，就能得到Pareto最优前沿。

通过直接法（LU分解、Cholesky分解）或迭代法（CG法、GMRES法）求解联立方程。对于大规模问题，带预处理的迭代法很有效。

可以的。这是Borrvall等人在2003年提出的方法，利用Darcy项将密度低的区域（$\rho \to 0$）设为“不渗透”。在Navier-Stokes方程中加入虚拟的阻力项：

最后的 $\alpha(\rho)\mathbf{v}$ 就是Darcy阻力项。密度 $\rho=1$ 的区域 $\alpha \to 0$（易流动），$\rho=0$ 的区域 $\alpha \to \infty$（不流动=固体壁）。这样来自动设计“在哪里放置壁面，哪里作为流道”。这对液冷散热器的冷却通道设计非常有效，会自动产生蛇形流道或多孔质结构形状。

人类设计的蛇形流道多是“等间距、等宽度”的，但优化后，发热量大的地方流道更密，发热少的地方则稀疏。还会出现分叉与汇合，形成一种不规则但合理、能最小化压力损失同时最大化冷却效率的形状。据信Tesla在电动车动力单元的冷却中使用了类似的方法。

1986年成立于瑞典。最初作为与MATLAB联动的FEMLAB开始，后更名为COMSOL。在多物理场方面有优势。

1970年由Swanson Analysis Systems Inc. (SASI) 开发。基于APDL（Ansys参数化设计语言）。