01
CFD基础与风机翼型概述
计算流体力学(CFD)基本概念、风机翼型气动性能评价指标(升力系数、阻力系数、升阻比)、课程整体框架介绍。
基础概念
02
翼型几何建模与参数化
NACA系列翼型介绍、翼型坐标数据获取、使用Python生成翼型几何外形、翼型参数化方法(PARSEC、CST方法简介)。
几何Python
03
网格生成技术基础
网格类型(结构/非结构/混合网格)对比、网格质量评价指标(正交性、长宽比、偏斜度)、网格独立性验证概念。
网格质量
04
基于Python的网格生成实战
使用Gmsh/PyMesh等库生成翼型计算网格、边界层网格设置、远场边界设定。
实战Gmsh
05
CFD求解器设置与边界条件
控制方程(N-S方程/RANS方程)选择、湍流模型(Spalart-Allmaras, k-omega SST)介绍、入口/出口/壁面边界条件设定。
求解器湍流
06
OpenFOAM基础与案例配置
OpenFOAM安装与目录结构、求解器选择(simpleFoam/pimpleFoam)、案例文件结构(0/system/constant)、物性参数设置。
OpenFOAM配置
07
翼型气动性能CFD求解实战
基于OpenFOAM的NACA0012翼型绕流计算、残差监控与收敛判断、升阻力系数计算与后处理。
实战NACA0012
08
结果后处理与可视化
使用ParaView进行流场可视化、压力云图/速度矢量图绘制、升阻力系数曲线提取。
ParaView可视化
09
Python自动化CFD流程
使用Python脚本自动生成OpenFOAM案例、批量修改边界条件、自动提交计算任务。
自动化脚本
10
参数化研究与优化设计基础
设计变量选取、目标函数定义、单参数扫描(攻角/雷诺数/厚度)对气动性能的影响。
优化参数扫描
11
翼型几何扰动与敏感性分析
使用Python对翼型几何进行微小扰动、分析几何变化对升阻特性的影响、敏感性矩阵计算。
敏感性扰动
12
代理模型与响应面法
拉丁超立方采样(LHS)、多项式响应面(RSM)、Kriging代理模型构建、代理模型精度验证。
代理模型RSM
13
遗传算法在翼型优化中的应用
遗传算法(GA)基本原理、种群初始化、选择/交叉/变异操作、基于CFD的适应度评估。
遗传算法优化
14
多目标优化与Pareto前沿
多目标优化问题定义、NSGA-II算法介绍、Pareto最优解集获取、决策者偏好选择。
多目标Pareto
15
基于梯度的优化方法
伴随方法(Adjoint Method)原理、离散伴随与连续伴随、梯度计算与验证、梯度下降优化。
伴随方法梯度
16
高升力翼型设计与分析
襟翼/缝翼构型建模、多元素翼型网格生成、高升力构型流场特性分析、最大升力系数预测。
高升力襟翼
17
失速特性与流动分离控制
翼型失速机理(前缘/后缘/薄翼失速)、分离泡与转捩预测、涡流发生器/吹吸气控制方法。
失速流动控制
18
非定常气动分析
涡脱落与卡门涡街、动态失速(俯仰振荡翼型)、非定常RANS(URANS)与DES方法、时均流场分析。
非定常动态失速
19
风力机专用翼型系列
DU系列、NREL S系列、RISØ系列翼型特点、风力机翼型特殊要求(粗糙度敏感性、结构兼容性)。
翼型系列DU
20
叶片截面设计与性能评估
基于翼型堆叠的叶片截面设计、径向站位气动性能评估、叶尖损失修正。
叶片设计叶尖损失
21
风轮气动性能整体分析
致动盘/致动线模型、风轮功率系数Cp与推力系数Ct计算、尾流场分析。
风轮致动盘
22
基于BEM理论的快速评估
叶素动量(BEM)理论原理、诱导因子迭代求解、与CFD结果的对比验证。
BEM快速评估
23
CFD与BEM耦合方法
耦合策略(松耦合/紧耦合)、数据传递接口、混合方法在风轮设计中的应用。
耦合混合方法
24
不确定性量化与鲁棒优化
输入不确定性来源(风速/湍流度/几何公差)、蒙特卡洛模拟、多项式混沌展开、鲁棒优化目标定义。
不确定性鲁棒
25
机器学习在翼型设计中的应用
神经网络代理模型、卷积神经网络(CNN)流场预测、生成对抗网络(GAN)翼型生成。
机器学习GAN
26
高保真CFD方法简介
大涡模拟(LES)与直接数值模拟(DNS)、壁面解析与壁面模型、计算成本与精度权衡。
LESDNS
27
并行计算与高性能计算
OpenFOAM并行求解设置、区域分解法、MPI通信、计算集群作业提交。
并行HPC
28
实验验证与CFD校准
风洞实验基础、测力/测压/粒子图像测速(PIV)技术、CFD结果与实验数据对比、湍流模型校准。
实验PIV
29
工程案例实战
某2MW风机叶片翼型选型与优化全流程、从需求分析到最终报告、项目经验总结与避坑指南。
实战2MW
30
课程总结与前沿展望
课程知识体系回顾、智能CFD与数字孪生趋势、开源工具生态与社区资源、持续学习路径建议。
总结前沿