Abaqus 案例集(3) - 联合 Abaqus 与 Isight 实现 DOE 设计

随着工程结构设计的复杂性和性能要求的不断提高，如何高效探索设计空间、优化产品性能，已成为工程技术人员关注的核心问题。在这一过程中，实验设计（Design of Experiments, 简称 DOE）作为一种系统有效的设计与优化方法，得到了广泛应用。

那么，什么是 DOE 设计呢？简而言之，DOE是一种通过合理规划实验（或模拟）过程，系统地分析输入因素对目标系统的影响的方法。它的核心理念在于用尽可能少的实验次数，充分掌握各设计变量对系统性能的贡献，发现潜在的优化方向。与传统的“试错”法相比，DOE可以显著提高效率，降低开发成本。

本文将通过一个示例，介绍如何将Abaqus与Isight结合，基于DOE技术开展设计优化。

1. 基于I型截面梁的应力优化

研究目标：针对一端固支，另一端受集中力加载的工字梁，结合五个几何参数的调整，以实现最大应力的最小化：

1）梁高：10.0 ≤ Beam Height ≤ 80.0 (mm)

2）翼板宽度：10.0 ≤ Flange Width ≤ 50.0 (mm)

3）腹板厚度：0.9 ≤ Web Thickness ≤ 5.0 (mm)

4）翼板宽度：0.9 ≤ Flange Thickness ≤ 5.0 (mm)

5）梁长：300 ≤ Length ≤ 700 (mm)

图片

1.1 Abaqus 建模要点

在 Abaqus 需要对初始尺寸设计进行建模，并完成仿真计算。

1.1.1 几何建模

在 Abaqus 中，基于初始设计参数（Beam Height=80, Flange Width=40, Web Thickness=2, Flange Thickness=2, Length=400）创建工字梁几何模型。

为便于后续在 Isight 中识别参数，应在草图中将几何尺寸定义为参数化变量。

图片

1.1.2 仿真结果

目标为最小化梁的最大应力，因此需在 Abaqus 中将应力作为输出结果的主要参数，其他结果可视需求输出。

图片

1.2 Isight 建模要点

1.2.1 Abaqus 组件 - 定义输入参数

Isight 能够读取 Abaqus 的 .cae文件，识别其中的几何尺寸、材料特性、载荷等参数。本示例选取梁高、翼板宽度、腹板厚度、翼板厚度和梁长作为设计变量。

图片

1.2.2 Abaqus组件 - 定义输出参数

通过读取 Abaqus 的.odb结果文件选择输出变量。定义最大等效应力（Step_1_gst_S_mises_max）作为目标输出，用于指导优化。

图片

1.2.3 DOE 组件 - DOE技术

Isight 提供多种内置 DOE 技术（如全因子设计、拉丁超立方体设计等）。本案例选择 Optimal Latin Hypercube 法，该方法在均匀覆盖设计空间方面具有优势。

本例设计变量数为5个，选用二次多项式拟合，理论最小运行次数为：[(N+1) * (N+2)/2 = (5+1) * (5+2)/2 = 21]。为提高拟合精度和结果可靠性，运行次数设置为51组。

图片

1.2.4 DOE 组件 – 因子

将梁的五个几何尺寸作为输入因子，并限定其上下限范围。。

图片

1.2.5 DOE 组件 – 设计矩阵

根据因子范围和数据点数，生成51组设计参数矩阵，供后续运行仿真计算。

图片

1.2.6 DOE 组件 – 目标

将最大应力设为优化目标，目标类型为“最小化 (minimize)”。

图片

1.3 优化结果

Isight 后处理模块高亮显示最佳结果，在设计矩阵中标记出对应的最优参数组合。需要注意，最优结果可能因 DOE 方法或数据点数量的不同而有所差异。

图片

1.3.1 帕累托图

帕累托图 (Pareto chart) 对所有设计变量按其对目标影响的重要程度进行排序。如图所示，BeamHeight 参数对结果影响最大。

图片

1.3.2 主效应图

主效应图以可视化方式反映各因子对目标函数的影响趋势。例如，最大应力随梁高的增加先降低后升高，表明可通过合适的梁高设定来优化应力。

图片

1.3.3 相互影响

交互作用图揭示因子之间是否存在协同或抑制效应。例如，当翼板宽度和腹板厚度较低时，应力显著升高；二者提高至一定数值后，应力随之稳定。

图片

2. 结语

在工程领域中，通过结合Abaqus有限元分析与Isight自动化集成平台，DOE可以发挥强大的作用：

1）快速探索性能空间：通过在设计空间中均匀分布采样点，量化各设计变量的主效应及交互效应，避免忽略关键因素。

2）提高产品可靠性：帮助工程师识别可能导致设计失效的关键参数，并针对这些参数进行优化或强化设计。

3）节省时间和成本：在虚拟仿真中完成大量实验工况的分析，避免繁琐的物理试验，大幅缩短开发周期。

4）辅助决策优化：通过结合优化算法，快速确定最佳设计方案，最终提升产品性能。