SU2 气动外形伴随优化:离散伴随与连续伴随的工程选择
新一、简介
读这篇的收益不在于某个减阻数字本身,而在于它把「伴随方法到底该选哪一种」这个工程决策摊开成可核对的证据。开源 CFD 里同时提供三条伴随路线、并且把三者放在同一套基准几何上做头对头比较的,SU2 是少数几个之一。2026 年 11 月读到的 Economon 等人那篇 AIAA 2017-4363,正文把连续伴随的表面积分形式、场积分形式、基于算法微分的离散伴随与有限差分放在 NACA 0012、RAE 2822、NACA 4412、Ahmed 车体四个算例上逐点对比,给出了网格加密序列、网格规模、单元数、每个算例的雷诺数与马赫数、伴随方程的实际收敛表现。这份材料在别处很难找到等价物。
第二个理由是它提供了把「伴随」从概念落到具体操作路径的完整链条。原条目只写了「运行连续伴随求表面敏感度」一句,读者拿不到从几何参数化、原始求解、伴随求解、敏感度投影到优化器回代的具体做法,也拿不到每一步的失败模式。这篇补齐的是:Hicks-Henne 凸包与 FFD 自由变形两种参数化各自的适用形态、设计速度场如何把 CAD 参数与表面敏感度挂上、梯度验证该怎么做、伴随方程收敛不动时该改什么。
第三个理由是它把「物理 AI 落地时高保真一侧到底由谁承担」讲清楚了。做代理模型的人常缺的不是模型结构,而是一个梯度可信、且成本随设计变量数不膨胀的高保真参照系。SU2 的伴随输出恰好是这种参照系:表面敏感度场维数远低于流场,且天然带有设计问题的约束结构。用它给代理模型做教师信号,比用整个流场做回归要轻得多。
需要说明的是,本条是案例条目,聚焦优化工作流本身;工具层面的构建、许可与多物理场版图见工具条目 SU2。本文与 航空航天 CFD 案例、汽车气动案例、OpenFOAM 多物理场案例 构成一条可对照的阅读线。
二、原理与工作方式
优化循环分四层。
第一层:几何参数化。 少量设计变量映射到外表面。SU2 内置 Hicks-Henne 凸包函数用于二维翼型、FFD 自由变形用于二维与三维体,官方形状优化教程与主流文献都走这两条路。CAD 参数化是第三条路:2017 年贝尔法斯特女王大学的一篇 AIAA 论文把 CATIA V5 参数化模型直接接进 SU2,用 Gmsh 生成的 CAD 表面网格的平面近似算出设计速度场,把 CAD 特征树里的参数当成设计变量,绕开了几何表达式的重写。
第二层:原始问题。 求解器在非结构网格上解流动方程。离散伴随路线与连续伴随路线共用同一套原始求解器与同一套网格拓扑,这正是它们可以直接互相校验的前提。
第三层:伴随与投影。 伴随问题解出表面敏感度,再把敏感度投影回设计空间,得到目标函数对每个设计变量的梯度。这一步是三条路线的分岔点:
- 连续伴随 · 表面积分形式(SI):敏感度写成对设计面的纯面积分,没有体积积分项,也没有网格位移项。公式优雅、代价低,但推导前提是表面光滑,因此尖锐前缘与后缘是它的薄弱处。
- 连续伴随 · 场积分形式(FI):把网格微分相关项通过体积积分加回来。单变量计算很便宜,但整体代价随设计变量数线性增长,因为每个变量的表面与体积网格都要被扰动。
- 离散伴随(AD):对整个代码库做算法微分,区分通量例程与求解器的非线性迭代结构本身,借助不动点结构构造保对偶的迭代,从而无需手工构造精确 Jacobian 就能得到敏感度。实现基于开元德国卡尔斯鲁厄工大学的 CoDiPack 库。梯度对实现的离散系统是数值精确的。
第四层:优化器。 SU2 官方教程给出的优化器是 SciPy 的 SLSQP(序列最小二乘规划),已发表的 SU2 应用案例也沿用这一选择。网格变形用基于弹性的算法,与梯度配合完成几何更新。
三、适用边界与前提
冻结湍流假设。 两条连续伴随路线默认采用冻结黏度、冻结湍流:伴随方程不对 Spalart-Allmaras 闭合关系做线性化,返回的敏感度对应的是冻结湍流场。离散伴随可开可关这个冻结,因此可以直接量出「加入伴随湍流模型」到底值多少。已发表对比给出的结论是:在跨声速 RAE 2822 算例上,冻结湍流的影响相对有限,而是否计入网格效应的影响更大。这一条对工作量排序很关键——先确认网格质量,再考虑要不要投入做伴随湍流模型。
网格质量是硬前提。 表面积分形式在高质量网格上表现良好;换成粗糙的混合单元网格、边界层附近有强烈拉伸比的单元时,结果可以偏离一个数量级以上。场积分形式把相当一部分鲁棒性找回来,但代价是每个设计变量都要扰动网格。离散伴随需要一次原始求解、一次流动伴随求解和一次网格伴随求解,另有算法微分记录带带来的内存开销。
伴随收敛本身可能成为瓶颈。 官方对比里,Ahmed 车体算例的原始问题可以收敛到机器精度,伴随问题的密度残差只降了三个到四个数量级。这意味着伴随求解器往往需要单独的数值方法设置,并且任何梯度在用之前都值得看一眼原始与伴随的残差历史是否同步收敛。
设计变量形态决定成本结构。 变量少而表达力强的参数化(凸包、CST、CAD 参数)适合连续伴随加梯度投影;变量极多时,离散伴随的固定求解次数优势才真正显现。
优化的物理前提。 已发表的对比覆盖的是稳态、单相、非定常分离不强的外形优化。跨声速激波、非定常分离、地面效应、转捩、多保真度混合都落在这批证据的边界之外。
四、上手路径
第一站:Quick Start。 官方教程用一个 NACA 0012 翼型做定常二维 Euler 计算:来流压力 101325 Pa、温度 273.15 K、马赫数 0.8、攻角 1.25 度,网格是 SU2 原生格式的 10216 个三角形单元、5233 个点,两个边界标记分别为翼面与远场。配置文件里 MATH_PROBLEM 决定跑原始问题还是连续伴随,OUTPUT_FILES 决定输出重启文件、ParaView 体文件与表面 CSV。先跑通这个,把表面敏感度场读出来看一遍,对梯度分布建立直觉。
第二站:官方形状优化教程集。 目前公开的形状设计教程包含:无约束二维无粘 NACA 0012、约束二维无粘 ONERA M6、约束二维湍流 RAE 2822、超声速斜坡多目标优化、非定常外形优化、组分输运设计案例,以及三维湍流管道弯头压降优化(伴随设计优化)。这些教程的流程一致,差别主要在流态与约束集。
第三站:进阶到 CAD 参数化。 贝尔法斯特那篇论文给出了一条完整可复现的路线:CATIA V5 里用 Bézier 曲线建翼型(前后缘控制点固定、前缘后第一个控制点沿法向等量反向移动以保前缘 C2 连续,翼型共 9 个参数,ONERA M6 三个剖面共 27 个参数,NLR 7301 襟翼共 14 个参数);几何扰动后用 Gmsh 表面网格做投影,算出法向设计速度;再与 SU2 表面敏感度相乘得到 CAD 参数梯度;用 0.1% 参数扰动的有限差分做交叉校验,论文报告两者高度吻合。
第四站:工程化配置。 官方仓库为 Linux、macOS、Windows 提供 MPI 与 OpenMP 两种预编译包。Python 封装在 8.0.0 重写,支持内存内网格变形,脚本化优化循环因此不必每次通过文件系统往返。8.0.0 同时集成了 CoDiPack 2,并对混合并行的离散伴随做了性能优化,离散伴随的多节点运行是官方支持的配置,已进入常规使用范围。
五、横向对比
与有限差分相比,伴随的优势不在速度而在鲁棒性。 有限差分每个设计变量要额外一次原始求解加一次网格扰动,总代价随变量数线性增长;伴随是固定次数的求解,与变量数无关。更关键的是精度来源不同:有限差分继承原始残差的噪声,而伴随敏感度是求解出来的量,不受这个噪声直接污染。在粗网格上这一点尤其重要——正是粗网格上,连续伴随各路线之间出现了论文记录的一个数量级差异。
三条伴随路线之间的选择,有明确的场景结论。
- NACA 0012 无粘跨声速的网格加密族上:离散伴随与有限差分几乎重合;两条连续伴随收敛到不同的渐近梯度幅值,其中场积分形式比表面积分形式收敛更快。
- RAE 2822 跨声速湍流与 NACA 4412 亚声速湍流上:表面积分形式在前缘与后缘附近明显偏离,一旦改变数值方法,偏离可达一个数量级;场积分形式能修正尖锐边缘处的符号错误,并把光滑段的敏感度拉回与离散伴随、有限差分一致的水平。
- Ahmed 三维车体上:表面积分形式符号正确但幅值可差一个数量级,场积分形式紧跟离散伴随与有限差分;这一算例里离散伴随加冻结湍流的结果从离散伴随一侧向场积分一侧偏移,与「两者都计入网格微分效应、只冻结了湍流」的解释自洽。
论文给出的总体判断是:计入网格效应对准确度的贡献,在 RANS 类算例里比计入伴随湍流模型更重要,网格效应在有边界层拉伸的湍流算例中比在无粘算例中更要紧。
两种参数化的对比也有独立证据。 2025 年《Smart Systems and Devices》那篇用离散伴随在 NACA 0012 上对比 Hicks-Henne 凸包与 FFD 控制点,结论是两者作为几何参数化手段总体等效;Hicks-Henne 用较少的设计迭代达到更好的表现,FFD 的阻力下降更平滑、更稳定,Hicks-Henne 在优化过程中波动更大。所以选择依据落在「迭代次数」与「轨迹平滑度」两项上,最终阻力水平不构成区分依据。
与其他工具路线的关系。 商业 CAE 的最优级模块功能更强但不可脚本化与不可审计;可微求解器路线(见 JAX-CFD、PhysicsNeMo)把梯度变成自动微分产物,代价是网格与内存受限于自动微分框架。SU2 的位置是:高保真、可脚本、梯度成本与变量数解耦,且伴随算法本身可被审阅。这个对照在 经典求解器成本边界 与 代理模型与降阶 两处有更完整的展开。
六、基准与数据
官方四算例对比的完整口径。 NACA 0012 无粘跨声速:马赫 0.85、零攻角,用对称边界只算上半,因此阻力按上半翼报告而不翻倍;网格族为五级规则 O 形网格,网格点 8385、33153、131841、525825、2100225,非无量纲间距 16、8、4、2、1,阻力计数分别为 236.42、235.54、235.51、235.54、235.55;远场约 150 倍弦长;设计变量为 19 个 Hicks-Henne 凸包变量,按 5% 弦长间隔布置,最前一个在 5% 弦长处。
RAE 2822 跨声速湍流:取 AGARD 第 6 算例,马赫 0.729、攻角 2.31 度、以单位弦长为基准的雷诺数 6.5×10⁶、来流温度 288.15 K;混合单元网格 13937 点、22842 单元,翼面边界 192 条边、远场边界 40 条边;30 个 FFD 控制点。
NACA 4412 亚声速湍流:马赫 0.09、攻角 13.87 度、雷诺数 1.52×10⁶、来流温度 297.778 K;全四边形 O 形网格 598×102,共 60996 点、60398 单元;30 个 FFD 控制点;翼面 y+≈1,远场约 20 倍弦长。
Ahmed 车体亚声速湍流:马赫 0.1728、攻角 0 度、侧滑角 0 度、以 1.044 m 车长为基准的雷诺数 4.29×10⁶、来流温度 300.0 K;半车体非结构混合网格(表面为三角形与四边形混合,近壁为棱柱与六面体,远场为四面体),共 247862 点、508080 单元;研究上部后角 6 个 FFD 控制点的竖向移动对阻力的敏感度;远场约 10 倍车长。
CAD 参数化的三个实测结果。 其一,CATIA V5 参数化的 NACA 0012,马赫 0.8、攻角 1.25 度、翼面 200 点离散、法向 31 层,论文正文记阻力系数由 0.022223 降至 0.000959。该数字与同页优化历史图不一致:图 9 纵轴范围为 0 至 0.024,曲线终点落在 0.012 附近。引用此数值时必须回原始图核对。
其二,ONERA M6 机翼,马赫 0.8395、攻角 3.06 度、来流温度 288.15 K,Gmsh 非结构网格 154617 节点、707115 四面体,升力约束 CL > 0.2864,阻力系数由 0.011795 降至 0.010153,约 14%,约束被满足。
其三,NLR 7301 高升力襟翼,马赫 0.185、攻角 6.0 度、雷诺数 2.51×10⁶,Spalart-Allmaras 模型,二阶 JST 加 Venkatakrishnan 限制器,表面法向网格间距 1–2×10⁻⁶c(y+ < 1),升阻比由 79.88 升至 81.36,约 1.85%。分部件力分解为:上翼升力系数 0.8284 → 0.8785、阻力系数 −0.0508 → −0.0581;下翼 0.187 → 0.2268、0.0039 → 0.0020;上襟翼 0.1186 → 0.1085、0.0293 → 0.0396;下襟翼 0.1346 → 0.1326、0.0334 → 0.0330。
官方验证确认清单覆盖九个算例:可压缩制造解法(形式收敛阶)、二维零压梯度平板 RANS、二维凸块通道 RANS、三段式高升力翼型(30p30n)、激波—边界层相互作用、Langtry-Menter 转捩模型平板(T3A 与 T3A−)、二维 DSMA661 近尾迹 RANS、SANDIA 湍流射流、NACA 0021 60 度超大攻角混合 RANS/LES。以及不可压缩射流与 NACA 0021 超失速两个不可压算例。
七、物理 AI 场景中的用法
SU2 在物理 AI 流程里承担三种角色,采购与研究规划时需要分开算账。
作为高保真参照系。 它提供的是梯度级可信的仿真,可信范围覆盖到流场级之上。这决定了代理模型的验证标准可以定得更高:代理模型的预测梯度要与伴随梯度对齐,而不只是与流场分布对齐。这一层的技术细节可参考 数值与求解器合集 与 性能工程合集。
作为教师信号。 伴随输出是维数低、物理含义明确的目标量。用几何去预测敏感度场或预测设计变量梯度,是比预测全场要轻得多的回归问题;敏感度场天然继承设计问题的约束结构,可用于构造带约束的学习目标。这一路径的证据基础在已发表工作里最扎实。相关工具侧的例子见 神经算子条目 与 OpenFOAM 工具条目。
作为优化环内的学习组件宿主。 这一点常被忽略:SU2 自身正在吸收学习组件。8.0.0 引入基于多层感知机的数据驱动流体模型,并在 8.5.0 为该数据驱动模型改进了 Newton 求解器的初值猜测;8.4.0 与 8.5.0 带来 Newton-Krylov 改进,并把 Newton-Krylov 伴随从 GMRES 换成 FGCRODR 线性求解器;8.6.0 加入雅可比量化以加速线性代数、CUDA FGMRES 端到端路径、ILU 与 LU-SGS 预条件子的 GPU 移植、面向透平机械的多区伴随,以及与 Cantera 耦合的详细化学求解器。对一个要决定「机器学习该放进 CAE 流水线哪一层」的团队来说,这是一条直接证据:学习组件正在下沉到求解器层。
作为可微求解器路线的对照基准。 JAX-CFD 与 PhysicsNeMo 走的是自动微分路线,梯度是免费附带的,代价是网格与内存受框架约束;SU2 的离散伴随把梯度成本与变量数解耦,同时保留成熟的工业级湍流模型与验证算例。两者的取舍在 流体仿真工具包合集 中有更细的对照。
八、不适用场景与失效模式
第一种失效是跳过梯度验证。 官方对比给出明确证据:改变连续伴随的数值方法后,表面积分形式的结果可以偏离离散伴随与有限差分一个数量级,而场积分形式能恢复一致。粗网格上未经校验的梯度,以及数值方法改动后未经重新校验的梯度,都是未验证量,会静默地把优化器引向错误方向。至少要做一次有限差分对照,并且要在每次改数值设置后重做。
第二种失效是把减阻数字当成气动结论。 上文已记录 CAD 参数化 NACA 0012 那个数字与自身图表的矛盾。更要紧的是,定攻角下的最小阻力可以通过缩小升力面来「减阻」,与流动品质无关。除非约束了升力,否则这类数字的迁移性很弱。可迁移性更强的是约束升力的 ONERA M6 案例(约 14%)与直接优化升阻比的 NLR 7301 案例(约 1.85%),因为目标函数的定义方式能抵抗无意义的退化。
第三种失效是低估伴随收敛难度。 Ahmed 车体算例里连续伴随的密度残差只降了三个到四个数量级。论文明确写道:伴随问题常常收敛困难,以至于为伴随单独选一套数值方法成为常规操作,代价是精度或收敛性。
第四种失效是范围错配。 本文覆盖的是既定几何族在给定流态下的外形优化。跨声速激波、非定常分离、地面效应、转捩建模、多保真度拼接都在已发表对比的验证范围之外。同 汽车气动案例 与 拓扑优化案例 相比,本文的证据集中在稳态外形梯度这一层。
第五种失效是几何表示与设计意图脱节。 NURBS 控制点式参数化虽然表达力强,但在部分区域过粗,且与创建模型时所用的 CAD 参数脱钩,建模意图在优化中丢失。凸包与 FFD 参数化的一个实用优势恰在于此。
九、版本与口径核对
仓库口径。 su2code/SU2 在 GitHub 上的创建时间为 2013 年 6 月 28 日,首次公开发布早于此,为 2012 年 1 月,因此本条的首发年份记为 2012。默认分支为 master。截至 2026 年 11 月 11 日,仓库 1856 star、1027 fork、124 个 open issue,最近一次推送为 2026 年 11 月 10 日。
版本节奏。 最新正式版为 v8.6.0,发布于 2026 年 10 月 30 日,其 release notes 列出线性求解器的 GPU 运行更新、新的压力基不可压求解器、面向透平机械的多区伴随、与 Cantera 耦合的详细化学求解器、多重网格改进与标量求解器改进。v8.5.0 发布于 2026 年 4 月 27 日,代号 Harrier,带来多重网格的显著改进、用于混合 RANS-LES 的灰区缓解策略、完整可用的热弹性耦合与伴随热弹性。v8.4.0 发布于 2026 年 1 月 12 日,含 FGCRODR 线性求解器与 Newton-Krylov 改进。v8.0.0 发布于 2023 年 8 月 29 日,是重写 Python 封装(支持内存内网格变形)、以火焰面方法建模燃烧、引入数据驱动流体模型、混合并行离散伴随性能优化、集成 CoDiPack 2、并把 SST-2003m 设为新的 SST 默认变体的那一版。8.1.0 至 8.3.0 分布于 2024 年 9 月至 2025 年 9 月,沿用 Harrier 代号;7.x 系列沿用 Blackbird 代号。
许可口径。 仓库 LICENSE.md 为 GNU Lesser General Public License version 2.1(1999 年 2 月)。SU2 v1.0 与 v2.0 采用 GPL-3.0,自 v2.0.7 起改为 LGPL-2.1。需要留意 GitHub API 对本仓库的许可字段报为未识别,原因是许可文件名写作 LICENSE.md,与 GitHub 识别所要求的 LICENSE 文件名不一致,属元数据形态问题。本条原写「见 LICENSE 文件」,现已按实际许可改写。
关于伴随的表述修正。 本条此前把 SU2 描述为以连续伴随著称。实际代码同时提供表面积分连续伴随、场积分连续伴随与基于算法微分的离散伴随三条路线,且已发表对比表明离散伴随给出的是数值精确梯度。
关于开发主体。 本条此前称「斯坦福主导」。代码确由斯坦福大学航空航天系主导,但实际由多个团队共同开发,包括代尔夫特理工大学、卡尔斯鲁厄工业大学、米兰理工与帝国理工学院,现由在美国成立的非营利机构 SU2 Foundation 承载。
关于引用数据的可核对性。 第六节所有数值均取自已发表论文正文与表格,未做换算或外推;CAD 参数化 NACA 0012 的阻力数字按原文记录并同时标注其与图表的矛盾。数据可得性口径方面,SU2 的验证算例与教程算例均随仓库或官方仓库公开托管,无申请门槛。
十、参考资料
- Economon T. D., Palacios F., Copeland S. R., Lukaczyk T. W., Alonso J. J.,《SU2: An Open-Source Suite for Multiphysics Simulation and Design》,AIAA Journal 第 54 卷第 3 期,2016 年 3 月,828–846 页,DOI 10.2514/1.J053813,https://doi.org/10.2514/1.J053813
- Economon T. D., Alonso J. J., Albring T., Gauger N. R.,《Adjoint Formulation Investigations of Benchmark Aerodynamic Design Cases in SU2》,AIAA 2017-4363,第 38 届 AIAA 航空航天科学会议,DOI 10.2514/6.2017-4363,https://economon.github.io/docs/AIAA-2017-4363.pdf
- Agarwal D., Marques S., Robinson T., Armstrong C., Hewitt P.,《Aerodynamic Shape Optimization Using Feature based CAD Systems and Adjoint Methods》,AIAA 2017-3999,第 18 届 AIAA/ISSMO 多学科分析与优化会议,DOI 10.2514/6.2017-3999,https://pureadmin.qub.ac.uk/ws/files/131378219/GradientBasedAdjointOptimizationv3.pdf
- Nguyen Trung H., Hoang Gia L., Nguyen Huy D., Nguyen Quoc B., Pham Van S.,《Two-Dimensional Gradient-Based Aerodynamic Shape Optimization with Two Geometry Parameterization Techniques using SU2 Code》,Smart Systems and Devices 第 35 卷第 3 期,2025 年,45–52 页,DOI 10.51316/jst.184.ssad.2025.35.3.6,https://jst.vn/index.php/ssad/article/view/1037
- su2code/SU2 代码仓库及其
LICENSE.md(GNU Lesser General Public License version 2.1,1999 年 2 月),https://github.com/su2code/SU2 - SU2 官方 Quick Start 教程(NACA 0012 二维 Euler 与连续伴随,10216 三角形单元 / 5233 点原生网格),https://su2code.github.io/docs_v7/Quick-Start/
- SU2 官方形状设计教程集(无约束 NACA 0012、约束 ONERA M6、约束 RAE 2822、多目标斜坡、非定常外形优化、组分输运、管道弯头压降),https://su2code.github.io/tutorials/home/
- SU2 官方验证与确认(V&V)算例索引(制造解法、平板 RANS、凸块通道、30p30n 高升力、激波边界层相互作用、T3A/T3A− 转捩、DSMA661 近尾迹、SANDIA 射流、NACA 0021 超失速混合 RANS/LES),https://su2code.github.io/vandv/home/
- SU2 版本 8.6.0、8.5.0、8.4.0、8.0.0 的 release notes(发布日期与变更清单),https://github.com/su2code/SU2/releases
- SU2 官网首页与 SU2 Foundation 说明(LGPL 2.1 许可声明、斯坦福主导的多机构开发与七届 SU2 会议),https://su2code.github.io
- SciCompKL CoDiPack 算法微分库(卡尔斯鲁厄工业大学开发,SU2 离散伴随的底层依赖),https://github.com/SciCompKL/CoDiPack