该文是荷兰代尔夫特理工大学Jake M. Walker、Andrea Coraddu与意大利热那亚大学Luca Oneto合作，于2024年发表于《Ocean Engineering》期刊的一篇综述性论文。其主题是探讨2015年以来，在船体（hull）和翼型（airfoil）的形状优化（shape optimization）领域，如何利用计算流体力学（Computational Fluid Dynamics, CFD）的数据驱动代理（Data-Driven Surrogate, DDS）模型的最新研究进展。
本文的核心论点是：基于CFD数据驱动代理模型的四步优化流程已成为船体和翼型形状优化的前沿方法，该方法在计算效率和探索能力之间取得了平衡，但仍面临诸多挑战，为未来研究指明了方向。
全文围绕这一核心论点，通过结构化地阐述优化流程的四个关键步骤，并系统回顾每个步骤下的技术选择、进展与不足，为读者构建了一个清晰的研究图景。
第一主要论点：形状优化至关重要，而传统方法存在局限性，催生了基于数据驱动代理模型的新范式。
作者首先阐述了船体和翼型形状优化对于提升性能（如降低阻力、提高升力）和减少环境影响（如降低燃料消耗）的核心价值。他们指出，传统优化方法通常依赖于对现有设计的局部修改，结合人工经验和数值方法，这限制了探索非常规、高性能新设计的能力。同时，直接使用高保真度CFD进行优化因计算成本过高而不可行。因此，一种结合了CFD准确性、数据驱动模型高效性以及优化算法探索能力的新范式——即利用CFD DDS模型的四步优化流程——应运而生，并成为当前的研究前沿。本文的综述价值正是在于，此前尚无文献对这一特定领域（2015年后，聚焦于CFD DDS的船体/翼型形状优化）进行过全面梳理。
第二主要论点：优化流程的第一步——形状参数化、参数范围与关键性能指标定义——是基础且高度依赖专家知识的环节，其质量直接影响后续所有步骤的成败。
作者将“参数化”定义为将几何形状转换为数值表示（即修改向量）的规则。他们回顾了两种主流参数化方法： 1. 基于边界的参数化（Boundary-based Parametrization）：通过样条曲线（如NURBS）或物理属性（如长度、宽度）直接定义形状边界。例如，对于翼型，有CST方法、Hicks-Henne函数或PARSEC-11参数集。对于船体，则常使用贝塞尔曲线或NURBS曲线。其优点是参数物理意义明确，易于解释和制造，但设计空间维度通常受限（约6-14个参数）。 2. 基于域的参数化/变形参数化（Domain-based/Deformation-based Parametrization）：通过在父几何形状周围定义控制体积（Control Volume）并移动控制点来变形形状，最常用的方法是自由形式变形（Free-Form Deformation, FFD）。这种方法可以更灵活地控制局部和全局变形，但参数与物理属性的对应关系不直观，容易产生物理上不可行或难以制造的设计，因此需要施加更严格的约束。
关于参数范围，作者指出需要在探索更大设计空间（可能发现更优设计）和避免“维度灾难”（Curse of Dimensionality）及不可行设计之间取得平衡。在实践中，范围往往被设定得相对较小，以确保围绕可行父设计的邻域内进行搜索。
关于关键性能指标（Key Performance Indicators, KPIs），最常见的与能效相关的KPI直接来自CFD输出，如阻力、升力或其系数（Cd, Cl）。此外，论文也提及了其他KPI，如热通量、体积、质量、成本或风险等。
作者强调，第一步需要大量领域专家知识的介入，以确保参数化方案是同态的（Homomorphic）（参数与形状一一对应）、信息丰富的（Informative）（足以预测KPI）、可理解的（Intelligible）和精简的（Synthetic）。一个约束良好的设计过程是后续步骤成功的基础。
第三主要论点：优化流程的第二步——采样、数据生成与DDS构建——是计算成本集中且技术要求高的环节，其目标是构建一个准确、高效的代理模型。
此步骤旨在解决直接使用CFD进行优化计算量过大的问题。其核心是构建一个数据驱动的代理模型（DDS），该模型虽然构建成本高（需要大量数据和训练时间），但评估成本极低（毫秒级），从而能与优化算法高效结合。该步骤包含两个子问题：
作者通过数学形式化说明了DDS如何近似复杂的CFD函数，并指出其巨大的计算优势：虽然构建DDS需要可观的CFD模拟和训练时间（几周至几个月），但与优化过程中需要评估成千上万个设计点（若直接用CFD则需要数年）相比，效率提升了数个数量级。
第四主要论点：优化流程的第三步——形状优化——利用构建好的DDS模型，在计算可行的前提下，于参数空间中自动搜索最优几何形状。
在获得DDS模型后，原始的形状优化问题被转化为一个使用代理函数代替昂贵CFD函数的约束优化问题。由于目标通常是多重的（如同时最小化阻力和最大化升力），论文讨论了常见的处理方法： * 加权和法（Weighted Sum）：将多个目标合并为单个目标函数，通过调整权重来生成帕累托前沿（Pareto Front）上的不同解。帕累托前沿上的解是指在不使至少一个其他目标变差的情况下，无法再改进任何一个目标的解集。 * 多目标优化算法：直接处理多个目标。
随后，这个（单目标或多目标）优化问题可以通过两类主流优化器求解： 1. 凸优化方法：将问题全局或局部地松弛为凸优化问题，利用高效的凸优化算法求解。这可能涉及对目标函数和约束的近似。 2. 直接处理非线性问题的优化器：如进化算法（Evolutionary Algorithms），可以直接处理非线性和非线性约束问题。
这一步的结果是产生一系列位于帕累托前沿上的候选最优形状。
第五主要论点：优化流程的第四步——物理合理性与反馈——是确保结果可靠、可行并驱动流程迭代改进的关键验证环节。
作者强调，由于从参数化到代理建模再到优化的多层近似，优化得到的候选形状可能存在物理不合理性或与真实CFD性能不符的风险。因此，必须进行严格验证。验证分为两个阶段：
在构建DDS时的检查：
对优化结果的验证：
如果验证发现问题（如性能不达标或设计不可行），这些信息将作为反馈（Feedback） 返回到前面的步骤（例如，调整参数范围、增加训练数据以提高DDS精度、修改优化约束），从而启动新一轮的优化循环，直至获得满意的设计。这一步凸显了该优化流程是一个迭代的、人机交互的循环过程，而非完全自动化的黑箱。
第六主要论点：当前研究方法存在诸多开放性问题与挑战，并为未来研究提供了明确的方向。
在系统回顾四步流程的基础上，论文最后批判性地评估了当前方法的不足与未来研究方向，主要包括： * 参数化：如何平衡设计空间的丰富性与参数维度，以及如何提高变形参数化方法的物理可解释性。 * 数据与DDS：如何减少对昂贵CFD数据的依赖（如利用迁移学习、多保真度模型、物理信息神经网络 Physics-Informed Neural Networks等）；如何提高DDS在数据稀疏区域和外推情况下的鲁棒性与物理一致性。 * 优化：如何处理高维参数空间；如何更有效地求解多目标优化问题并构建完整的帕累托前沿；如何将制造约束等复杂约束更自然地融入优化流程。 * 流程整合与自动化：如何将四个步骤更紧密、更自动化地集成，同时保留必要的人类专家监督和领域知识注入。
本文的显著意义与价值在于： 1. 填补文献空白：首次对2015年以来，专门针对船体和翼型形状优化、并聚焦于CFD数据驱动代理模型这一细分领域的进展进行了系统性综述，为领域内的研究者提供了一个结构化的知识框架和最新的技术全景图。 2. 提出清晰的分析框架：创造性地将复杂的优化流程提炼为“参数化-采样与建模-优化-验证与反馈”四个核心步骤，并逐一深入剖析，使得读者能够迅速把握该领域的方法论精髓和关键技术环节。 3. 兼具广度与深度：不仅广泛回顾了各步骤下的多种技术选择（如不同参数化方法、采样策略、机器学习模型、优化算法），还通过数学形式化（Problem Formalization）提升了论述的理论深度，阐明了各步骤之间的内在逻辑与转化关系。 4. 批判性与前瞻性：不满足于简单罗列成果，而是批判性地指出了当前方法在物理合理性、数据需求、可解释性、高维挑战等方面存在的普遍问题，并前瞻性地提出了未来可能的研究方向（如机器学习在形状优化中的更深入应用），起到了引导未来研究的作用。 5. 架起桥梁：论文强调了该领域是传统船舶/航空工程知识与现代数据科学、人工智能技术的交叉点，其论述有助于促进不同背景研究人员之间的理解与合作，推动学术研究向工业实践的转化。
这篇综述是一篇高质量的领域指南，它不仅总结了现状，更通过清晰的框架和深刻的洞察，为船体与翼型形状优化领域的研究者与工程师理解当前前沿、把握技术关键、识别挑战并规划未来工作提供了极具价值的参考。