HyperStudy是一款CAE环境下的试验设计、优化、随机性研究工具，适用于研究不同变化条件下设计变量的特性以及多学科优化设计。HyperStudy紧密集成在HyperWorks软件平台中，通过MotionView、HyperMesh等应用程序可直接进入HyperStudy，同时HyperStudy可直接获得应用程序中的数据并将其转换为设计变量。HyperStudy后处理模块提供了结果显示、数据分析以及数据挖掘功能，帮助用户从大量的研究计算中提取有效信息，高效完成对特定系统的研究工作。

1.试验设计

DOE又称试验设计，通过计算不同参数组合的模型研究设计变量间的交互作用及设计变量对系统性能的影响，以减少实际试验次数，节省人力物力和时间。正确合理的试验设计，可使试验结果的可靠性显著提高。试验设计还可以为寻求参数的优化数值和选择最佳工艺方案指明方向。HyperStudy不但可以使用预定义的DOE方法，还支持用户自定义DOE方法。

2.近似模型

根据试验设计分析结果，HyperStudy可获得描述模型响应的关于设计变量的代数或数值方程。这些方程也称为响应面，是模型真实响应的近似。模型的响应面一经产生，就被作为整个精确求解方程的近似表达式。新的设计变量的组合不再用于原来的求解过程中，而是被插入响应面方程以快速估算模型的响应，不需要实际运算整个分析。

3.优化研究

优化研究用于寻找参数的最佳设定，以满足一定数目约束下的特定目标最大化（最小化或趋近设定值）。利用HyperStudy的向导系统定义设计参数，从求解的模型结果中提取数据来定义作为响应，再把响应分别定义为约束和目标进行优化研究。利用其提供的优化引擎，将求解器或响应面方程纳入优化计算循环，不断调整在求解模型文件中设定的参数值，求解模型，然后比较每一次的响应计算结果，从而完成优化循环。它联合多种外部求解器进行线性和非线性优化分析，如耐撞性设计、多体动力系统模拟、金属成形模拟、计算流体动力学问题以及多学科问题。(www.daowen.com)

4.随机性研究

随机性分析用于研究在一个设计中包含不确定设计变量的特定响应的随机分布特性，用于稳健性设计。HyperStudy采用蒙特卡罗法进行随机分析，并且提供了多种抽样方法。随机分析研究采用精确的求解器或DOE研究中的响应面算法。

应用HyperStudy强大的试验设计、随机性研究、优化设计功能，用户可以进行以下研究：

● 快速洞悉设计方案的物理性能。

● 评估设计变量中可控或非可控因素的稳健性。

● 实现多学科优化设计。