設(shè)計飛機機翼是一項復雜的挑戰(zhàn)。機翼在氣流中的運動具有高度非線性，通過仿真獲得有效的機翼特性需要空氣動力學工程師的豐富經(jīng)驗。然而，設(shè)計過程并非一次迭代就能結(jié)束；它需要評估多個氣動參數(shù)之間的利弊。傳統(tǒng)上，選擇最佳設(shè)計是一種反復試驗的方法，很大程度上依賴于設(shè)計師的直覺和經(jīng)驗。如今，隨著人們能夠探索各種設(shè)計方案，基于智能的協(xié)同優(yōu)化方法已成逐漸成為趨勢。

機翼設(shè)計的第一個挑戰(zhàn)是解決氣動分析和結(jié)構(gòu)分析之間的迭代相互作用。機翼被認為是可變形的，這意味著從氣動模擬中獲得的力因子可以改變機翼的幾何形狀。然后使用結(jié)構(gòu)分析來估算這些變形。由于幾何形狀的變化，必須再次進行氣動分析，以正確確定作用在機翼上的力。這種平衡過程不斷重復，直到步驟之間的變化變得可以忽略不計。這項研究的結(jié)果是機翼的真實形狀以及作用在其上的精確載荷。第二個挑戰(zhàn)重點是優(yōu)化機翼幾何形狀，以改善其氣動特性。目標是通過調(diào)整機翼橫截面的扭轉(zhuǎn)角，在保持升力的同時最大限度地減少阻力。由于這些問題是相關(guān)的，它們可以共享相同的幾何描述、模型準備和其他設(shè)置步驟的方法。

PERA智能體平臺通過深度融合CAE仿真與人工智能技術(shù)，為機翼設(shè)計中的多學科耦合問題提供創(chuàng)新解決方案。為了表征單個橫截面（圖2），可以使用輪廓類型、前緣坐標、弦長、旋轉(zhuǎn)軸坐標和旋轉(zhuǎn)角度等參數(shù)。

圖 2 機翼橫截面

在機翼橫截面參數(shù)化建模基礎(chǔ)上，PERA智能體可以實現(xiàn)氣動-結(jié)構(gòu)雙向耦合的智能迭代分析。當氣動仿真產(chǎn)生的力場改變機翼幾何形態(tài)時，結(jié)構(gòu)仿真模塊會響應變形狀態(tài)，并通過智能體間的數(shù)據(jù)協(xié)同機制觸發(fā)新一輪氣動分析。這種基于強化學習原理的自適應迭代過程，顯著提升了傳統(tǒng)CAE分析的收斂效率。

智能參數(shù)化建模體系

將機翼描述為一個三維曲面，并指定構(gòu)成機翼的所有橫截面的參數(shù)。這些信息可以保存在一個文本文件中（圖3），該文件稍后將用作工作流程的輸入和輸出。

圖 3 帶有文本文件的機翼描述

基于圖3所示的參數(shù)化文本描述體系，PERA智能體可以構(gòu)建數(shù)字化建模生態(tài)。通過智能解析引擎，平臺可識別橫截面輪廓類型、前緣坐標等特征參數(shù)，并生成符合工業(yè)標準的參數(shù)化文本文件。該智能建模體系支持參數(shù)版本追溯、變更影響分析等AI增強功能，為后續(xù)仿真流程提供結(jié)構(gòu)化數(shù)據(jù)基礎(chǔ)。

智能迭代求解架構(gòu)

要解決的第一個問題涉及多學科分析并構(gòu)建智能求解循環(huán)，以確定機翼的真實變形形狀。該方法基于尋找來流產(chǎn)生的外部氣動矩與機翼內(nèi)部結(jié)構(gòu)矩之間的平衡點。首先，氣動分析估算作用于機翼的力因子，然后將其作為載荷應用于結(jié)構(gòu)模擬，以計算由此產(chǎn)生的變形。由于形狀發(fā)生了變化，需要重復氣動分析以獲得一組新的力因子。基于此構(gòu)建智能求解循環(huán)（圖4）持續(xù)進行，直到幾何形狀的變化變得可以忽略不計。在此過程中，智能調(diào)度模塊動態(tài)分配計算資源，根據(jù)收斂曲線調(diào)整氣動/結(jié)構(gòu)分析的求解精度；相關(guān)學習算法可記憶歷史迭代路徑，減少重復計算量。

圖 4 ?計算過程

要解決的第一個問題涉及多學科分析，以確定機翼的真實變形形狀。該方法基于尋找來流產(chǎn)生的外部氣動矩與機翼內(nèi)部結(jié)構(gòu)矩之間的平衡點。首先，氣動分析估算作用于機翼的力因子，然后將其作為載荷應用于結(jié)構(gòu)模擬，以計算由此產(chǎn)生的變形。由于形狀發(fā)生了變化，需要重復氣動分析以獲得一組新的力因子。該計算循環(huán)（圖4）持續(xù)進行，直到幾何形狀的變化變得可以忽略不計。

為簡單起見，本文僅考慮俯仰力矩，將結(jié)構(gòu)問題簡化為純扭轉(zhuǎn)問題。然而，該方法可以擴展到任何力因子的集合。因此，幾何形狀的變化僅包括對機翼橫截面扭轉(zhuǎn)角的修改。

圖 5 氣動分析

結(jié)構(gòu)分析的工作流程（圖6）更為復雜。它包括通過“準備研究”模塊準備輸入文件、在Salome-Meca中進行模擬以及使用“提取角度”模塊進行后處理。Salome-Meca通過“Program SSH Linux”模塊集成，該模塊作為連接到遠程Linux計算機的連接器，并在該計算機上執(zhí)行任務。該工作流程的輸入是幾何參數(shù)和彎矩，輸出是每個橫截面的扭轉(zhuǎn)角。

圖6 結(jié)構(gòu)分析

完整的智能求解工作流如圖7所示。首先，使用兩個文本塊解析輸入文件：一個用于機翼幾何描述，另一個用于剛度線描述。接下來，一個 Python 塊識別橫截面與剛度線之間的交點；生成的交點隨后用作旋轉(zhuǎn)軸。完成這些準備工作后，仿真循環(huán)開始。該循環(huán)由“While”塊控制，該塊檢查是否滿足終止條件并觸發(fā)下一次迭代。

模擬過程位于“Simulations”復合模塊中，每個單域工作流都使用工作流參考功能導入，確保主工作流的每次運行都包含子工作流的最新版本，包括所有最新更改。使用 Python 模塊將當前迭代中獲得的扭轉(zhuǎn)角與上一次迭代的扭轉(zhuǎn)角進行比較。一旦滿足收斂標準，最終設(shè)計和彎矩值將被發(fā)送到輸出端口。該工作流的構(gòu)建方式使得用戶只需提供新的輸入文件即可設(shè)置新的運行，而預期結(jié)果將在輸出端口提供。

圖 7 變形形狀搜索工作流程

本工作流程的創(chuàng)新性體現(xiàn)在以下方面：收斂判斷模塊采用智能化算法替代傳統(tǒng)閾值判斷；通過工作流版本管理，確保各學科智能體保持最新狀態(tài)；另外軟件工具的可視化追蹤功能可以實時呈現(xiàn)多物理場的耦合過程。

智能優(yōu)化解決方案

飛機受力因素包括四個方向的受力矢量：

圖8 飛機受力因素

優(yōu)化問題表述如下：尋求一種設(shè)計方案，在保持初始升力的同時，使阻力最小化。本例中的控制參數(shù)是各個橫截面的旋轉(zhuǎn)角度：

圖 9 ?沿機翼的角度分布

圖 10 顯示了 pSeven Enterprise 中的優(yōu)化研究工作流程。

圖 10 優(yōu)化工作流程

第一個文本塊解析包含機翼描述的輸入文件，并將參數(shù)輸出到其他塊，有效地充當格式轉(zhuǎn)換器?！皟?yōu)化”塊管理優(yōu)化周期，在每次迭代時請求評估新的設(shè)計。每個步驟都包含一個 Python 塊，該塊根據(jù)控制橫截面的值生成扭轉(zhuǎn)角；前述的“載荷細化”工作流程，用于確定機翼的真實形狀；以及另一個用于計算阻力和升力的 AeroSandbox 塊。一旦“優(yōu)化”塊找到最佳設(shè)計，結(jié)果就會發(fā)送到輸出端口。

提供基于機翼描述文件、用于 AeroSandbox 的飛機模型，并指定輸入端口值，例如飛行狀態(tài)條件、變量邊界和優(yōu)化預算。該工作流程還會生成優(yōu)化歷史記錄報告（圖 11）和更新的機翼描述文件，并通過輸出端口提供最佳旋轉(zhuǎn)角度值?；谳敵鰯?shù)據(jù)，PERA智能體不僅輸出最終方案，還能提供多維設(shè)計空間的可解釋性分析、參數(shù)敏感度的智能評估和方案自動推薦等內(nèi)容。

圖 11 優(yōu)化歷史報告

該解決方案已形成標準化智能體工作流，用戶僅需提供初始參數(shù)文件即可獲得完整優(yōu)化方案，大幅降低多學科協(xié)同優(yōu)化的技術(shù)門檻。PERA智能體平臺可以重新定義CAE驅(qū)動的智能工程設(shè)計范式。