設(shè)計(jì)飛機(jī)機(jī)翼是一項(xiàng)復(fù)雜的挑戰(zhàn)。機(jī)翼在氣流中的運(yùn)動(dòng)具有高度非線性，通過(guò)仿真獲得有效的機(jī)翼特性需要空氣動(dòng)力學(xué)工程師的豐富經(jīng)驗(yàn)。然而，設(shè)計(jì)過(guò)程并非一次迭代就能結(jié)束；它需要評(píng)估多個(gè)氣動(dòng)參數(shù)之間的利弊。傳統(tǒng)上，選擇最佳設(shè)計(jì)是一種反復(fù)試驗(yàn)的方法，很大程度上依賴于設(shè)計(jì)師的直覺(jué)和經(jīng)驗(yàn)。如今，隨著人們能夠探索各種設(shè)計(jì)方案，基于智能的協(xié)同優(yōu)化方法已成逐漸成為趨勢(shì)。

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

PERA智能體平臺(tái)通過(guò)深度融合CAE仿真與人工智能技術(shù)，為機(jī)翼設(shè)計(jì)中的多學(xué)科耦合問(wèn)題提供創(chuàng)新解決方案。為了表征單個(gè)橫截面（圖2），可以使用輪廓類型、前緣坐標(biāo)、弦長(zhǎng)、旋轉(zhuǎn)軸坐標(biāo)和旋轉(zhuǎn)角度等參數(shù)。

圖 2 機(jī)翼橫截面

在機(jī)翼橫截面參數(shù)化建模基礎(chǔ)上，PERA智能體可以實(shí)現(xiàn)氣動(dòng)-結(jié)構(gòu)雙向耦合的智能迭代分析。當(dāng)氣動(dòng)仿真產(chǎn)生的力場(chǎng)改變機(jī)翼幾何形態(tài)時(shí)，結(jié)構(gòu)仿真模塊會(huì)響應(yīng)變形狀態(tài)，并通過(guò)智能體間的數(shù)據(jù)協(xié)同機(jī)制觸發(fā)新一輪氣動(dòng)分析。這種基于強(qiáng)化學(xué)習(xí)原理的自適應(yīng)迭代過(guò)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(jī)翼描述為一個(gè)三維曲面，并指定構(gòu)成機(jī)翼的所有橫截面的參數(shù)。這些信息可以保存在一個(gè)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(jī)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(guò)智能解析引擎，平臺(tái)可識(shí)別橫截面輪廓類型、前緣坐標(biāo)等特征參數(shù)，并生成符合工業(yè)標(biāo)準(zhǔn)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(qiáng)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(gè)問(wèn)題涉及多學(xué)科分析并構(gòu)建智能求解循環(huán)，以確定機(jī)翼的真實(shí)變形形狀。該方法基于尋找來(lái)流產(chǎn)生的外部氣動(dòng)矩與機(jī)翼內(nèi)部結(jié)構(gòu)矩之間的平衡點(diǎn)。首先，氣動(dòng)分析估算作用于機(jī)翼的力因子，然后將其作為載荷應(yīng)用于結(jié)構(gòu)模擬，以計(jì)算由此產(chǎn)生的變形。由于形狀發(fā)生了變化，需要重復(fù)氣動(dòng)分析以獲得一組新的力因子?；诖藰?gòu)建智能求解循環(huán)（圖4）持續(xù)進(jìn)行，直到幾何形狀的變化變得可以忽略不計(jì)。在此過(guò)程中，智能調(diào)度模塊動(dòng)態(tài)分配計(jì)算資源，根據(jù)收斂曲線調(diào)整氣動(dòng)/結(jié)構(gòu)分析的求解精度；相關(guān)學(xué)習(xí)算法可記憶歷史迭代路徑，減少重復(fù)計(jì)算量。

圖 4 ?計(jì)算過(guò)程

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

為簡(jiǎn)單起見(jiàn)，本文僅考慮俯仰力矩，將結(jié)構(gòu)問(wèn)題簡(jiǎn)化為純扭轉(zhuǎn)問(wèn)題。然而，該方法可以擴(kuò)展到任何力因子的集合。因此，幾何形狀的變化僅包括對(duì)機(jī)翼橫截面扭轉(zhuǎn)角的修改。

圖 5 氣動(dòng)分析

結(jié)構(gòu)分析的工作流程（圖6）更為復(fù)雜。它包括通過(guò)“準(zhǔn)備研究”模塊準(zhǔn)備輸入文件、在Salome-Meca中進(jìn)行模擬以及使用“提取角度”模塊進(jìn)行后處理。Salome-Meca通過(guò)“Program SSH Linux”模塊集成，該模塊作為連接到遠(yuǎn)程Linux計(jì)算機(jī)的連接器，并在該計(jì)算機(jī)上執(zhí)行任務(wù)。該工作流程的輸入是幾何參數(shù)和彎矩，輸出是每個(gè)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(gè)文本塊解析輸入文件：一個(gè)用于機(jī)翼幾何描述，另一個(gè)用于剛度線描述。接下來(lái)，一個(gè) Python 塊識(shí)別橫截面與剛度線之間的交點(diǎn)；生成的交點(diǎn)隨后用作旋轉(zhuǎn)軸。完成這些準(zhǔn)備工作后，仿真循環(huán)開(kāi)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(guò)程位于“Simulations”復(fù)合模塊中，每個(gè)單域工作流都使用工作流參考功能導(dǎo)入，確保主工作流的每次運(yùn)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(dāng)前迭代中獲得的扭轉(zhuǎn)角與上一次迭代的扭轉(zhuǎn)角進(jìn)行比較。一旦滿足收斂標(biāo)準(zhǔn)，最終設(shè)計(jì)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(yùn)行，而預(yù)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(guò)工作流版本管理，確保各學(xué)科智能體保持最新?tīng)顟B(tài)；另外軟件工具的可視化追蹤功能可以實(shí)時(shí)呈現(xiàn)多物理場(chǎng)的耦合過(guò)程。

智能優(yōu)化解決方案

飛機(jī)受力因素包括四個(gè)方向的受力矢量：

圖8 飛機(jī)受力因素

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

圖 9 ?沿機(jī)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(gè)文本塊解析包含機(jī)翼描述的輸入文件，并將參數(shù)輸出到其他塊，有效地充當(dāng)格式轉(zhuǎn)換器。“優(yōu)化”塊管理優(yōu)化周期，在每次迭代時(shí)請(qǐng)求評(píng)估新的設(shè)計(jì)。每個(gè)步驟都包含一個(gè) 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(xì)化”工作流程，用于確定機(jī)翼的真實(shí)形狀；以及另一個(gè)用于計(jì)算阻力和升力的 AeroSandbox 塊。一旦“優(yōu)化”塊找到最佳設(shè)計(jì)，結(jié)果就會(huì)發(fā)送到輸出端口。

提供基于機(jī)翼描述文件、用于 AeroSandbox 的飛機(jī)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(yù)算。該工作流程還會(huì)生成優(yōu)化歷史記錄報(bào)告（圖 11）和更新的機(jī)翼描述文件，并通過(guò)輸出端口提供最佳旋轉(zhuǎn)角度值。基于輸出數(shù)據(jù)，PERA智能體不僅輸出最終方案，還能提供多維設(shè)計(jì)空間的可解釋性分析、參數(shù)敏感度的智能評(píng)估和方案自動(dòng)推薦等內(nèi)容。

圖 11 優(yōu)化歷史報(bào)告

該解決方案已形成標(biāo)準(zhǔn)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(xué)科協(xié)同優(yōu)化的技術(shù)門檻。PERA智能體平臺(tái)可以重新定義CAE驅(qū)動(dòng)的智能工程設(shè)計(jì)范式。