3. 有限元分析与灵敏度分析

在拓扑尺寸形状联合优化中，有限元分析负责回答“当前设计有多好”，灵敏度分析负责回答“设计变量往哪个方向改会更好”。两者构成优化迭代的内循环：每一轮先求解结构响应，再计算目标与约束对全部设计变量的梯度，最后交给优化器更新变量。本节围绕这条主线，说明结构响应求解、伴随法灵敏度推导，以及如何把拓扑、尺寸、形状三类变量纳入统一的梯度计算框架。

一、结构响应求解：优化循环中的正分析

以线弹性静力问题为例，离散后的平衡方程为 K(d)u = f，其中 K 为整体刚度矩阵，u 为节点位移向量，f 为外载荷向量，d 为设计变量向量。拓扑优化中 d 通常是单元密度，尺寸优化中是板厚、截面尺寸等，形状优化中是控制边界形状的节点坐标或参数。三类变量进入 K 的方式不同，但求解位移的方程形式一致。

实际实现时，刚度矩阵由单元刚度矩阵组装：K = Σ (E_e(d) · k_e)，其中 k_e 为单位弹性模量下的单元刚度矩阵，E_e 为经插值模型修正后的单元模量。拓扑优化常用 SIMP 插值 E_e = E_min + ρ_e^p (E_0 − E_min)，p 一般取 3；尺寸变量可直接缩放单元厚度或截面惯性矩；形状变量则通过网格节点坐标扰动改变 k_e 的几何相关项。求解得到 u 后，即可计算目标函数（如柔顺度 c = fᵀu）和约束（如体积 V = Σ ρ_e v_e、应力、位移限值）。

二、伴随法灵敏度推导

设目标函数为 g(d) = G(u(d), d)，约束为 h(d) = H(u(d), d) ≤ 0。对设计变量求全导数：

dg/dd_i = ∂G/∂d_i + (∂G/∂u)ᵀ · du/dd_i

其中 du/dd_i 由平衡方程对 d_i 求导得到：

K · du/dd_i = ∂f/∂d_i − (∂K/∂d_i) · u

若对每个设计变量都解一次上述方程，代价为“变量数 × 一次正分析”，对拓扑优化动辄上万变量不可接受。伴随法引入拉格朗日乘子 λ，构造 L = G + λᵀ(f − Ku)，利用 K 的对称性可得伴随方程：

K · λ = ∂G/∂u

于是灵敏度简化为：

dg/dd_i = ∂G/∂d_i + λᵀ(∂f/∂d_i − (∂K/∂d_i) · u)

伴随法的核心优势在于：λ 只需求解一次，与设计变量个数无关。对每个设计变量，只需计算 ∂K/∂d_i 与 u 的乘积，即单元级的局部量。以 SIMP 柔顺度为例，∂G/∂u = f，故 λ = u，灵敏度退化为经典的 dc/dρ_e = −p ρ_e^(p−1)(E_0 − E_min) u_eᵀ k_e u_e，这也是 99 行拓扑优化代码中灵敏度公式的来源。

三、三类变量梯度的统一计算框架

拓扑、尺寸、形状变量的差异只体现在 ∂K/∂d_i 的具体形式上，伴随法的整体流程完全一致。可以建立如下统一框架：

• 统一输入：设计变量向量 d、当前位移 u、伴随向量 λ、单元级刚度矩阵 k_e 及其对变量的导数。
• 统一伴随方程：Kλ = ∂G/∂u，与变量类型无关。
• 统一梯度组装：dg/dd_i = ∂G/∂d_i + λᵀ(∂f/∂d_i − (∂K/∂d_i)u)。
• 变量专属导数：拓扑变量用 ∂E_e/∂ρ_e；尺寸变量用 ∂k_e/∂t_e；形状变量用 ∂k_e/∂x_n（节点坐标导数）。

形状变量的导数最复杂，因为节点坐标扰动会同时改变单元形状与映射雅可比。工程上常用两种处理：一是解析法，直接对等参元刚度积分求导；二是半解析法，用有限差分近似 ∂k_e/∂x_n，再代入统一框架。半解析法实现简单，但步长选择需谨慎，过大会引入截断误差，过小会放大舍入误差，一般取单元特征尺寸的 1e-4 至 1e-6 量级做试算。

四、统一框架的实现要点与数值验证

把三类变量放进同一套代码时，建议按“变量—单元—导数”三层组织数据结构。变量层维护 d 及其上下限；单元层缓存每个单元的 k_e、u_e 和 λ_e；导数层提供统一接口 compute_dKdd(var_type, elem_id)，由具体变量类型分派到对应公式。这样新增一类变量时，只需实现该接口，正分析与伴随求解代码无需改动。

灵敏度正确性必须验证。最直接的方法是与全局有限差分对比：取一个设计变量 d_i，施加小扰动 Δ，重新做一次正分析得到 g(d_i+Δ)，用 (g(d_i+Δ) − g(d_i−Δ)) / (2Δ) 作为参考值，与伴随法结果比较。若相对误差在 1e-4 至 1e-6 量级，通常认为推导与实现一致。对形状变量，由于网格扰动可能引起单元畸变，建议同时检查雅可比行列式是否始终为正，避免出现负体积单元导致分析失败。

综合来看，统一框架的价值在于把“变量类型差异”隔离在单元导数层，而把“响应求解—伴随求解—梯度组装”这条公共链路固定下来。掌握这条链路后，无论面对密度法拓扑优化、尺寸参数优化还是形状参数化优化，都能用同一套代码骨架完成灵敏度计算，并借助有限差分做交叉验证，保证优化迭代稳定收敛。