1. 课程导入与CAE参数化设计概览

在传统CAE工作流中，工程师往往先由CAD软件建出几何模型，再导入求解器划分网格、施加边界条件、提交计算。一旦设计尺寸发生变化，例如支架厚度从6 mm改为8 mm，整个“改几何—重划网格—重设边界—重算—重看结果”的链条就要重走一遍。参数化建模与设计优化要解决的，正是这条链条中大量重复、易错、难以系统寻优的部分：把几何尺寸、形状特征、材料属性、载荷条件等抽象为可驱动的设计变量，让模型能够被程序自动重建、自动求解，并由优化算法在给定约束下搜索更优方案。

可以把本课程的知识体系理解为三层能力。第一层是参数化建模：让几何“可被参数驱动”，核心是尺寸约束、表达式、命名参数与特征重生成。第二层是参数化仿真：让网格、边界条件、载荷、求解设置随参数联动，核心是参数传递与自动化流程。第三层是设计优化：在参数空间中定义目标函数与约束，用试验设计、近似模型或直接优化算法寻找最优解，核心是“问题定义—采样—寻优—验证”的闭环。三者层层递进，缺一不可：没有可靠的参数化模型，优化结果无法落地；没有优化框架，参数化只能做手工试算。

从工程价值看，参数化设计优化最典型的收益出现在三类场景。其一是尺寸系列化与快速改型：同一结构需要覆盖多种规格，通过参数表驱动即可批量生成模型与报告。其二是性能寻优：如支架在应力不超过许用值的前提下减重，或散热器在压降受限时提升换热效率，这类问题变量多、约束强，人工试算难以覆盖。其三是稳健性与多学科权衡：考虑制造公差、材料波动，或同时兼顾结构强度、模态频率与成本，需要系统化的采样与权衡分析。

下面这张图给出本课程的整体学习路径与工具链关系。它不描述某一次具体操作，而是说明从几何参数到优化结论之间，数据、模型与算法如何衔接，以及各阶段的主要工具角色。

理解这张图后，可以进一步明确本课程的工具链分工。参数化建模通常在CAD端完成，例如SolidWorks的方程式与设计表、Creo的Program与参数、CATIA的知识工程模块，它们负责把几何尺寸变成可命名、可表达式驱动的量。参数化仿真则依赖CAE求解器的脚本能力，例如ANSYS的APDL与Workbench参数集、Abaqus的Python脚本、COMSOL的LiveLink与参数扫描，它们负责让网格、边界和求解设置随参数自动更新。设计优化层则常用ANSYS optiSLang、Isight、modeFRONTIER或Python生态中的SciPy、Optuna等，负责采样、代理模型与寻优。三层之间通过参数文件、脚本接口或平台集成传递数据，形成可重复执行的自动化链路。

需要特别提醒的是，参数化并不等于“把尺寸改成变量”这么简单。一个可用的参数化模型必须满足三个条件：第一，几何可稳定重生成，即参数在合理范围内变化时，特征不失败、不产生自交或退化；第二，仿真设置可随动，例如网格尺寸、接触对、载荷作用面能随几何变化自动识别或重新指定；第三，结果可自动提取，即最大应力、质量、频率等响应量能通过命名选择或脚本稳定读取。缺少任何一条，优化循环都会在某个参数点中断，导致采样失败或结果失真。