📚 课程目录第4章参数化建模与设计变量定义

4. 参数化建模与设计变量定义

在CAE优化算法与求解器自动联动的框架中，参数化建模是连接“优化算法”与“求解器”的桥梁。优化算法本身并不理解几何、网格或材料，它只认识一组设计变量向量 x = [x₁, x₂, …, xₙ]。参数化建模的任务，就是把这组无量纲或带量纲的变量，映射为求解器能够直接读取的输入文件（如Nastran的BDF、Abaqus的INP、ANSYS的APDL或Fluent的Journal）。如果映射关系不清晰，优化循环就会出现“算法改了变量、求解器却没反应”或“响应面梯度失真”的典型故障。

一、参数化的四个层次与映射链

工程上通常把参数化对象分为四类：几何参数、网格参数、材料参数和边界条件参数。它们与求解器输入之间并非简单的一对一关系，而是存在一条“设计变量 → 参数化模型 → 求解器关键字”的映射链。以常见的结构优化为例：设计变量可能是筋板厚度 t，几何参数化层将其解释为某个面偏移量，网格参数化层决定该面附近网格是否重新划分，材料参数化层可能同时把 t 关联到等效密度，边界条件参数化层则保证载荷作用点随几何移动而更新。最终，求解器输入中的 PSHELL 卡片厚度字段、GRID 坐标和 FORCE 作用节点都随 t 变化。

二、几何参数化：从尺寸驱动到特征驱动

几何参数化最直接的方式是尺寸驱动，即把CAD草图中的标注尺寸暴露为设计变量。例如某支架的安装孔中心距 L 在 80～120 mm 之间变化，在SolidWorks中通过方程式或配置即可实现；在ANSYS SpaceClaim中则用 Pull 面配合参数集。更稳健的做法是特征驱动：把倒角半径、筋板厚度、孔阵列间距等特征参数直接作为变量，避免重建时出现拓扑失败。

实际工程中，几何参数化必须考虑“可重建性”。当变量变化导致面合并、边消失或产生自相交时，CAD内核会报错，优化循环随即中断。因此建议在参数化阶段就设定变量上下限，并做一次扫掠测试：以 L = 80, 90, 100, 110, 120 五个水平重建模型，确认无失败后再接入优化算法。这一步的代价远低于在优化迭代中反复处理几何失败。

三、网格参数化：节点坐标与拓扑的两种策略

网格参数化有两种典型策略。第一种是“网格随动”：保持网格拓扑不变，仅根据几何变形更新节点坐标。例如机翼气动弹性优化中，结构网格节点坐标由几何参数插值得到，单元连接关系不变。这种方法计算快、无重划分开销，但仅适用于小变形或形状变化平缓的场景。第二种是“网格重划分”：当几何变化剧烈时，重新生成网格。此时设计变量会触发网格尺寸、边界层厚度、局部加密区等参数更新。

与求解器输入的映射上，网格参数化最终体现为 GRID 卡片坐标、CTRIA3/CQUAD4 连接关系以及 PSHELL 属性中的厚度。若采用重划分策略，还需保证载荷和约束能够自动映射到新网格的对应节点上，否则会出现“载荷悬空”导致求解失败。

四、材料参数化：本构与属性的变量化

材料参数化常见于多材料拓扑优化、复合材料铺层优化和热-结构耦合优化。设计变量可以是弹性模量 E、泊松比 ν、密度 ρ、热膨胀系数 α，也可以是复合材料单层厚度和铺层角度。在求解器输入中，这些参数对应 MAT1（各向同性）、MAT8（二维各向异性）或 MAT9（三维各向异性）卡片。

需要特别注意的是材料参数的物理约束。例如密度 ρ 必须为正，泊松比 ν 对 isotropic 材料需满足 -1 < ν < 0.5，否则刚度矩阵非正定，求解器会直接报错。在优化算法中，这些约束应作为边界条件写入变量定义，而不是等求解器报错后再处理。

五、边界条件参数化：位置、方向与幅值的联动

边界条件参数化是最容易被忽视、却最容易导致优化结果失真的环节。当几何变化时，载荷作用点、约束面、接触对都可能移动。如果边界条件不随动，优化算法会“钻空子”：例如把加强筋移到远离载荷的位置以降低应力，而载荷却仍作用在旧节点上，结果自然不可信。

实现边界条件参数化的关键是建立“几何-边界”的关联关系。在Abaqus中可用 *NSET 配合几何面定义，在Nastran中可用 RBE3 单元把载荷分配到随动节点上。对于随动载荷，还需在求解器输入中启用大变形或跟随力选项（如 NLGEOM 或 FOLLOW）。

映射检查清单：每次参数化建模完成后，建议做一次“变量扰动测试”：将每个设计变量分别增加 5%，重新生成求解器输入，检查以下三项——① 几何是否成功重建；② 网格节点坐标或连接关系是否按预期变化；③ 载荷/约束是否仍作用在正确的几何位置上。三项全部通过，才认为映射链可靠。

六、参数化建模的工程实现建议

在实际项目中，建议采用“参数化模板 + 脚本驱动”的方式。以Python为例，可用 pyNastran 或 pyAbaqus 读取模板文件，替换关键字字段后写出新输入文件。模板中保留固定拓扑和注释，变量字段用占位符标记，脚本只替换占位符，避免误改其他卡片。

# 示例：用pyNastran替换PSHELL厚度
from pyNastran.bdf.bdf import BDF
model = BDF()
model.read_bdf('template.bdf')
for eid in model.elements:
    if model.elements[eid].type == 'PSHELL':
        model.elements[eid].t = t_new  # t_new来自优化算法
model.write_bdf('design_001.bdf')

这种方式的优点是映射关系显式、可追溯，且便于与优化算法对接。优化算法每产生一组新变量，脚本就生成一份新的求解器输入，求解器计算后返回目标函数和约束值，形成闭环。参数化建模的质量，直接决定了这个闭环能否稳定收敛。

最后需要强调：参数化不是“把能变的都变成变量”，而是选择对目标函数和约束真正敏感、且物理上可实现的参数。变量过多会导致优化维度爆炸，变量过少则可能错过最优解。通常建议先做灵敏度分析，筛选出贡献度最高的 5～15 个参数作为设计变量，其余保持固定。这样既保证优化效果，又控制计算成本。