3. AI辅助参数化建模与几何前处理

几何前处理是仿真流程中最耗时、也最容易出错的环节。一个中等复杂度的支架模型，从CAD导入到生成可用的六面体网格，工程师往往要花掉整个仿真周期的60%以上时间，而其中大部分工作并不是"思考物理问题"，而是重复性的几何清理：补面、缝合、去小圆角、抽中面、识别特征。本节要解决的核心问题是：如何用脚本把参数化几何的生成过程固化下来，再让AI承担缺陷识别、特征分类和简化决策这三类"看起来需要经验"的判断工作。

参数化几何：把模型变成可复现的函数

参数化建模的本质，是把几何体的每一个关键尺寸都写成变量，让模型成为输入参数的函数。以常见的带孔连接板为例，其几何由板长L、板宽W、板厚T、孔径D、孔位坐标(x_i, y_i)、圆角半径R等参数完全确定。用Python脚本调用几何内核（如CadQuery、pythonOCC或ANSYS SpaceClaim的脚本接口）时，代码结构大致如下：

import cadquery as cq

def make_plate(L=200, W=80, T=6, D=10, holes=None, fillet=8):
    if holes is None:
        holes = [(30, 0), (100, 0), (170, 0)]
    plate = cq.Workplane("XY").box(L, W, T)
    plate = plate.edges("|Z").fillet(fillet)
    plate = (plate.faces(">Z")
                  .workplane()
                  .pushPoints(holes)
                  .hole(D))
    return plate

part = make_plate(L=240, W=90, T=8, D=12,
                  holes=[(40,0),(120,0),(200,0)], fillet=10)
part.val().exportStep("plate_v2.step")

这段代码的价值不在于"少点几次鼠标"，而在于三点：第一，几何完全可复现，任何人拿到脚本和参数表都能生成一模一样的模型；第二，参数扫描变得廉价，把L从200改到400只需改一个数字，配合循环即可批量生成几十个变体；第三，几何与仿真设置可以绑定，网格尺寸、边界条件位置都能随参数联动，避免"改了模型忘了改载荷位置"这类低级错误。

AI在这一步的介入方式，是充当"参数化脚本的生成器与审查者"。工程师可以用自然语言描述几何意图，例如"生成一个带三个等间距通孔的矩形板，四角倒圆角，孔中心在板中面上"，由大模型输出CadQuery或OpenSCAD代码草稿，再由工程师核对尺寸逻辑。更实用的是反向能力：把一段已有的建模脚本交给AI，让它指出哪些尺寸被硬编码、哪些约束存在过定义风险、哪些特征顺序会导致后续修改失败。这类审查在人工检查时极易遗漏，而AI对代码结构的敏感度恰好能补上这一环。

缺陷识别：让AI做几何的"体检医生"

CAD模型转入仿真环境后，常见的几何缺陷包括：面与面之间存在微小缝隙（gap）、面片重叠（overlap）、法向不一致、存在自由边或非流形边、微小面（sliver face）和退化边。这些缺陷在可视化时往往看不出来，但一旦开始划分网格就会报错，或者生成质量极差的单元。

传统做法是人工逐个检查，效率低且依赖经验。更系统的做法是先用脚本做几何拓扑体检，输出一份缺陷清单，再由AI对缺陷进行分类和优先级排序。体检脚本可以统计：自由边数量、非流形边数量、面片最小面积、最短边长度、相邻面法向夹角等指标。例如设定阈值——最短边小于0.01mm、面片面积小于0.001mm²、相邻面夹角小于1°的边视为可疑特征——脚本就能自动标出问题区域。

AI在这里的作用是把"数值指标"翻译成"修复建议"。同样是自由边，出现在圆角过渡处和出现在平面拼接处，修复策略完全不同：前者通常需要重新拟合曲面或调整圆角半径，后者往往只需缝合公差内的小缝隙。把缺陷的位置、类型、周边几何特征一起交给AI，它可以给出类似"该自由边位于两个拉伸面的交线处，间隙约0.008mm，建议将缝合公差从0.001mm提高到0.01mm后重新缝合"的具体建议，而不是笼统地说"存在几何缺陷"。

特征识别与简化：在精度和效率之间做取舍

几何简化是仿真前处理中最需要判断力的环节。一个真实的发动机支架CAD模型可能包含上千个特征，其中大量小圆角、小孔、倒角对整体刚度贡献极小，却会让网格数量翻倍。简化的原则是：对仿真目标影响小的特征可以抑制，影响大的必须保留。

判断"影响大小"需要结合仿真类型。做模态分析时，小圆角对低阶频率影响通常小于1%，可以抑制；做疲劳寿命分析时，孔边和圆角处的应力集中恰恰是关注重点，必须保留甚至加密网格。AI可以基于历史仿真数据和特征参数建立分类规则：例如"孔径小于板厚的1/3且不在载荷路径上"→建议忽略；"圆角半径小于网格目标尺寸的1/2"→建议抑制；"倒角位于接触面边缘"→建议保留。这些规则不是绝对的，但能给出一个可审查的起点，工程师只需确认或调整，而不是从零判断。

实际操作中，简化后的几何必须做验证。一个实用的验证方法是：对简化前后的模型分别做一次粗网格模态分析，比较前几阶频率的偏差。如果偏差在可接受范围内（例如<3%），说明简化没有改变结构的整体动力学特性。这个验证步骤可以脚本化，把"简化—验证—回退"做成自动循环，AI则负责根据偏差结果调整简化策略。

一个可复用的前处理检查清单

把上述流程固化成检查清单，可以在每次建模时快速过一遍，避免遗漏：

需要强调的是，AI给出的修复建议和简化规则始终需要人工确认。几何前处理的错误往往不会立即暴露，而是等到网格质量变差、求解不收敛或结果异常时才被发现，届时排查成本远高于事前检查。因此，把AI的输出当作"待审查的提案"而非"最终结论"，是使用这类工具时应当保持的基本态度。