1. 课程导入与设计空间探索全景

在传统CAE工作流中，工程师通常面对的是一个"给定方案、验证方案"的循环：CAD模型已经确定，网格已经划分，边界条件已经设定，仿真任务就是判断这个方案是否满足指标。但在真实的产品开发早期，设计对象往往还没有定型——翼型的弯度与厚度可以调整，支架的筋板位置与厚度可以组合，电池包箱体的加强筋走向与截面尺寸存在大量可选方案。此时真正困难的问题不是"这个方案行不行"，而是"在成百上千种可能中，哪些方案值得算、哪些区域值得改、哪些参数真正影响性能"。CAE设计空间探索（Design Space Exploration，DSE）正是为回答这类问题而存在的方法体系。

可以把设计空间理解为由设计变量张成的高维空间。假设一个支架优化问题包含三个变量：底板厚度 t（2～6 mm）、筋板高度 h（10～40 mm）、圆角半径 r（3～12 mm），那么设计空间就是这三个区间构成的立方体区域，空间中每一个点对应一个具体几何方案，也对应一组CAE计算结果（最大应力、一阶模态、质量等）。设计空间探索的任务，就是通过有限次仿真采样，建立"设计变量→性能响应"的映射关系，并据此寻找可行域、识别敏感参数、定位最优或稳健方案。它与单次仿真的根本区别在于：单次仿真输出一个结果，设计空间探索输出的是整个空间的响应规律。

AI在这个流程中的价值体现在三个环节。第一是代理建模：用少量高保真仿真样本训练神经网络、高斯过程回归或梯度提升模型，替代昂贵的求解器进行快速预测，把单次评估从分钟级压缩到毫秒级。第二是智能采样：通过自适应加点策略，把计算预算集中投放到响应变化剧烈或最优解可能存在的区域，而不是均匀铺满整个空间。第三是多目标寻优与稳健性分析：在质量、刚度、成本等冲突目标之间搜索Pareto前沿，并评估制造公差、载荷波动下方案的性能漂移。三者共同构成"采样—建模—寻优—验证"的闭环。

上图给出了本课程贯穿始终的整体框架。左侧是设计空间与响应面的几何直觉：三个设计变量张成三维空间，蓝色点为初始采样点，橙色曲线为代理模型拟合出的响应面，黄色椭圆标出预测的最优区域。右侧是工具链的数据流：参数化CAD负责几何生成，CAE求解器负责高保真评估，AI平台负责代理建模与寻优，三者通过参数文件、CSV/JSON结果和脚本接口串联。需要特别注意的是图中那条绿色虚线反馈回路——当代理模型在某个区域的预测误差超过阈值时，系统会自动在该区域补充高保真样本并重新训练模型，这是AI辅助探索区别于传统一次性试验设计的核心机制。

为了让流程更具体，这里给出一个贯穿课程的示例场景（以下参数为教学假设，非实测数据）。某无人机机臂支架需要减重，同时保证最大应力不超过材料屈服强度的60%。设计变量取三个：臂厚 t ∈ [2, 6] mm，加强筋高度 h ∈ [8, 30] mm，根部圆角 r ∈ [2, 10] mm。目标为质量最小化，约束为最大von Mises应力 ≤ 180 MPa（假设材料屈服强度300 MPa）。初始采用最优拉丁超立方生成40组样本，每组自动完成参数化建模、网格划分、静力求解，提取质量与最大应力两个响应。随后用高斯过程回归建立两个代理模型，若交叉验证决定系数低于0.95，则通过期望改进准则补充10～20组样本。代理模型达标后，用NSGA-II在代理模型上搜索Pareto前沿，得到"质量—应力"权衡曲线，最后挑选3～5个候选方案回代高保真求解验证。整个流程把原本需要数百次仿真的问题压缩到约60次高保真计算，同时给出参数敏感度排序——例如若结果显示 t 对质量影响最大、h 对应力影响最大，工程师就能据此判断哪些尺寸值得收紧公差、哪些可以放宽。

需要建立的一个基本认知是：AI代理模型不是要取代CAE求解器，而是充当"快速筛选器"和"规律发现器"。高保真仿真始终是可信度的最终来源，代理模型的作用是把搜索范围从"盲目试算"缩小到"值得精算的少数候选"。因此，判断一次设计空间探索是否成功，不能只看是否找到了一个更优方案，还要看是否理解了设计变量与性能之间的权衡关系、是否识别出了真正关键的参数、以及最终方案在高保真复核中是否稳定复现了预测性能。这三条标准将贯穿后续所有章节的实践环节。