2. CAE设计空间探索的数学表达

在CAE设计空间探索中，工程问题最终都要被翻译成一套可计算、可搜索、可判定的数学语言。这套语言由三块基石构成：设计变量（我们能调什么）、目标函数（我们想要什么）、约束条件（我们被限制在什么范围内）。三者共同定义了一个优化问题的形式化描述，也决定了后续AI代理模型、采样策略与搜索算法能否正确工作。本节从建模方式入手，逐步展开参数化建模、设计空间维度与边界定义，并给出可直接套用的形式化描述框架。

设计变量：把几何与工况翻译成可调参数

设计变量是设计空间中每个可独立取值的维度。以某支架结构轻量化为例，若把板厚、圆角半径、孔位坐标作为设计变量，可写成向量形式：

x = [t, r, x_h, y_h]^T
t ∈ [2.0, 6.0] mm     板厚
r ∈ [3.0, 12.0] mm    过渡圆角半径
x_h ∈ [20.0, 60.0] mm 孔中心X坐标
y_h ∈ [10.0, 40.0] mm 孔中心Y坐标

这里每个变量都带有明确的物理单位与取值范围。设计变量分为连续型（如板厚、半径）与离散型（如材料牌号、加强筋数量、标准件规格）。离散变量在参数化建模中常以索引或枚举值参与计算，例如材料选择用 m ∈ {1,2,3} 表示三种候选材料，其弹性模量与密度通过查表映射。变量命名应保持唯一且可追溯，避免同一几何特征在不同脚本中出现两个名字，否则AI采样时会把同一维度误判为两个独立维度，导致设计空间虚高。

目标函数：从单一指标到多目标权衡

目标函数把设计变量映射为可比较的标量或向量。单目标问题写作 min f(x) 或 max f(x)。CAE中常见目标包括质量最小、最大应力最小、一阶固有频率最大、压降最小等。以支架为例，若同时关心减重与刚度，可定义：

f1(x) = mass(x)                 → 最小化
f2(x) = -k_stiffness(x)         → 最小化（等价于刚度最大化）
F(x) = [f1(x), f2(x)]^T

多目标问题不存在唯一最优解，而是产生Pareto前沿。AI辅助探索时，代理模型通常对每个目标分别建立回归模型，再用多目标进化算法或贝叶斯优化在Pareto前沿上采样。需要注意目标函数的量纲与数量级：质量以kg计约在0.5~3.0，而刚度以N/mm计可能达到10^4量级，直接加权求和会被大数量级目标主导。工程上常先做归一化，例如 f_norm = (f - f_min)/(f_max - f_min)，其中f_min、f_max由初始采样或经验范围估计，属于合理假设而非实测值。

约束条件：边界、几何与性能的三重限制

约束条件把设计空间裁剪为可行域。按数学形式分为等式约束 h(x)=0 与不等式约束 g(x)≤0；按工程来源分为边界约束、几何约束与性能约束。边界约束直接来自变量上下限，如 2.0 ≤ t ≤ 6.0；几何约束保证模型可制造、可网格化，如孔边到板边距离 d(x) ≥ 5 mm；性能约束来自CAE分析结果，如 σ_max(x) ≤ 235 MPa、f1(x) ≥ 120 Hz。

性能约束是CAE设计空间探索中最昂贵的一类，因为每次判断都需要一次仿真。AI代理模型的核心价值之一，就是用少量仿真样本训练一个约束预测器，快速筛掉明显不可行的候选点。约束的可行域比例直接影响搜索效率：若初始采样中可行点不足5%，代理模型很难学到可行边界，此时应先做可行性导向采样，或适当放宽边界再逐步收紧。

参数化建模：让变量真正驱动几何与网格

参数化建模是把设计变量与CAD/CAE模型关联起来的过程。常见实现路径有三种：尺寸驱动（修改草图尺寸或特征参数）、脚本驱动（用Python、APDL、Tcl等直接生成几何与网格）、模板驱动（预置参数化模板，替换数值后重建）。以脚本驱动为例，一个可复现的流程是：读取变量向量 → 更新几何 → 重新划分网格 → 提交求解 → 提取目标与约束响应。关键点在于网格一致性：若每次几何变化都导致网格拓扑剧烈改变，响应面会出现数值噪声，AI代理模型会把噪声误学为真实趋势。工程上常固定网格尺寸与局部加密策略，或采用重划分后映射的方式保持单元数量稳定。

设计空间维度与边界定义

设计空间维度等于独立设计变量的个数。维度并非越高越好：维度增加会带来“维数灾难”，采样点数量随维度指数增长。实践中应做变量筛选，用灵敏度分析或Sobol指数识别对目标影响显著的变量，把10维问题压缩到4~6维再探索。边界定义要遵循三条原则：一是物理可行，如板厚不能为负；二是制造可行，如最小圆角受刀具限制；三是数值稳定，如过小的圆角会导致网格畸变、求解不收敛。边界过宽会浪费采样预算，过窄则可能把真正的最优解排除在外。建议先用较宽边界做粗采样，观察响应分布后再收缩。

探索问题的形式化描述

综合以上要素，一个CAE设计空间探索问题可形式化为：

find  x = [x1, x2, ..., xn]^T
min   F(x) = [f1(x), f2(x), ..., fm(x)]^T
s.t.  g_j(x) ≤ 0,  j = 1, 2, ..., p
      h_k(x) = 0,  k = 1, 2, ..., q
      x_i^L ≤ x_i ≤ x_i^U,  i = 1, 2, ..., n
其中 F(x) 由CAE仿真或代理模型计算

该描述明确了搜索空间、评价方式与可行域。AI辅助的角色体现在：用代理模型替代部分仿真调用，用采集函数平衡“探索未知区域”与“利用已知优区”，用约束预测器提前过滤不可行点。下图给出从设计变量到可行域、再到目标评价与约束判定的整体关系。

把上述关系落到实操，建议按以下顺序完成一次形式化建模：先列出所有候选变量并标注单位与类型；再用灵敏度分析筛掉低影响变量，确定维度n；接着为每个变量设定物理、制造、数值三重边界；然后明确目标个数与归一化方式；最后逐条写出约束表达式，并标注哪些约束需要仿真、哪些可直接计算。完成这套描述后，AI代理模型才有明确的输入输出接口，采样与优化也才有可判定的收敛依据。