设计飞机机翼是一项复杂的挑战。机翼在气流中的运动具有高度非线性，通过仿真获得有效的机翼特性需要空气动力学工程师的丰富经验。然而，设计过程并非一次迭代就能结束；它需要评估多个气动参数之间的利弊。传统上，选择最佳设计是一种反复试验的方法，很大程度上依赖于设计师的直觉和经验。如今，随着人们能够探索各种设计方案，基于智能的协同优化方法已成逐渐成为趋势。

机翼设计的第一个挑战是解决气动分析和结构分析之间的迭代相互作用。机翼被认为是可变形的，这意味着从气动模拟中获得的力因子可以改变机翼的几何形状。然后使用结构分析来估算这些变形。由于几何形状的变化，必须再次进行气动分析，以正确确定作用在机翼上的力。这种平衡过程不断重复，直到步骤之间的变化变得可以忽略不计。这项研究的结果是机翼的真实形状以及作用在其上的精确载荷。第二个挑战重点是优化机翼几何形状，以改善其气动特性。目标是通过调整机翼横截面的扭转角，在保持升力的同时最大限度地减少阻力。由于这些问题是相关的，它们可以共享相同的几何描述、模型准备和其他设置步骤的方法。

PERA智能体平台通过深度融合CAE仿真与人工智能技术，为机翼设计中的多学科耦合问题提供创新解决方案。为了表征单个横截面（图2），可以使用轮廓类型、前缘坐标、弦长、旋转轴坐标和旋转角度等参数。

图 2 机翼横截面

在机翼横截面参数化建模基础上，PERA智能体可以实现气动-结构双向耦合的智能迭代分析。当气动仿真产生的力场改变机翼几何形态时，结构仿真模块会响应变形状态，并通过智能体间的数据协同机制触发新一轮气动分析。这种基于强化学习原理的自适应迭代过程，显著提升了传统CAE分析的收敛效率。

智能参数化建模体系

将机翼描述为一个三维曲面，并指定构成机翼的所有横截面的参数。这些信息可以保存在一个文本文件中（图3），该文件稍后将用作工作流程的输入和输出。

图 3 带有文本文件的机翼描述

基于图3所示的参数化文本描述体系，PERA智能体可以构建数字化建模生态。通过智能解析引擎，平台可识别横截面轮廓类型、前缘坐标等特征参数，并生成符合工业标准的参数化文本文件。该智能建模体系支持参数版本追溯、变更影响分析等AI增强功能，为后续仿真流程提供结构化数据基础。

智能迭代求解架构

要解决的第一个问题涉及多学科分析并构建智能求解循环，以确定机翼的真实变形形状。该方法基于寻找来流产生的外部气动矩与机翼内部结构矩之间的平衡点。首先，气动分析估算作用于机翼的力因子，然后将其作为载荷应用于结构模拟，以计算由此产生的变形。由于形状发生了变化，需要重复气动分析以获得一组新的力因子。基于此构建智能求解循环（图4）持续进行，直到几何形状的变化变得可以忽略不计。在此过程中，智能调度模块动态分配计算资源，根据收敛曲线调整气动/结构分析的求解精度；相关学习算法可记忆历史迭代路径，减少重复计算量。

图 4  计算过程

要解决的第一个问题涉及多学科分析，以确定机翼的真实变形形状。该方法基于寻找来流产生的外部气动矩与机翼内部结构矩之间的平衡点。首先，气动分析估算作用于机翼的力因子，然后将其作为载荷应用于结构模拟，以计算由此产生的变形。由于形状发生了变化，需要重复气动分析以获得一组新的力因子。该计算循环（图4）持续进行，直到几何形状的变化变得可以忽略不计。

为简单起见，本文仅考虑俯仰力矩，将结构问题简化为纯扭转问题。然而，该方法可以扩展到任何力因子的集合。因此，几何形状的变化仅包括对机翼横截面扭转角的修改。

图 5 气动分析

结构分析的工作流程（图6）更为复杂。它包括通过“准备研究”模块准备输入文件、在Salome-Meca中进行模拟以及使用“提取角度”模块进行后处理。Salome-Meca通过“Program SSH Linux”模块集成，该模块作为连接到远程Linux计算机的连接器，并在该计算机上执行任务。该工作流程的输入是几何参数和弯矩，输出是每个横截面的扭转角。

图6 结构分析

完整的智能求解工作流如图7所示。首先，使用两个文本块解析输入文件：一个用于机翼几何描述，另一个用于刚度线描述。接下来，一个 Python 块识别横截面与刚度线之间的交点；生成的交点随后用作旋转轴。完成这些准备工作后，仿真循环开始。该循环由“While”块控制，该块检查是否满足终止条件并触发下一次迭代。

模拟过程位于“Simulations”复合模块中，每个单域工作流都使用工作流参考功能导入，确保主工作流的每次运行都包含子工作流的最新版本，包括所有最新更改。使用 Python 模块将当前迭代中获得的扭转角与上一次迭代的扭转角进行比较。一旦满足收敛标准，最终设计和弯矩值将被发送到输出端口。该工作流的构建方式使得用户只需提供新的输入文件即可设置新的运行，而预期结果将在输出端口提供。

图 7 变形形状搜索工作流程

本工作流程的创新性体现在以下方面：收敛判断模块采用智能化算法替代传统阈值判断；通过工作流版本管理，确保各学科智能体保持最新状态；另外软件工具的可视化追踪功能可以实时呈现多物理场的耦合过程。

智能优化解决方案

飞机受力因素包括四个方向的受力矢量：

图8 飞机受力因素

优化问题表述如下：寻求一种设计方案，在保持初始升力的同时，使阻力最小化。本例中的控制参数是各个横截面的旋转角度：

图 9  沿机翼的角度分布

图 10 显示了 pSeven Enterprise 中的优化研究工作流程。

图 10 优化工作流程

第一个文本块解析包含机翼描述的输入文件，并将参数输出到其他块，有效地充当格式转换器。“优化”块管理优化周期，在每次迭代时请求评估新的设计。每个步骤都包含一个 Python 块，该块根据控制横截面的值生成扭转角；前述的“载荷细化”工作流程，用于确定机翼的真实形状；以及另一个用于计算阻力和升力的 AeroSandbox 块。一旦“优化”块找到最佳设计，结果就会发送到输出端口。

提供基于机翼描述文件、用于 AeroSandbox 的飞机模型，并指定输入端口值，例如飞行状态条件、变量边界和优化预算。该工作流程还会生成优化历史记录报告（图 11）和更新的机翼描述文件，并通过输出端口提供最佳旋转角度值。基于输出数据，PERA智能体不仅输出最终方案，还能提供多维设计空间的可解释性分析、参数敏感度的智能评估和方案自动推荐等内容。

图 11 优化历史报告

该解决方案已形成标准化智能体工作流，用户仅需提供初始参数文件即可获得完整优化方案，大幅降低多学科协同优化的技术门槛。PERA智能体平台可以重新定义CAE驱动的智能工程设计范式。