人工智能在氣動設(shè)計中的應(yīng)用與展望

孫 剛 王 聰* 王立悅 陶 俊 王舒悅 王心宇 周思?xì)v 李正強 胡 琰

(1. 復(fù)旦大學(xué)航空航天系，上海 200433； 2. 常州市發(fā)展和改革委員會，常州 213000； 3. 上海飛機設(shè)計研究院，上海 201210； 4. 上海市航空發(fā)動機數(shù)字孿生重點實驗室，上海 201108；5. 中國航發(fā)商用航空發(fā)動機有限責(zé)任公司，上海 201108)

0 引言

氣動設(shè)計是商用飛機研發(fā)的基礎(chǔ)，是提高經(jīng)濟性和環(huán)保性的重要因素。當(dāng)今世界各國都十分重視節(jié)能減排，商用飛機的氣動設(shè)計也顯得尤為重要，并且受到越來越多的關(guān)注。圖1展示了商用飛機氣動設(shè)計技術(shù)的發(fā)展歷史。多年以來，飛機設(shè)計者積累了豐富的經(jīng)驗，商用飛機的氣動設(shè)計技術(shù)也在不斷進(jìn)步。

圖1 民用飛機空氣動力學(xué)技術(shù)發(fā)展史[1]

人工智能是信息時代綜合多個學(xué)科領(lǐng)域的一門新興技術(shù)，在提升勞動效率、降低勞動成本、優(yōu)化思維決策等方面帶來了顛覆性的成果。從20世紀(jì)90年代開始，智能優(yōu)化方法出現(xiàn)并得到快速發(fā)展。遺傳算法(GA)、人工神經(jīng)網(wǎng)絡(luò)(ANN)和粒子群算法(PSO)等智能方法為氣動設(shè)計帶來了一場新的革命[1]。由于氣動設(shè)計與人工智能技術(shù)的有機結(jié)合，促使設(shè)計方案更加多樣化，設(shè)計周期更短，設(shè)計成果更加優(yōu)秀。

本文從人工智能與氣動設(shè)計技術(shù)的內(nèi)涵與發(fā)展、人工智能在氣動設(shè)計關(guān)鍵步驟中的應(yīng)用和智能化氣動設(shè)計的難點與挑戰(zhàn)三個方面進(jìn)行綜述，總結(jié)了人工智能技術(shù)在氣動設(shè)計中的應(yīng)用現(xiàn)狀，并指出了未來技術(shù)發(fā)展的目標(biāo)與挑戰(zhàn)。

1 人工智能與氣動設(shè)計技術(shù)的內(nèi)涵與發(fā)展

1.1 氣動設(shè)計技術(shù)發(fā)展

為實現(xiàn)低風(fēng)險、高效率、環(huán)境友好的目標(biāo)，設(shè)計者必須在氣動設(shè)計上付出巨大的努力。早期的氣動設(shè)計局限于cut-and-try導(dǎo)致設(shè)計效率較低。二十世紀(jì)七十年代，隨著計算機技術(shù)的成熟，基于計算流體動力學(xué)(CFD)的空氣動力學(xué)設(shè)計方法開始發(fā)展。CFD、風(fēng)洞試驗、理論分析漸漸成為進(jìn)行氣動設(shè)計的主要手段。而由于風(fēng)洞試驗成本過于昂貴，理論分析又無法精確刻畫氣動細(xì)節(jié)使得基于CFD的氣動設(shè)計方法越來越被廣泛認(rèn)可。

前期的氣動設(shè)計以正設(shè)計為主。Tranen[2]首次在二維跨聲速翼型上開展了力分布反設(shè)計工作，到20世紀(jì)90年代國內(nèi)喬志德[3]在自然層流超臨界翼型設(shè)計上的應(yīng)用。由此氣動設(shè)計兩大途徑即正設(shè)計反設(shè)計理念基本確立。

前期的氣動優(yōu)化主要基于梯度算法展開，Jameson將控制理論引入優(yōu)化流程，減小了梯度計算的計算量[4]。但是梯度算法全局尋優(yōu)能力較差，不適用于對復(fù)雜問題的優(yōu)化。于是基于群體智能的現(xiàn)代優(yōu)化算法開始被應(yīng)用于氣動設(shè)計中。其中較有代表性的算法有遺傳算法[5-6]、粒子群算法[7]、模擬退火算法[8]等，這些算法對優(yōu)化問題的適應(yīng)力強，具備較好的全局優(yōu)化能力。隨著航空工業(yè)的發(fā)展，氣動設(shè)計從傳統(tǒng)的單一變量優(yōu)化轉(zhuǎn)換為多變量聯(lián)合尋優(yōu)。于是與之契合的多目標(biāo)優(yōu)化算法如NSGA-II[9]、PAES[10]等開始蓬勃發(fā)展。隨后日本Genichi Taguchi[11]將魯棒設(shè)計概念引入工業(yè)界，此后設(shè)計人員將不確定分析方法引入氣動設(shè)計中發(fā)展出了魯棒設(shè)計方法[12]。20世紀(jì)末21世紀(jì)初人工智能算法逐步引入氣動設(shè)計中，極大地改善了設(shè)計精度及效率。

氣動設(shè)計包含4個要素：設(shè)計對象描述、氣動求解、優(yōu)化設(shè)計、優(yōu)化目標(biāo)與約束。其中優(yōu)化目標(biāo)及約束往往與設(shè)計需求相關(guān)，設(shè)計師主要的工作集中在前三部分。陳迎春等[13]主要就人工智能技術(shù)在設(shè)計對象描述、氣動求解、優(yōu)化設(shè)計方法中的應(yīng)用情況展開說明。

氣動設(shè)計包含的學(xué)科門類較多，其設(shè)計效率與水平廣泛地受到其子學(xué)科如設(shè)計對象描述、數(shù)值方法、非線性映射、優(yōu)化方法等發(fā)展水平的制約。近年來中國航空業(yè)的發(fā)展迅速，氣動設(shè)計周期短、任務(wù)重，且對標(biāo)的技術(shù)水平較高，傳統(tǒng)的氣動設(shè)計方法已經(jīng)難以滿足要求。迫切的需要高新技術(shù)如人工智能的應(yīng)用，提升氣動優(yōu)化各個環(huán)節(jié)的計算精度與效率，滿足工程需求。

1.2 人工智能技術(shù)的發(fā)展

人工智能是研究開發(fā)能夠模擬、延伸和擴展人類智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)[14]。人工智能的目標(biāo)是完成對人類智慧以及大腦生理構(gòu)造的模擬，其實現(xiàn)需要依靠包括計算機、數(shù)學(xué)、統(tǒng)計學(xué)、數(shù)據(jù)分析等多學(xué)科協(xié)同合作。隨著人工智能技術(shù)的發(fā)展與推廣，人工智能的先進(jìn)性與重要性已被廣泛認(rèn)可，并且被逐漸延伸至各類行業(yè)與生活應(yīng)用中。

20世紀(jì)中葉，“人工智能”的概念首次被美國數(shù)學(xué)家和計算機專家John McCarthy提出[15]。從學(xué)者們對于人工智能的研究開始，直至21世紀(jì)初期，人工智能的研究歷經(jīng)了多次起落，各學(xué)派之間的學(xué)術(shù)爭論進(jìn)一步推動了人工智能技術(shù)的革新與發(fā)展[16]。2006年，Hinton等人[17]提出了深度學(xué)習(xí)算法，人工智能技術(shù)與大數(shù)據(jù)的有機融合指引了一個嶄新的機器學(xué)習(xí)方向，人工智能技術(shù)的發(fā)展迎來了又一個高峰。深度學(xué)習(xí)通過無監(jiān)督學(xué)習(xí)、特征提取后再進(jìn)行優(yōu)化，提高了優(yōu)化結(jié)果的全局性[18]；并且深度學(xué)習(xí)采用逐層的訓(xùn)練機制，單元之間采用局部連接形式，減少了權(quán)值參數(shù)的個數(shù)，提高了訓(xùn)練的效率[19]。目前，常用的深度學(xué)習(xí)網(wǎng)絡(luò)模型有卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)和自編碼器等；常用的算法有RBM算法與深度信念網(wǎng)絡(luò)等[20]。深度學(xué)習(xí)不只是簡單的機械記憶，而是源于對知識的深度理解和深層次的思維構(gòu)建。在深度學(xué)習(xí)技術(shù)蓬勃發(fā)展的今天，該技術(shù)已成功應(yīng)用于圖像處理、語音識別、自然語言處理、自動駕駛、文本處理等眾多領(lǐng)域[21]。

在人工智能技術(shù)備受矚目與高速發(fā)展的浪潮下，智能化技術(shù)為空氣動力學(xué)的研究提供了新的思路和手段。各國學(xué)者在人工智能與空氣動力學(xué)設(shè)計的綜合應(yīng)用方面開展了諸多有益的探索與嘗試，其優(yōu)越性體現(xiàn)在對于海量氣動數(shù)據(jù)的高效分析，為飛行器設(shè)計提供氣動建模先進(jìn)工具等方面。隨著人工智能的發(fā)展，眾多的人工智能技術(shù)為氣動設(shè)計從“設(shè)計師時代”進(jìn)入“機器時代”提供了可能。

2 人工智能在氣動設(shè)計關(guān)鍵步驟中的應(yīng)用

2.1 設(shè)計對象描述

設(shè)計對象的幾何描述方法在氣動設(shè)計中起著關(guān)鍵性的作用，決定了氣動設(shè)計的效率及質(zhì)量。設(shè)計對象的幾何描述方法即參數(shù)化方法，通過參數(shù)函數(shù)將一組參數(shù)映射到沿光滑曲線或曲面的點上。傳統(tǒng)參數(shù)化方法包括樣條(例如b樣條和Bézier曲線)[22]、FFD[23]、類形變換(CSTs)[24]、參數(shù)化截面(PARSEC)[25]和Bézier-PARSEC[26]等。通常在設(shè)計優(yōu)化過程中，對參數(shù)進(jìn)行采樣以生成設(shè)計候選[27]。

在設(shè)計對象描述方法選擇中常需主要進(jìn)行以下四個考慮:

1) 確定參數(shù)空間范圍，以形成合理的優(yōu)化空間；

2) 確定最適合優(yōu)化問題及對象的參數(shù)化函數(shù)；

3) 解決優(yōu)化精度需求與維數(shù)災(zāi)難間的矛盾；

4) 增加參數(shù)對目標(biāo)的敏感性，提升優(yōu)化效率。

研究人員針對以上四個要點對傳統(tǒng)參數(shù)化方法進(jìn)行了一定改進(jìn)。WANG Xinyu等人[28]應(yīng)用了降維方法試圖解決參數(shù)化的維數(shù)災(zāi)難問題，其設(shè)計思路如圖2所示。后來他們[29]改進(jìn)了常規(guī)CST方法，提升了前緣的幾何描述及修型精度，如圖3所示。隨著飛機結(jié)構(gòu)的日益復(fù)雜化和精度要求的提高，發(fā)展參數(shù)精度高、參數(shù)范圍寬、變化要求少、對參數(shù)響應(yīng)質(zhì)量敏感的參數(shù)化方法十分關(guān)鍵。于是神經(jīng)網(wǎng)絡(luò)，對抗學(xué)習(xí)等人工智能方法被陸續(xù)應(yīng)用到設(shè)計變量的描述中來，并取得了較好的效果[30]。CHEN Wei等人[31]應(yīng)用生成對抗網(wǎng)絡(luò)(generative adversarial networks, GAN)構(gòu)建翼型形態(tài)表示模型，結(jié)果表明GAN模式形態(tài)比其他參數(shù)化方法獲得了更好的優(yōu)化結(jié)果。DU Xiaosong等人[32]將b樣條與GAN耦合，以驅(qū)動機翼設(shè)計中的b樣條egan模式。LI Jichao 等人[33]利用深度學(xué)習(xí)模型強大的學(xué)習(xí)能力，利用卷積神經(jīng)網(wǎng)絡(luò)(CNN)開發(fā)了一種有效的參數(shù)化模型，該模型通過檢查翼型和機翼截面形狀，提供了對幾何異常的有效性評估[34]。

圖2 PCA-ANN設(shè)計方法流程圖[28]

圖3 直接三維幾何約束的說明[35]

2.2 氣動求解及數(shù)據(jù)映射

隨著計算機技術(shù)和數(shù)值模擬方法的發(fā)展，高保真計算流體動力學(xué)(high fidelity computational fluid dynamics, 簡稱CFD)被用于求解空氣動力學(xué)控制方程，大大降低了機翼設(shè)計對風(fēng)洞實驗的依賴。然而，CFD方法需要豐富的計算資源進(jìn)行廣泛的數(shù)值計算。近年來研究人員將人工智能技術(shù)應(yīng)用于CFD模擬或代理模型構(gòu)建中，顯著提高了氣動性能評估的效率與精度。其中，氣動求解與數(shù)據(jù)映射在氣動優(yōu)化過程中至關(guān)重要。

傳統(tǒng)的CFD計算往往需要進(jìn)行大規(guī)模的矩陣求解，耗費大量的時間與計算資源。將人工智能技術(shù)用于改進(jìn)或替代求解模型，并量化模型不確定性的研究工作主要在近五年內(nèi)開始發(fā)展[36-37]。Hennigh等人[38]使用DNN方法壓縮了格子玻爾茲曼模擬的計算時間和內(nèi)存。ZHU Weiwei等人[39]通過神經(jīng)網(wǎng)絡(luò)直接重構(gòu)了湍流渦度黏度與平均流量變量之間的映射函數(shù)，完全替代了原有的偏微分方程模型。數(shù)據(jù)驅(qū)動的湍流模型可以應(yīng)用于各種翼型和流動狀態(tài)，預(yù)測的渦粘滯系數(shù)、升阻系數(shù)和表面摩擦分布與原始SA模型的結(jié)果吻合較好。Tompson 等人[40]使用CNN方法計算無粘歐拉流，用于二維與三維流動的模擬，結(jié)果表明精度和效率都比Jacobi方法好。JIN Xiaowei等人[41]利用圓柱繞流的CFD數(shù)據(jù)集對CNN進(jìn)行訓(xùn)練，建立圓柱上壓力波動與圓柱周圍速度場之間的映射關(guān)系。訓(xùn)練后的模型在不同的雷諾數(shù)上進(jìn)行測試模擬。發(fā)現(xiàn)預(yù)測結(jié)果與CFD計算結(jié)果吻合較好，數(shù)據(jù)驅(qū)動模型成功地刻畫了尾跡結(jié)構(gòu)與圓柱體表面壓力之間的關(guān)系[42]。

雖然將人工智能算法應(yīng)用于CFD計算中可大大節(jié)省氣動求解的計算成本，但對于動輒迭代千萬次的尋優(yōu)過程而言直接CFD求解的效率仍十分低下，于是氣動代理模型應(yīng)運而生。代理模型可以進(jìn)一步提升氣動特征獲取效率?，F(xiàn)有的代理模型基本可以分為三類[43]:多保真度模型、降階模型和數(shù)據(jù)驅(qū)動模型[44]。前兩種方法是基于物理模型提出的，在一定條件下是精確和有效的。但它們對模型參數(shù)敏感，可能導(dǎo)致魯棒性較差。相比之下，數(shù)據(jù)驅(qū)動模型能夠通過機器學(xué)習(xí)算法的學(xué)習(xí)過程捕獲數(shù)據(jù)的隱藏特征。這個過程非常靈活，可以進(jìn)一步推廣到不可見的數(shù)據(jù)。因此，數(shù)據(jù)驅(qū)動模型在翼型優(yōu)化設(shè)計中得到了廣泛的應(yīng)用。常用的數(shù)據(jù)驅(qū)動代理模型如多項式響應(yīng)面模型[45]、人工神經(jīng)網(wǎng)絡(luò)[46]、徑向基函數(shù)[47]、支持向量回歸[48]、Kriging模型[49]、多輸出GP (MOGP)[50]等，已逐漸被應(yīng)用于氣動特性快速預(yù)測的優(yōu)化設(shè)計中。

從機器學(xué)習(xí)的角度來看，目前的代理模型大多是淺層模型，只能擬合原始函數(shù)空間中的一小部分子集，對整個復(fù)雜函數(shù)空間的擬合能力有限。且現(xiàn)有的代理模型大多局限于預(yù)測低維物理量，如升力系數(shù)、阻力系數(shù)、力矩系數(shù)和壓力分布等，反映了流場中單個特性的平均氣動性能，不能準(zhǔn)確、完整地描述流場結(jié)構(gòu)?？紤]到渦、邊界層、尾跡、激波等流場結(jié)構(gòu)有望全面提高優(yōu)化設(shè)計的翼型性能，發(fā)展基于人工智能的深度學(xué)習(xí)流場代理模型成為目前研究的熱點[51]。Sekar等人[52]提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)和深度多層感知器(MLP)相結(jié)合的不可壓層流定常流場預(yù)測方法，首次探索了深度學(xué)習(xí)在變翼型幾何形狀流場預(yù)測中的能力。Tao等人[53]應(yīng)用了深度信念網(wǎng)絡(luò)(DBN)進(jìn)行了魯棒優(yōu)化設(shè)計，其網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。GUO Xiaoxiao等人[54]利用卷積神經(jīng)網(wǎng)絡(luò)預(yù)測各種幾何外形下的速度流場，發(fā)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)可以比GPU加速后的CFD求解器快兩個數(shù)量級，比基于CPU的CFD求解器快四個數(shù)量級，且精度較高。HUI Xinyu等人[55]采用五層CNN網(wǎng)絡(luò)，經(jīng)過訓(xùn)練的網(wǎng)絡(luò)可以精確地捕捉翼型表面激波形式以及激波位置和峰值的變化。驗證試驗的均方誤差小于2%，且速度比直接CFD模擬結(jié)果快了3個數(shù)量級。WU Haizhou等人[51]設(shè)計了一種生成式對抗網(wǎng)絡(luò)結(jié)合CNN進(jìn)行流場結(jié)構(gòu)的流場預(yù)測模型，簡稱ffsGAN。該模型能夠自動生成精確的高分辨率圖像，詳細(xì)描述某一特定范圍內(nèi)超臨界翼型跨音速流場的整體結(jié)構(gòu)。

圖4 DBN結(jié)構(gòu)圖[53]

2.3 優(yōu)化設(shè)計模式

氣動優(yōu)化過程根據(jù)是否求解優(yōu)化目標(biāo)對于設(shè)計變量的梯度來分可分為伴隨優(yōu)化和非伴隨優(yōu)化。根據(jù)優(yōu)化目標(biāo)的不同可分為正設(shè)計和反設(shè)計，其中正設(shè)計法又稱直接優(yōu)化法其優(yōu)化目標(biāo)多為流場積分特征如升力阻力力矩等，也見于單一流場特征如層流長度、激波強度、抖振邊界、阻力發(fā)散速度等，通過優(yōu)化迭代獲得滿足目標(biāo)與約束要求的氣動幾何。反設(shè)計法的優(yōu)化目標(biāo)多為流場特征分布如壓力分布、等熵馬赫數(shù)分布等。通過參數(shù)化方法不斷調(diào)整幾何，最終獲得流場特征分布與目標(biāo)最為接近的氣動外形。

伴隨方法的優(yōu)化推進(jìn)方向可直接通過求解伴隨方程獲得，而非伴隨方法由于無法直接獲取優(yōu)化目標(biāo)對設(shè)計變量的梯度使得其優(yōu)化效率較多的依賴于尋優(yōu)算法的性能。非伴隨氣動優(yōu)化算法由二十世紀(jì)七十年代開始逐步發(fā)展，首先基于小擾動方程、速勢流等進(jìn)行氣動評價，應(yīng)用共軛梯度等方法進(jìn)行尋優(yōu)的梯度優(yōu)化算法被工程設(shè)計人員提出并應(yīng)用。在二十世紀(jì)八十年代，以粒子群、遺傳、模擬退火算法為代表的現(xiàn)代優(yōu)化算法漸漸開始在氣動優(yōu)化中投入使用。近年來以機器學(xué)習(xí)為代表的人工智能算法開始陸續(xù)應(yīng)用于優(yōu)化實踐以提升優(yōu)化效率。

金鑫等人采用SOM方法實現(xiàn)了輸入樣本的分類，用于對專家數(shù)據(jù)庫分類，可以方便地按照設(shè)計要求獲取氣動外形[56]。 WANG Shuyue等人[57]基于人工神經(jīng)網(wǎng)絡(luò)開發(fā)了數(shù)據(jù)庫自擴展方法，該方法的思路如圖5所示，該方法可以原始數(shù)據(jù)庫為基礎(chǔ)生成具有較好氣動性能的翼型。李潤澤等人[58]將強化學(xué)習(xí)方法引入超臨界翼型設(shè)計中，說明了強化學(xué)習(xí)具有一定學(xué)習(xí)氣動修型方法的能力，并可以根據(jù)不同工況進(jìn)行翼型修型。

圖5 數(shù)據(jù)庫自擴展流程圖[59]

在人工智能的優(yōu)化框架下，高效氣動設(shè)計方法的應(yīng)用大大提高了設(shè)計效率，節(jié)約了應(yīng)用大量試驗或者CFD計算的成本。圖6是應(yīng)用主成分分析的人工神經(jīng)網(wǎng)絡(luò)反設(shè)計模型進(jìn)行失速升力魯棒性設(shè)計的設(shè)計結(jié)果與基準(zhǔn)構(gòu)型的展示。在設(shè)計過程中，采用主成分分析對設(shè)計目標(biāo)進(jìn)行變換，實現(xiàn)數(shù)據(jù)降維。然后，將新的設(shè)計目標(biāo)集輸入到人工神經(jīng)網(wǎng)絡(luò)的代理模型中，預(yù)測新的相應(yīng)幾何形狀。通過數(shù)據(jù)庫構(gòu)建神經(jīng)網(wǎng)絡(luò)，并對考慮升力不穩(wěn)定的樣本點進(jìn)行篩選。而后對設(shè)計過程進(jìn)行迭代，以滿足設(shè)計精度要求。該圖對比了基于Q準(zhǔn)則的流場渦量強度，結(jié)果表明設(shè)計構(gòu)型的渦量強度明顯減小，這與設(shè)計構(gòu)型的流動分離延遲有關(guān)。

圖6 應(yīng)用人工智能的設(shè)計結(jié)果與原型對比[28]

3 智能化氣動設(shè)計的難點與挑戰(zhàn)

3.1 機器設(shè)計

人工智能方法仍舊囿于某一人為設(shè)定的環(huán)節(jié)的應(yīng)用，僅僅發(fā)揮了如改進(jìn)指定問題計算效率，或節(jié)省內(nèi)存等作用，距離大家對人工智能的期待：Acting humanly，Thinking humanly，Thinking rationally，Acting rationally[60]仍有較大差距。人工智能算法本身的發(fā)展，與設(shè)計人員對氣動設(shè)計內(nèi)涵理解的深入都將為從由“人在回路”[61]到“機器人在回路”[58]再到“機器設(shè)計”的轉(zhuǎn)變奠定基礎(chǔ)，將人工智能方法在氣動設(shè)計中的影響比重繼續(xù)提升。

“人在回路”概念由李潤澤等人首次提出。廣義的“人在回路”指由設(shè)計師根據(jù)以往積累的設(shè)計經(jīng)驗對整個優(yōu)化過程的方案進(jìn)行設(shè)計，包括優(yōu)化目標(biāo)、設(shè)計約束、設(shè)計變量的確定等。其后發(fā)展了“機器人在回路”思想，即利用強化學(xué)習(xí)獲取類似于設(shè)計師的修型經(jīng)驗，并用于指導(dǎo)幾何的優(yōu)化。而回顧兩種思想不論是“人在回路”還是“機器人在回路”，都是將優(yōu)化閉環(huán)或是優(yōu)化方案的設(shè)計權(quán)掌握在人的手中。在本文第二章詳細(xì)介紹了人工智能算法在氣動設(shè)計的三大主要環(huán)節(jié)的應(yīng)用，且展示了在數(shù)據(jù)驅(qū)動下人工智能在參數(shù)化方案、優(yōu)化方案、流動求解方案制定中的巨大優(yōu)勢及自主性。

基于以上認(rèn)識，本文提出了基于“方案智能”的“機器設(shè)計”理念?！胺桨钢悄堋奔磳⑷斯ぶ悄芊椒ㄖ苯討?yīng)用于設(shè)計方案的制定中，利用數(shù)據(jù)驅(qū)動方法直接確定“設(shè)計對象幾何描述方案”、“氣動評估方案”、“優(yōu)化決策方案”等。進(jìn)而基于“方案智能”開展以機器為核心根據(jù)優(yōu)化階段實時調(diào)整優(yōu)化走向的“機器設(shè)計”。其中需要說明的是基于“方案智能”的設(shè)計僅為“機器設(shè)計”范疇中的一類設(shè)計模式?！皺C器設(shè)計”的構(gòu)成要素理論上并不需人為劃定。

3.2 智能可詮釋設(shè)計

通過對算法的研究與改造使得機器對氣動設(shè)計的理解超越了人的理解，進(jìn)而可以借助機器完成氣動設(shè)計。機器設(shè)計的高效性使得設(shè)計師將注意力越來越多地放在了人工智能方法本身的研究中，以期獲得更高效的設(shè)計工具。但是由于機器學(xué)習(xí)算法的解釋性較差，導(dǎo)致目前出現(xiàn)了“我們設(shè)計出了氣動優(yōu)化的大腦，卻不知道它在想什么”的現(xiàn)象。存儲在復(fù)雜網(wǎng)絡(luò)中的先進(jìn)設(shè)計策略無法為人所學(xué)習(xí)，這是令人不安的。“Instead of artificial intelligence, I think we’ll augment our intelligence.”如Ginni Rometty所說，我們應(yīng)借助人工智能方法提升我們自身對問題的理解。所以提高人工智能的可詮釋性也須引起設(shè)計人員重視，發(fā)展“智能可詮釋設(shè)計方法”勢在必行?！爸悄芸稍忈屧O(shè)計方法”即可詮釋較強的智能設(shè)計方法，需要智能設(shè)計過程從原來的“黑盒”完成“灰盒”甚至“白盒”的轉(zhuǎn)變。其中可詮釋性具體的可拆分為數(shù)據(jù)的可詮釋性、方案的可詮釋性、結(jié)果可詮釋性。增加人工智能設(shè)計的可詮釋性有利于設(shè)計師加深對設(shè)計空氣動力學(xué)的理解，在實現(xiàn)設(shè)計進(jìn)步的同時實現(xiàn)知識的更新。

4 總結(jié)

人工智能為氣動設(shè)計的技術(shù)發(fā)展開辟了新的方向，氣動設(shè)計亦為人工智能的發(fā)展提供了更加廣闊的應(yīng)用平臺，這種跨學(xué)科的技術(shù)融合相輔相成、共同促進(jìn)。本文總結(jié)了人工智能在氣動設(shè)計各個環(huán)節(jié)中的應(yīng)用現(xiàn)狀，并且強調(diào)了發(fā)展機器優(yōu)化、智能可詮釋設(shè)計的必要性。