AI융합센터 김종오 파트장, 장미선 선임, 백대유 연구원

1. 设计领域的AI技术

传统上，设计流程如“图1”所示。为满足设计需求，设计人员首先利用CAD（Computer-Aided Design，计算机辅助设计）软件进行设计；随后通过CAE（Computer-Aided Engineering，计算机辅助工程）软件，对设计产品是否满足要求进行仿真分析。当CAE分析结果验证产品性能满足要求后，便进入样机制造与测试阶段。为了提升产品性能并降低制造成本，上述设计流程通常需要反复迭代。

随着设计对象日益复杂、涉及的物理规律不断增多，设计人员在确定满足设计要求所需的众多设计变量时面临较大困难。因此，在缺乏明确设计方向的情况下，往往依赖以往经验或进行大量重复性工作。
尤其是基于有限元分析的CAE作业，需要耗费大量时间进行建模与分析，是一种高度劳动密集型工作，在整个设计流程中占据了相当大的比重。

图1. 传统设计流程

图2. 基于AI预测模型的设计流程

KR在此介绍将AI-CAE应用于船体结构构件设计的案例，并分享AI预测模型的具体应用方式。

2. 设计领域的AI技术

船体是一种由大量钢板与加强材构成的复杂结构。在多个板材相交的部位，会产生形式多样且复杂的应力（即单位面积内为抵抗外力而产生的内力）。
IACS（国际船级社协会）共同结构规则要求：为确保这些交汇部位的结构安全性，必须进行精细单元建模，并实施应力分析和疲劳分析。由于需要进行精细建模的部位结构复杂、形状多样且数量众多，给设计人员带来了极大的时间负担。

尤其是在多个构件交汇的位置，通常需要设置支架（Bracket）以确保结构安全。然而，安装于复杂结构中的支架所产生的应力形式极为多样，难以准确预测。为此，设计人员必须反复进行精细单元建模与分析，以确定合适的支架形状与尺寸，这一过程往往成为整个设计流程中的主要瓶颈。

KR针对支架设计变量（支架半径、支架厚度、支架趾高）对应的应力值，开发了AI预测模型，并将其集成至KR代表性技术软件 SeaTrust-HullScan 中，从而验证了AI-CAE应用的可行性。
AI预测模型的整体框架如“图3”所示，主要由学习数据生成、模型训练及模型应用三部分构成。

图3. AI预测模型框架构成

为了构建具有可靠性的模型，必须 확보足够的训练数据。AI-CAE的训练数据由有限元建模数据及其对应的结构分析结果构成，若采用人工方式生成数据，将极为低效且耗时巨大。

为此，KR在支架设计所使用的设计范围内，实现了有限元建模与结构分析流程的自动化，并选用了能够合理表征有限元模型中支架应力分布的神经网络模型，对AI预测模型进行了训练。
由此生成的AI预测模型，可在用户环境中用于多种目的，从而显著提升设计生产效率。

在传统设计流程中，设计人员需要输入支架的形状与尺寸，生成有限元模型，并通过结构分析进行评估。而借助AI预测模型，这些复杂的有限元建模与结构分析工作可被有效替代。设计人员在输入支架形状与尺寸的同时，AI预测模型即可实时显示作用于支架上的应力大小及其分布位置。

通过这一方式，设计人员可在设计过程中同步完成方案评估，并同时比较多种设计候选方案。在筛选出最优设计方案后，仅需在最终阶段通过结构分析对AI预测结果进行可靠性验证。
由此，AI预测模型替代了原本作为瓶颈的建模与分析作业，大幅缩短了设计时间，革新了复杂的设计流程，并显著加快了设计决策速度。

图4. 基于AI预测模型的支架设计流程

3. AI预测模型的应用

支架应力AI预测模型可在 SeaTrust-HullScan 中以多种方式加以应用。过去需要经过“服务器上传 → 分析 → 结果下载”的流程才能完成结构分析，而现在只需输入支架的形状与尺寸，即可在建模的同时实时查看支架内部的应力分布及其位置（见“图5”）。

此外，借助AI预测模型，设计人员可以同时评估多种设计候选方案，并根据主要设计参数对结果进行排序，从而实现更加高效的设计审查。

图5. 实时建模应力预测

利用AI预测模型，将输入与输出关系——即“设计变量”与“最大应力”——以三维响应曲面形式进行表达（见“图6”）。（响应曲面图：X轴—支架趾高，Y轴—支架半径，Z轴—最大应力）
可以观察到，即使厚度发生变化，响应曲面形态仍保持相似；支架半径与趾高均会影响最大应力，其中半径的影响更为显著。
尤其在支架半径与趾高较小的区间，最大应力呈现明显的非线性变化。在此类非线性区间进行设计时，结果预测难度较高，往往会消耗大量时间。

图6. “设计变量–最大应力”响应曲面

通过AI预测模型，设计人员不仅能够快速获取设计结果，还可以分析各设计变量的影响程度与敏感性，并在设计初期阶段直观地掌握满足设计要求的合理设计范围。

4. 结论

本文介绍了支架应力AI预测模型及其应用方法。该模型可与多种CAD与CAE应用程序相结合使用，使原本高度依赖专家经验的CAE作业变得更加简便、高效。
通过对多种设计方案的快速探索，AI预测模型为发现超越传统最优解的设计方案提供了可能性。同时，设计人员也能够从劳动密集型的CAE作业中解放出来，专注于方案评估及高质量设计方案的探索等更高层次的工作。