AI找到的“最优翼型”,CFD复算以后还成立吗

现在很多 AI + CFD 优化 都有一个问题：

代理模型上看起来特别漂亮。

阻力一路下降。

目标函数不断变好。

最后找到一个“最优构型”。

但真正把这个构型重新扔回 CFD 一算——

优势可能直接没了。

原因很简单：

优化算法非常会找最优解。

但它找的有时候不是：

真正物理上最好的设计。

而是：

代理模型误差最大的地方。

9 月 21 日，Physics of Fluids 上线了一篇工作，专门盯着这个问题。

作者提出了一种 Deep Active Subspace Method，DASM，并且在整个优化路径上重新跑 CFD，检查 AI 到底有没有“骗过”代理模型。AIP Publishing

01 先把18维翼型，压到3维再优化

论文研究的是经典的跨声速 RAE 2822 翼型。

原始翼型采用 CST 参数化，一共有：

18 个设计变量。

如果直接在 18 维空间里做 CFD 优化，代价很高。

所以 DASM 做的第一件事就是：

自动学习真正影响气动性能的低维设计方向。

作者分别构造了：

3D DASM

和

6D DASM

再在低维空间里优化翼型。AIP Publishing

这里一定要注意：

论文里的“3D / 6D”，不是三维/六维流场。

而是：

低维设计空间的维数。

3D DASM，就是把原来的 18 个几何设计变量压缩成 3 个主要设计坐标。

02 真正有意思的是：作者没有只相信AI

这一点我特别喜欢。

很多代理模型优化论文做到：

“神经网络预测阻力降低了多少”

基本就结束了。

但这篇继续做了一件事：

沿着优化路径，重新调用高保真 CFD。

然后比较：

代理模型预测值

和

真正CFD计算值

到底差多少。

结果非常明显。

3D DASM 的预测—CFD 中位偏差只有：

1.90%

6D DASM：

7.50%

而其他模型的偏差可以达到：

• Kriging：46.61%
• ANN：36.09%
• KAN：35.32%
• LSTM：12.63%AIP Publishing

这其实说明了一件特别重要的事：

代理模型在验证集上准，不代表它在“优化路径”上也准。

因为优化算法会主动往极端区域搜索。

它特别容易把代理模型的小误差不断放大。

03 最后的18.2%减阻，是CFD重新算出来的

最终，3D DASM 找到的翼型方案经过 CFD 重新验证以后：

阻力降低约 18.2%。

而且这个方案终点处代理模型与 CFD 之间的偏差只有：

1.9%。AIP Publishing

这就比单纯写：

“AI预测阻力下降18%”

靠谱得多。

因为作者真正证明的是：

代理模型找到的优化方向，在高保真 CFD 里依然成立。

04 为什么“降维”反而可能更可靠？

乍一看会觉得：

设计空间当然越大越好。

18 个变量都给优化器，不是更容易找到更好的翼型吗？

但问题是：

自由度越高，代理模型也越容易进入自己没学好的区域。

DASM 的思路更像：

先从已有 CFD 数据中找到：

真正影响气动响应的主要方向。

然后只允许优化器在这些“有数据支撑的方向”里搜索。

这相当于给优化算法加了一条轨道。

它牺牲了一部分搜索自由度，

却换来了：

更可靠的外推。

这也是这篇文章真正值得看的地方。

05 这个思路对喷嘴、燃烧室优化也特别有启发

比如我们以后做：

喷嘴孔径

喷射角

位置

供油比例

涵道比

结构尺寸

一起优化。

如果直接：

CFD生成100个样本

↓

训练神经网络

↓

遗传算法疯狂搜索

↓

得到一个“最优燃烧室”

其实风险很大。

因为你最后得到的可能是：

神经网络最不准的那个点。

所以我现在觉得，一套真正靠谱的 AI + CFD 优化流程应该是：

高保真CFD采样

↓

训练代理模型

↓

降维/敏感性分析

↓

AI寻找候选最优解

↓

沿优化路径抽点重新跑CFD

↓

最终最优构型再次高保真复算

↓

再做物理机理分析

而不是：

代理模型说好，就直接宣布优化成功。

最后

这篇论文让我觉得特别值得记住的一句话是：

AI优化真正难的，不是找到一个最优解。

而是：

证明这个最优解不是代理模型误差制造出来的。

所以以后看 AI + CFD 优化论文，我会特别关注：

有没有独立 CFD 复算？

有没有跨训练区验证？

有没有检查优化路径上的代理误差？

最终改善到底是AI预测的，还是高保真CFD确认的？

这几个问题，可能比：

“用了什么最新神经网络？”

重要得多。

📚 论文信息

CFD-validated deep active subspace learning for reliable offline transonic airfoil optimization and shock-control analysis

Physics of Fluids 38, 095171 (2026)
Published：21 September 2026
Authors：Bo Pang, Yang Zhang, Junlin Li, Fei Wang, Xing Ji, Jiakuan Xu
DOI：10.1063/5.0347600AIP Publishing

如果你也想做「AI + 工程优化」

我最近准备把这类真正能落地的路线整理出来，包括：

代理模型

主动子空间

敏感性分析

贝叶斯优化

神经算子

多目标优化

以及最重要的：

怎么防止AI优化“钻代理模型的空子”。

公众号后台回复：

AI优化

我把 AI+CFD工程优化路线 + 代表论文 + 验证清单 整理给你。