夜雨聆风从手工技艺到智能辅助，网格生成正站在变革的前夜。
在工程仿真领域有一个广为流传的说法：工程师80%的时间花在前处理上，而其中最难啃的骨头，就是网格生成。从3D建模到仿真就绪的网格，这个过程至今仍像一门“手艺活”——需要反复试错、依赖经验直觉、充斥重复劳动。
但变化正在发生。2025年国际网格圆桌会议上，来自桑迪亚国家实验室、洛斯阿拉莫斯国家实验室、卡内基梅隆大学等顶尖机构的学者达成共识：人工智能不是来“取代”网格工程师的，而是来“辅助”他们的。
近期发布的一篇综述论文《A Survey of AI Methods for Geometry Preparation and Mesh Generation in Engineering Simulation》系统梳理了AI在几何准备与网格生成领域的应用全景。本文将带您一览这项技术的前沿进展。
一、为什么网格生成需要AI？
网格生成之所以难，在于它处于几何、物理、求解器需求三者的交叉口。同一种算法，换个几何形状就可能崩溃；同一个模型，不同工程师可能做出截然不同的网格。更麻烦的是，大量决策依赖“师徒相传”的隐性知识，换个团队就可能失传。
AI的机会恰恰在这里：从历史案例中学习模式，将专家经验数据化和可复用化。
这篇综述将AI的应用按工作流划分为十余个环节，技术成熟度呈明显的“阶梯分布”。
下面我们按工作流顺序，逐一解剖。
二、智能化几何建模：让机器“看懂”CAD
1. 部件分类：告别数百个螺栓的手动标注
复杂装配体常包含数百个螺栓、弹簧、轴承等标准件。传统做法是逐个识别、手动标注，繁琐且易错。
AI的做法是：提取每个部件的几何特征（面类型、曲率、面积比等），用随机森林等模型自动打标签。桑迪亚的Cubit工具已集成此功能，分类后可直接套用预定义的“理想化配方”——针对螺栓用什么网格策略、施加什么边界条件，一键搞定。
国内外的商业软件也在跟进：Altair HyperMesh推出ShapeAI识别重复部件，西门子Simcenter NX则利用相似性搜索实现自动分组。
核心优势：将数百个零件的识别从数小时压缩到秒级，且可复现。
2. 部件分割：面级别的语义标注
分类只能给整个零件贴标签，分割则精细到每个面——“这个是孔”“那个是圆角”“这里是接触面”。这对后续的区域感知网格划分至关重要。
传统方法靠曲率、凸性等规则判断，跨CAD软件容易失效。AI方法（如BRepNet、图神经网络、Transformer）直接从边界表示（B-Rep）中学习模式，准确率显著提升。
但目前仍处于研究向实用过渡的阶段，关键在于让机器学习“设计意图”而非仅识别几何形状。
3. 隐式数据重建：从医学影像到仿真网格
很多仿真场景（医学建模、逆向工程、拓扑优化）的输入不是CAD，而是CT扫描、点云或体素数据。
深度学习在这里大放异彩：神经隐式场（如DeepSDF）学习连续的距离函数，可微分行进立方体让重建过程端到端优化，混合表征则在灵活性和精度间寻求平衡。
典型应用：从CT数据重建水密的三维几何，直接输出可用于仿真的网格。
三、网格质量与特征简化：前置智能让试错大幅减少
1. 网格质量预测：还没画网格，就知道哪里会出问题
传统流程是“画网格→检查→调参数→重画”，费时费力。AI质量预测器可以在网格生成前，直接从CAD模型中找出“问题高发区”——生成热力图或排序列表，让工程师提前干预。
Cubit已部署此功能，使用随机森林从局部B-Rep特征预测质量指标。值得注意的是，四面体网格有“内在随机性”——同一模型、不同随机方向，质量可能波动15%。因此最新的做法是预测失败概率区间，而非单一分数。
2. 特征简化：AI推荐该删什么、怎么删
制造模型常有大量小孔、圆角、文字，对仿真影响微乎其微却使网格量暴增。传统清理依赖经验，要么保守（留下太多细节），要么激进（删了不该删的）。
基于AI的方法用网格质量作为“监督信号”：对每个可疑特征，预判“如果执行清理操作A，质量会提升多少”，然后按优先级排序推荐给工程师。整个过程可交互确认，保留人在环中的最终控制权。
四、结构与非结构网格：AI的“辅助驾驶”模式
这是AI应用最深但也最前沿的领域。
1. 非结构网格：用强化学习做“阵面推进（Advancing Front）”
Delaunay三角剖分和推进前沿法仍是主力，但它们依赖大量启发式规则。强化学习（RL）被用来替代这些“硬编码”的决策——将网格生成视为序列决策游戏，智能体学习何时插入新点、如何更新前沿。
2D四边形网格的RL方法已达实用门槛，3D四面体网格的AI引导点插入则还在研究中。
2. 块结构网格：攻克“六面体分解”的圣杯
全六面体网格对冲击动力学、计算流体力学等至关重要，但将任意几何分解为可扫掠的六面体块，至今是网格生成界公认的“最难问题”。
AI带来了新思路：
强化学习：智能体学习“在哪里切、按什么顺序切”。2D版本已在正交形状上达到100%成功率。
图神经网络：将CAD模型转化为异构图，预测分解操作，在工业模型上达到85%准确率。
蒙特卡洛树搜索：兼顾探索与利用，往往能发现接近最优的分解方案。
目前3D自动化分解仍处原型阶段，但混合策略（AI提候选方案+专家验证） 已展现了将工作量从数周缩短到数小时的潜力。
五、体积参数化：通向等几何分析的桥梁
等几何分析（IGA）期望直接使用CAD的样条函数进行仿真，省去网格转换的精度损失。但前提是：将任意3D域映射到一个或多个立方体（多立方体），且畸变要低、不能有折叠。
这又是一个“组合爆炸”的难题。
AI方案分两条路：
深度学习快速提布局：如DL-Polycube用神经网络预测多立方体结构，再用经典算法精修。
生成模型直接产布局：如DDPM-Polycube用扩散模型“去噪”生成高质量多立方体。
优势在于：学习能在秒级内提出合理候选，几何优化再花几秒验证和打磨——相比纯手工布局动辄数天，这是数量级的飞跃。
六、并行与自动化：让HPC和脚本编写更智能
1. 并行网格生成参数优化
大规模仿真需要数百个处理器并行生成网格，但参数配置（分块大小、通信阈值、NUMA亲和性等）选错一个，就可能浪费数天机时。
代理模型（轻量神经网络）学习了参数与执行时间的关系后，可在0.5秒内评估10万种配置——将数周的试错压缩到几分钟。报告显示，在不同系统上达到2%-6%的平均预测误差。
2. 语言驱动的脚本自动化
大语言模型（LLM）正被用于“用自然语言写CAD脚本”：分析师描述“把这个模型中的所有M6螺栓简化掉”，模型生成可执行代码。
多智能体框架（如MADA）更进一步：几何智能体负责建模、作业智能体管理调度、逆向设计智能体探索参数空间——各司其职、形成闭环。
RL+LLM的互补模式正浮现：RL从试错中发现最优策略，LLM将策略打包成可复用的脚本，并用自然语言暴露给工程师。
七、当前问题与未来建议
1. 亟待攻克的挑战
数据饥渴：缺乏大规模、多样性、标注好的工业几何数据集。公开基准如ABC、GrabCAD远不能覆盖真实工程复杂性。
跨源泛化力弱：在一个CAD内核上训练的模型，换到另一个内核（ACIS→ Parasolid→Open Cascade）可能失效。
评估标准脱节：多数研究仅优化网格质量指标（雅可比、偏斜度），但真正重要的是仿真误差——两个指标间的关系尚不清晰。
可信度不足：工程师需要理解“AI为什么推荐这个操作”，当前许多模型仍是黑箱。
2. 未来五年的优先级建议
八、给实践者的建议
如果你是一名网格工程师或仿真分析师，面对AI浪潮，不妨从这几步开始：
从辅助功能切入：先试用质量预测、部件分类等成熟功能，这些已集成在Cubit、HyperMesh等工具中。
保留人的判断：即使使用AI推荐，关键几何修改和网格决策仍需人工确认——人在回路中，是当前最优解。
积累内部数据：记录成功和失败的网格案例，未来可用于定制化模型训练。
关注混合架构：优选“AI提议+经典算法验证”的工具，兼顾创新与稳健。
AI并非要来取代网格工程师，而是让他们从重复劳动中解放，聚焦于更需要创造力的决策。
正如这篇综述所强调的：“辅助而非替代”是这一轮智能化最务实的定位。 当数据、算法、工具在未来五到十年协同演进，“从CAD到网格”这一数十年的瓶颈，有望迎来质的突破。
本文基于《A Survey of AI Methods for Geometry Preparation and Mesh Generation in Engineering Simulation》（2025）编译，感谢桑迪亚国家实验室等机构的开放研究成果。
