CJA | 北航罗明强教授团队：一种基于生成式人工智能的快速结构化飞行器概念设计方法

一种基于生成式人工智能的快速结构化飞行器概念设计方法

A rapidly structured aircraft concept design method based on generative artificial intelligence

TONG Yao, LUO Mingqiang*, REN Shangqing, ZHANG Zheng, XING Chenguang, DU Ziliang

北京航空航天大学航空科学与工程学院

中国航空研究院

引用格式：Y. TONG, M. LUO, S. REN, Z. ZHANG, C. XING, Z. DU, A rapidly structured aircraft concept design method based on generative artificial intelligence, Chinese Journal of Aeronautics (2025),doi: https://doi.org/10.1016/j.cja.2025.103629

摘要：

目前，人工智能技术虽为飞机概念设计提供高效方案，但存在数据需求大、迁移学习难等问题，应用受限。本研究提出了一种基于LLMs的飞机概念设计方案生成方法，并开发了原型系统。旨在快速完成各类飞机的概念设计，从而降低设计相关的人工成本，提升设计效率，创新设计思路。系统将四个LLM模型合并部署，基于语言模型的提示框架耦合现实世界的设计案例，构建了概念设计解决方案的任务提示，从客观和主观两个角度将模型生成的解与工程师设计的解进行了比较。实验结果表明，LLMS具有与工程师相当的概念设计能力，具有很强的泛化能力和创新设计潜力。该方法可通过修改模型提示快速完成各类飞机概念设计，降低设计人力成本，提高设计效率，提供创新设计思路。

一、研究背景

飞机概念设计阶段是飞行器研发过程中的核心环节，通常决定了其整体技术可行性的70%以上及全生命周期的成本构成，因而在飞机设计与研究中具有关键性作用。然而，该过程高度复杂、涉及多学科交叉，对设计师的专业经验与技能依赖较大，且完成全面设计方案通常耗时较长。随着航空器设计要求的日益严苛与开发迭代周期的不断缩短，如何快速、经济且高效地生成符合技术指标的设计方案已成为当前面临的重要挑战。近年来，以神经网络为代表的人工智能技术在气动分析与结构优化等领域展现出显著潜力，但其应用仍受限于高数据依赖性、迁移学习能力不足等问题，尤其在概念设计阶段尚未广泛推广。以大规模语言模型（LLM）为代表的生成式人工智能技术，凭借其强大的上下文学习与推理能力，以及出色的领域知识泛化与迁移能力，为解决上述问题提供了新途径。本研究旨在系统探索LLM在飞机概念设计中的方法构建与应用潜力，以推动无人机等航空器设计向智能化、范式化方向发展。

二、研究方法

首先，选择当前性能最好的四个通用LLM作为基础型号进行部署。然后，基于LLMS的一般提示框架、飞机概念设计解决方案的模式和现实世界中的设计案例，构建了生成飞机概念设计解决方案的任务提示，得到了三种类型的提示。最后，利用原型系统设计概念解，并从客观和主观两个角度将模型生成的解与工程师设计的解进行了比较。

将LLM通用的提示框架与飞机概念设计解决方案相结合，提出了一种基于LLM的飞机概念设计范式：提出了基于CO-STAR框架的概念设计提示，构建了三种提示模板：Full-Instruction（全指令）、1-Shot/5-Shot（单样本/多样本示例）。其中，CO-STAR框架包括六个要素：背景、目标、风格、语气、受众和响应。

本研究开发了LLM驱动的飞机概念设计生成系统，能够实现飞机概念设计解决方案的快速生成、评估和可视化，如图1所示。构建了权威数据源（Authoritative Source of Truth，ASoT）协同平台，数据模块将飞机设计各个阶段的设计输出进行定义并存储为结构化数据；解决方案生成模块通过调用API或本地执行来驱动LLM调用数据生成解决方案，并将输出数据上传到协同平台；验证模块从数据平台下载最新的设计需求和解决方案数据，并依次调用相关功能单元（如建模、空气动力学分析、重量估计、推进力、雷达有效截面（Radar Cross-Section，RCS）计算和飞行性能分析）。完成建模和计算后，将结果数据（如CAD模型、参数、曲线和图表）上传到协同设计平台进行设计监控与更新。

模型提出了三种方案评估方法：

1.专家评估：选择可行性、新颖性和实用性三个关键标准，由专家进行0~10的赋分，分别评估所提出解决方案的技术可行性、创新程度、与上下文的相关性、实际适用性。在科学研究和工程实践中，专家评估被视为决策的最高标准，但存在主观性强、资源需求高等缺点。

2.定量评估：使用计算出的性能参数和设计需求参数来计算单个设计指标的满意度和设计方案的总体满意度。

3.相似性评估：用于评估模型内部输出结果的一致性，输出相似性低表明模型可为设计提供更大的创新性和灵活性，但也可能导致设计过程的不稳定，影响输出质量和可行性。

实验结果表明，当提示关键词足够全面时，所有六个模型都能够根据设计要求生成各自的设计解，每个模型都随机地伴随着一个设计描述。设计方案以JSON格式提供，使用脚本进行参数解析后，通过飞机协同数据云平台集成设计数据。然后，该平台利用解决方案评估模块的分布式能力单元来对飞机的外形、空气动力学、重量、推进力、飞行性能和RCS进行分析，结果如图3所示。

如表1所示，用Few-Shot提示方法时，特别是在1-Shot条件下，Llama3.1-8 B的整体性能提高了约20~40%，而Qwen2-7 B的整体性能提高了40~60%；Llama3.1和Qwen2的设计结果，在参数值方面无显著相似性，表明LLMs并不是简单地复制参考案例，而是确实从案例中“学习”解决方案的正确数据趋势。

小模型优化：随着提供给模型的案例数量的增加，并没有显著增强其设计能力，模型的设计能力趋于收敛。

设计间的相似性：温度对设计方案一致性的影响较小，当温度升高时，对设计方案的平均距离减小，温度的升高主要影响输出的形式而不是内容，如图8所示。在飞机设计场景中，使用较小的温度值，LLM可以有效地满足各种类型的飞机设计需求，表现出较强的泛化能力。

泛化能力：如图9所示，扩展至大型客机/侦察机设计方案的满意度分别0.9257 和 0.875，LLM在飞机概念设计任务中具有的强大泛化能力。

该研究将LLMs技术引入飞机概念设计中，探索其在设计过程中的应用潜力。基于通用LLM提示框架和飞机设计模式，设计了三种提示类型，利用LLM、协同设计平台和飞机设计专业工具，开发了LLM驱动的飞机概念设计解决方案生成系统原型，验证了使用LLMs进行飞机概念设计的可行性。在未来的研究中，可通过算法优化主观评价过程，降低专家评价的主观性和次优评价风险；通过模型微调和工具集成等技术实现创新设计方案的自动化设计和评估。该研究提出的方法显著提升了飞机概念设计的效率，为协助工程师解决更复杂、专业的飞机设计问题奠定了基础。