“設計方麵還好說，但是3D打印現在的精度還是比不上傳統的加工方式。”
有話題聊，那麽飛機上的旅程也就不會顯得那麽枯燥了。
目前我們國家的發動機從設計到完成起碼10年，國外也就是30-36個月，三年左右。
之所以會花費如此長的時間，原因則在於做了太多的物理試驗。我們一台發動機的製造，不算設計，就是造出來，也要一年多的時間；從研究的角度，要搞幾輪迭代，每一次設計達不到目標就要再重新開始。
縮短迭代的周期和次數，革新發動機設計的理念和方法迫在眉睫。
我們國家以前有一句非常有名的話，叫做發動機是試出來的，這句話其實挺對的，發動機需要很多的試驗驗證，但這句話背後也蘊含著另外一層，就是我們的計算設計水平不是很好。
但是，西方差不多十年十五年前就流行另外一句話，It’s better not to develop aero engines through a ‘build & bust’ process。
開發航空發動機，最好不要走“建造再摧毀”的流程。
不同於以往的“試驗是設計迭代的一部分”，通過MASK 也就是Modelling， Analysis， Simulation， Computing 方法，西方先進企業對航空發動機的設計更多的是一係列的數值計算和分析，並以此為基礎，進行的精細化優化。
試驗很大程度上是對設計的確認，而不是直接參與設計的迭代，這是一個巨大的差異。
所幸，現在的華夏也開始走這樣的道路。
以計算分析為主的設計工作是自主研發發動機的主要方向。
隨著飛行器越來越複雜，如果按照傳統模式，試驗小時數會越來越高，到2030年，將達到100萬小時；而如果采用分析計算方法，可以減少2個數量級，到10萬小時。
充分運用計算能力，不僅能縮短時間，在AI時代，還能借助計算機的“想象力”革新設計。
現在大部分工程設計的優化都是連續的，有時候想象不出來這個形狀是怎樣的；什麽是拓撲優化？現在可以設定要滿足的條件，用人工智能，讓計算機不受任何約束的去想。
而這將對飛機的設計產生革命性的影響。
其實這種計算分析的方式也在運用於材料研發中。
將實驗數據，計算模擬數據，整合起來，無論好壞，便能形成具有一定數量的數據庫。在數據庫中，根據材料的某些屬性可以建立機器學習模型，便可快速對材料的性能進行預測，甚至是設計新材料，解決了周期長、成本高的問題。
2018年，在nature正刊上發表了一篇題為“機器學習在分子以及材料科學中的應用”的綜述性文章。
文章詳細介紹了機器學習在指導化學合成、輔助多維材料表征、獲取新材料設計方法等方麵的重要作用，並表示新一代的計算機科學，會對材料科學產生變革性的作用。
“加工精度，這是一個大難題啊！”
張楚陽也知道，雖然他們是搞材料的，但機械工程方麵也了解的甚多，畢竟材料的運用就是機械工程範
本章尚未完結,請點擊下一頁繼續閱讀---->>>