本文是一篇综述性论文（类型b），发表于 Engineering with Computers (2026) 42:171，主要作者来自 Sandia National Laboratories、Old Dominion University、Carnegie Mellon University 等机构。文章题为《A survey of AI methods for geometry preparation and mesh generation in engineering simulation》，系统梳理了人工智能（Artificial Intelligence, AI）在 CAD 到网格（CAD-to-mesh）流程中的方法与应用。

本文的核心论点是：AI 并非要取代成熟的几何处理与网格生成算法，而是作为辅助手段，在分类、分割、质量预测、去特征、网格生成、脚本自动化等环节减少人工干预、提升效率与一致性。文章围绕 CAD-to-mesh 工作流逐段展开，主要包含以下几个关键主题。

第一部分：3D 零件分类（Part Classification）。 复杂装配体中往往包含大量重复的螺栓、螺钉、弹簧、轴承等标准件，手动识别并为其设置专门的网格策略和边界条件既繁琐又易出错。传统方法依赖规则和手动标注，跨 CAD 来源、建模习惯和公差时表现脆弱，且难以扩展到更多类别。监督学习（Supervised Learning）将零件分类形式化为从几何描述到类别标签的映射问题。几何表示方式包括多视图图像（如 MVCNN、RotationNet）、体素化三维卷积网络（如 VoxNet、VRN）以及点云方法（如 PointNet++、SpiderCNN）。这些方法受益于成熟的视觉工具链和大型公开数据集，但可能丢失精确边界信息，并对视角、网格分辨率和采样密度敏感。与这些表示不同，CAD 原生方法直接保留边界表示（B-rep），能够更自然地与理想化、网格化和边界条件设置衔接。代表性做法是从几何内核中提取拓扑测度、全局形状比、质量属性、面积与角度等特征，训练随机森林（Random Forest）等分类器。此类方法在实际工具中已进入部署阶段：Cubit 工具包集成了零件分类与理想化配方（recipe），用户可审核分类结果并应用预定义的几何变换、网格划分和边界条件操作；Altair HyperMesh 和 Siemens Simcenter NX 也加入了类似的形状识别与分组功能。

第二部分：3D 零件分割（Part Segmentation）。 零件分割在面级别为区域分配语义标签，识别孔、圆角、倒角、筋、凸台、接触面等功能和几何区域。相比零件分类的单一标签，分割为区域感知网格划分、选择性去特征以及边界条件和材料模型的可靠指定提供更细粒度的支持。经典的分割系统依靠曲率、凸性、邻接等几何启发式规则，但跨建模风格和特征交互时较为脆弱。学习方法直接从 B-rep 结构学习几何与拓扑模式。B-rep 将实体描述为面、边和顶点及其邻接关系，这一结构很适合转化为图，并由图神经网络（Graph Neural Networks, GNNs）进行节点级预测。基准数据集可根据标签含义分为面向设计（如 Fusion 360 Gallery Segmentation、CC3D-Ops）和面向制造（如 MFCAD、MFCAD++、MFInstSeg）两类。典型方法 BRepNet 使用有向共边定义拓扑感知卷积；BRepGAT 利用注意力机制加权邻居节点；AAGNet 引入多任务学习，同时预测语义标签、实例分组和底面识别。域偏移仍是实际应用障碍，SFRGNN-DA 等方法针对跨域鲁棒性，自监督和少样本策略则试图减少对密集人工标注的依赖。Transformer 类模型如 BRepMFR、BRepFormer 通过注意力机制捕捉全局上下文，在 MFInstSeg 等多任务基准上表现优异。该领域大部分仍处于研究阶段，广泛商业部署有限，但开源基线和基准正在降低集成门槛。

第三部分：网格质量预测（Mesh Quality Prediction）。 在网格划分之前预测质量可以大幅减少试错成本。该任务通常被形式化为监督学习问题：输入为局部 B-rep 实体的几何与拓扑特征向量（主曲率、二面角、邻近特征距离、价数、长度面积比等），输出为对应区域的网格质量标签（如最小缩放雅可比、最小缩放内半径）。随机森林等集成方法在表格型 B-rep 特征上表现突出，Parry 的比较研究表明随机森林优于卷积神经网络（Convolutional Neural Network, CNN）。一个值得注意的现象是四面体网格质量存在固有的非确定性：同一几何体在不同旋转下重复网格化，局部最小缩放雅可比可波动约 0.15。因此，预测一个区间或阈值失效风险比单一确定性分数更为合理，可通过重复网格化并聚合分位数来获得分布性目标。实际部署同样出现在 Cubit 工具中，在网格划分前标记可能产生低质量单元的区域，帮助分析人员提前进行尺寸调整、去特征或分区操作。预测指标需要同时满足三个层次：匹配标签值、标记区域几何合理、以及是否真正改善下游工作流行为（例如减少失败次数或缩短分析就绪时间）。

第四部分：去特征（Defeaturing）。 CAD 模型中的小孔、圆角、压印文字和紧固件细节可能对制造必要，但对物理分析影响有限，并会导致过度加密和低质量单元。处理方法包括完全不处理、在网格划分时隐式忽略小特征、以及显式编辑 CAD 几何。机器学习可通过预测容忍网格化的安全性或为显式编辑推荐目标操作来降低试错成本。与分类和预测不同，去特征往往需要对候选操作进行排序而非单一标签预测。Shinde 等人直接以仿真结果作为监督标签，但成本高昂且局限于特定物理问题；Owen 等人则基于网格质量预测构建了一个更通用的框架：先估计每个 B-rep 实体的基线质量，再对候选去特征操作（如移除面、合并面、钝化相切、塌陷曲线）训练独立模型预测操作后质量，并给出优先级排序供分析人员审核。训练数据通过自动执行操作、重新网格化并测量局部质量获得。增强学习（Reinforcement Learning, RL）被视为扩展方向，可以从日志文件中挖掘真实清理命令序列，学习多步去特征过程并适应不同物理背景的分析偏好。

第五部分：基于隐式数据的几何构建（Geometry Construction from Implicit Data）。 医学影像、逆向工程和拓扑优化通常不提供 CAD 参数模型，而是体素、隐式场或点采样。经典方法如移动立方体（Marching Cubes）和对偶轮廓（Dual Contouring）可靠但易受分辨率、噪声和阈值影响。学习方法可学习连续形状表示（如神经隐式场、符号距离函数），提供可微分的几何查询并保持特征；也可将提取步骤改为可微形式（如 Deep Marching Cubes、DMTet、FlexiCubes），使损失得以反向传播；或替换脆弱模块（如学习对偶轮廓的顶点放置）。生成模型如 MeshTron 展示了大规模三角形网格合成的能力。该方向在图形学中较成熟，但在 CAE 工作流中的常规转化仍处早期。

第六部分：非结构化网格生成（Unstructured Mesh Generation）。 Delaunay、推进前沿（Advancing Front）和铺路（Paving）等经典算法成熟，但局部启发式决策往往限制鲁棒性。学习方法主要出现在点插入、前沿演化、局部加密等决策点。推进前沿全四边形网格化可被建模为序列决策问题，利用软演员-评论家（Soft Actor-Critic, SAC）等 RL 方法学习前沿更新；SRL-assisted AFM 结合监督预训练和 RL 微调以控制奇异点布局。学习也被用于 Delaunay 三角形网格化中的点放置与连接选择。总体技术就绪度较低，但减少人工干预的潜力显著。

第七部分：结构化网格生成（Structured Meshing）。 冲击物理和结构动力学等求解器对全四边形和全六面体网格有严格要求。块分解（Block Decomposition）是核心难题：2D 中已有较多进展，3D 仍主要依赖人工。在 2D 中，DiPrete 等人将分解形式化为 RL 问题，使用 SAC 训练 agent 对正交多边形施加轴对齐切割，在正交数据上实现了 100% 的四边形分解；对一般多边形则效果有所下降。Bourmaud 等人将 2D 分解建模为蒙特卡洛树搜索（Monte Carlo Tree Search, MCTS），无需端到端训练即可找到近似最优分解。在 3D 中，学习任务通常是提出或排序分解动作而非直接生成网格。Auto-Hex 结合几何推理和 RL 提出 webcut 动作；Zhang 等人使用 SAC 生成可扫掠子体；Quadros 等人将 3D CAD 模型约简为基于 2D 弦轴骨架（Chordal Axis Skeleton）的 1D 二分异构图，通过异构图神经网络预测可执行的 webcut 字符串。该方法在留出合成数据集上达到 98.72% 的逐动作准确率，在工业模型上为 85%。总体而言，3D 方法尚属早期研究。

第八部分：体参数化（Volumetric Parameterization）。 体参数化将三维实体映射到单位立方体、长方体集合或多立方体（Polycube）。对于等几何分析（Isogeometric Analysis, IGA）至关重要，因为张量积样条构造依赖六面体控制网格。经典方法需在边界对齐、单射性和低扭曲之间权衡，失败模式（负雅可比、过度扭曲）会直接破坏下游分析。学习方法常被用于快速提出布局、分割或初始对应关系，而几何约束优化负责保证平滑与单射性。代表性工作包括 DeepShape 利用卷积网络建立与体素化多立方体的对应；DL-Polycube 预测多立方体结构并指导表面分割，后续通过八叉树细分、参数映射和质量优化生成全六面体网格及 IGA 样条体；DDPM-Polycube 将多立方体生成建模为去噪扩散过程。近期最可靠的做法是混合模式：学习提出高层布局，几何优化保证有效性。

第九部分：并行网格生成（Parallel Mesh Generation）。 大规模有限元分析依赖百万元素量级并行网格生成，配置参数（块大小、工作划分策略、NUMA 亲和性、通信阈值）对可扩展性有直接影响。传统调优依赖专家经验或昂贵的 HPC 提交。一种补充方法是训练监督学习代理模型（Surrogate Model），将参数向量映射为执行时间。案例研究在共享内存 cc-NUMA 系统上取得了 2.13% 的平均绝对百分比误差（MAPE），在分布式系统上为 5.68%，并在 0.5 秒内评估 100,000 个合成配置，使总求解时间相对人工搜索减少约 98%。学习控制器也被用于运行时负载均衡、基于 GNN 的分区器以及自适应网格加密（Adaptive Mesh Refinement, AMR）策略。

第十部分：脚本自动化与语言驱动脚本（Scripting Automation and Language-driven Scripting）。 几何准备通常需要有序的操作序列（去特征、块分解、薄体缩减等），脚本提供了可重复、可审计的记录。传统方法依赖手工编写的宏和启发式。RL 将 CAD 软件作为环境、几何操作作为动作、网格化或分析结果作为奖励，可以学习操作顺序。在块分解中，RL agent 的动作对应于分解操作，奖励鼓励形成形状良好的子块；Zhang 等人通过图表示 CAD 模型保留几何与拓扑关系，报告了超过 95% 的六面体可网格化体积率。薄体缩减任务中，Owen 等人使用每体 agent 和连接图协调决策，该方法已集成到 Cubit 中。评估脚本不仅看累积奖励，还需看网格化成功率、质量分布、鲁棒性以及保护功能和接口特征的程度。大语言模型（Large Language Models, LLMs）可以生成或修订脚本，但输出必须经过几何和工作流层面的验证。

本文的显著意义在于，它并非孤立地展示某个算法的优越性，而是以工作流为线索，将预测型任务（分类、分割、质量预测）、修改驱动任务（去特征、分解）和自动化层（强化学习、大语言模型）整合进一个统一的 CAD-to-mesh 视角。文章反复强调，AI 的实际价值不仅取决于预测精度，更取决于输出是否几何合理、能否真正改善下游行为。开放挑战主要集中在数据集与基准的缺乏、CAD 几何表示的可靠性以及大规模工程环境下的可信集成。对于希望了解 AI 与工程仿真网格生成交叉领域现状的研究者和实践者而言，本文提供了一份清晰的技术路线图和务实的应用判断。