AI引领固体发动机设计新纪元：五大前沿方向

在数智化浪潮的推动下，传统的依靠经验和反复试验来设计固体发动机（SRM）的模式正逐步转向由数据和模型驱动的智能化设计。本文首先回顾了数智技术在航天领域的应用现状与未来趋势，并在此基础上，提出了人工智能在固体发动机技术（AISRM）领域的五大未来发展重点：流程智能化、符号回归、非线性映射、智能优化以及生成式智能。展望未来，AISRM将成为数智时代固体发动机先进技术的代表，极大地推动发动机研发模式的革新，显著提升设计水平、效率和技术创新能力。

褚佑彪, 王琪虎, 蒙波, 等. 人工智能赋能固体发动机设计技术的五个方向展望[J]. 固体火箭技术, 2026, 49(2): 173-182.

CHU Youbiao, WANG Qihu,MENG Bo, et al. Artificial intelligence empowerment in solid rocket motordesign: Five development prospects[J]. Journal of Solid Rocket Technology, 2026,49(2): 173-182.

人工智能赋能固体发动机（AISRM）指的是将先进的智能方法深度融入固体发动机的设计、优化和仿真等研发环节的技术。其核心目标是实现固体发动机全系统、全过程、全周期的智能化设计与高效仿真。早在2021年，叶定友等人就强调了“提前谋划、及早布局、组织队伍”以发展固体发动机智能化设计技术的重要性。同年，田维平等也对固体发动机的智能化发展与应用提出了建议。2023年，侯晓等人建议发展基于智能方法的药柱结构完整性评估技术。2025年，王泽山等人则提出了将智能技术应用于固体推进剂含能组分合成与设计。当前，AISRM代表着数智时代固体发动机先进设计技术的最前沿，是推动航天及固体动力领域技术进步的关键支撑。

2.1 智能赋能航天技术的发展趋势

人工智能技术在航天工程领域的应用趋势，已成为学界广泛探讨和深入思考的热点。在技术发展战略层面，AI被普遍视为驱动航天技术实现跨越式发展的核心引擎。2025年，包为民等人指出，智能化赋能是构建航班化航天运输系统的关键支撑。同年，汪小卫等人认为，智能赋能的火箭有望成为继可重复使用火箭之后，运载火箭领域的下一项颠覆性技术。因此，智能技术已然上升到决定航天技术未来竞争力的战略高度。

在具体的应用场景方面，智能技术正日益广泛地应用于航天工程的各个环节。2025年，于登云等人系统梳理了智能技术在深空探测、遥感、通信、导航等四类航天器应用方面的现状。包为民等人总结了人工智能在航天控制领域的实践经验与技术需求。吴建军团队则深入分析了智能故障诊断技术在液体发动机中的应用及所面临的挑战。

2.2 数字赋能航天技术

在火箭、航天器等系统工程层面，数字化正在重塑航天复杂系统研制的根本逻辑。2024年，王国庆团队提出了数字时代航天系统工程的整体框架，明确指出在新技术需求的背景下，传统的航天系统工程必须进行数字化构建与研究。这一具有指导意义的思考为后续的技术落地奠定了理论基础。2025年，周建平等人在载人月球探测工程研发案例中，综述了基于模型的系统工程方法（MBSE，系统工程数字化转型的核心技术）的应用效果，并强调了该案例对于推动载人航天工程从传统研制模式向数字化新模式转变的重要意义。

在航天动力技术领域，数字技术已成为研究的热点。针对液体火箭发动机，2025年，航天推进技术研究院的谭永华团队系统梳理了数字技术在提升液体发动机可靠性方面的应用现状及挑战。此外，液体发动机在数字仿真与数字试验方面取得了迅速进展。我国已成功利用数字孪生技术对液体发动机进行了全工作流程的数字化仿真研究，精确模拟了燃烧、流动、传热等过程，实现了对发动机性能表现和潜在风险的全方位预测。而针对固体发动机的研究，则更多地集中在数字化设计技术上，这主要是由于固体和液体发动机在结构复杂度和技术特性上存在较大差异，导致了它们在数字赋能方面的进展有所不同。

基于智能赋能航天的发展趋势，并结合固体发动机设计技术的特点及当前工程中存在的问题，本文提出了以下五个AISRM的未来重点发展方向，并对每个方向能够解决的具体问题进行了评述。

3.1 流程智能化

人工智能驱动的自动化和智能决策机制，能够将重复性、事务性的工作转化为标准化流程。例如，在发动机设计过程中，对喷管流场进行数值模拟以获取关键参数分布和推力是常见需求。然而，大量时间被耗费在模型建立、网格划分、边界条件设置等常规性、重复性流程中，导致仿真效率低下，尤其是在需要进行多工况流场对比分析的数值模拟中，这一问题更为突出。

2025年，张天汉团队在计算流体力学（CFD）的流程智能化方面进行了初步探索，并将其命名为Chat CFD。其智能流程如图1所示。Chat CFD实现了对传统流体仿真工具的高效集成，其数值模拟结果与试验结果的对比分析如图2所示。

图1 计算流体力学的流程智能化：Chat CFD

图2 喷管流场ChatCFD计算结果与试验结果对比

3.2 符号回归

固体发动机领域仍存在诸多复杂的规律与现象，例如推进剂本构方程的发现、喉径动态烧蚀过程的辨识等，这些都给研究人员带来了巨大挑战，使得他们难以从有限的试验数据中人工归纳出潜在的物理规律。如果能够利用人工智能技术从数据中挖掘出这些规律并揭示其工作机理，将极大地促进发动机精细化设计及其设计水平的提升。

2025年，陈云天团队提出了一种名为Eq GPT的智能化偏微分方程挖掘算法。该算法结合了数据驱动与知识引导，能够自主生成和自适应优化新的方程和理论。图3展示了航天飞机三维模型内满足拉普拉斯方程的场分布云图（可类比于三维稳态无源导热问题）。该研究通过实测对Eq GPT的符号回归效果进行了验证，方程挖掘的系数误差仅为0.63%。

图3 航天飞机模型内拉普拉斯方程的场分布云图

3.3 非线性映射

神经网络模型凭借其强大的拟合和逼近能力，能够快速地将函数映射至其解函数，从而高效求解复杂、强非线性的偏微分方程。这使得实现固体发动机结构、流动、传热、燃烧的高效仿真，以及壳体、药柱、喷管的智能化设计成为可能。

2025年，刘佩进团队提出了一种基于神经网络的NeuroFire智能框架，用于求解某固体推进剂在1 MPa压强下的燃烧化学动力学。图4展示了该框架计算得到的燃烧推移过程。

图4 某推进剂燃烧过程计算：NeuroFire

3.4 智能优化

通过深度融合人工智能技术，可以实现固体发动机设计全过程的规模化、智能化优化与设计。例如，在面向目标内弹道曲线的药柱构型优化，以及推力/比冲最大化的喷管型面优化方面，传统方法多依赖人工反复试错迭代，其效率和优化效果已难以满足未来发动机精细化设计的需求。

2025年，梁国柱团队提出了一种基于深度神经场（DNF）的药柱形状逆向设计智能优化方法。图5展示了其逆向设计过程。理论上，DNF能够映射出任意复杂的药柱形状。

图5 面向目标内弹道曲线的药柱形状逆向设计过程

3.5 生成式智能

生成式智能技术能够基于对海量发动机设计方案的学习（涵盖几何构型、结构完整性、生产工艺、参数范围、工作场景特点等各类实际工程约束），实现高效、友好且基于自然语言的人机交互式发动机设计研发新范式。在此基础上，最终能够实现“工程师主导、智能体辅助”的设计指标提出、设计方案预期、方案修改调整、方案输出展示等全过程设计。这种模式将大幅缩短迭代周期，提升设计能力，并降低设计门槛。

2025年，清华大学的张宇飞团队提出了一个由大语言模型（LLM）驱动的翼型设计框架FoilCLIP。该框架能够实现自然语言与翼型参数化几何之间的端到端双向映射，为降低翼型设计门槛、促进人机协同提供了新思路。为了验证FoilCLIP的翼型设计能力，该研究利用大语言模型生成了对已有翼型的自然语言描述，然后FoilCLIP根据这些描述进行翼型的智能设计。测试流程如图6所示。图7对比了已有翼型与FoilCLIP生成翼型的流场参数（压力系数Cp）分布。结果表明，该翼型智能设计方法具有较高的可靠性和准确性。

图6 基于自然语言描述生成已有的测试翼型：FoilCLIP

图7 已有翼型与FoilCLIP生成翼型的流场对比

4.1 四项技术难题及解决措施

在实现和发展上述五大重点研究方向的过程中，受限于固体发动机的特性以及当前的研究手段，存在以下四项技术难题：

（1）发动机数据的小样本难题。

（2）智能模型的强几何泛化性问题。

（3）参数“维度灾难”问题。

（4）智能模型预测的高精度、可解释性、高可靠性需求。

4.2 三个技术预期效果

传统的发动机设计与优化过程主要依赖专家经验和试验迭代，导致设计效率不高、经验依赖性强，并且发动机的整体优化潜力未能得到充分挖掘。未来AISRM的发展将对固体发动机的设计研发产生以下影响：

（1）设计模式的转变。

（2）大幅提升发动机设计效率。

（3）提高发动机设计水平及性能。

作者简介

褚佑彪，男，研究员，研究方向为固体发动机总体设计与智能化设计。