AI 全自动做热力耦合：从一句话需求到解析解验证
做热力耦合（温度场 ↔ 应力场）之前，第一步永远是先确认"纯传热"这一步是对的：热管道有没有建起来、热阻参数对不对、温度场传播符不符合扩散规律。这一步如果交给 AI 全自动做，能做到什么程度？这篇文章就是一次完整实测的记录。
1. 一、任务：一根"加热棒"的传热考试
考试题目非常经典：
40×10 的长条区域里填满颗粒，初温全场 0°C； 左端一列颗粒钉死在 50°C（定温边界），右端绝热； 看温度锋面怎么沿 x 推进，最后能不能均匀停在 50°C。
这个场景有解析解（一维有限长条、一端定温一端绝热的 Fourier 级数解），所以它不是"看起来差不多就行"——每个时刻的温度剖面都可以和理论曲线逐点比偏差。这正是验证类任务最适合 AI 自动化的原因：判据是客观的，不需要人来"看图感觉"。
2. 二、AI 的工作方式：五步全自动闭环
整个过程中人的输入只有开头那一句话。AI 实际执行的是这样一个闭环：
写算例脚本。 model configure thermal开热力模块，接触热模型选 ThermalPipe，按目标宏观导热系数 k=1.6 W/(m·K) 反推每个接触的热阻 η，布置定温边界和初温场。无头运行。用命令行控制台跑 PFC（不开 GUI），完整日志落盘，成败从日志判读。 状态探查。运行中按 √t 等比取 12 个时刻切片 + 稳态，每片导出全场数据（每颗球的 x、y、半径、温度）成 CSV。 对照解析解。Python 后处理：把数值结果按 x 分箱取均值，与解析曲线逐时刻算 max 偏差和 rms 偏差，出对比图和误差表。 生成报告。所有动图、静态图、偏差表内嵌进一个自包含 HTML 文件，双击即看，可以直接转发。
这套流程里最关键的一点是第 3、4 步：AI 不是跑完就交差，而是自己拿客观判据验收自己。解析解就是裁判，偏差表就是成绩单。
3. 三、为什么做了三个版本
同一个物理场景，AI 先后用三种颗粒排列各做了一遍，这不是重复劳动，而是在回答三个不同层次的问题：
A 版是基准。规则排列的接触网络完美，偏差最小——它证明的是"模块本身的传热算法是对的"。 B、C 版才是工程真相。真实颗粒材料是随机堆积的，接触网络不规则。B 版为了把断开的导热网络连通，把颗粒半径放大了 1.33 倍，快捷但孔隙率失真；C 版改用墙盒把随机堆积力学压密——重叠的颗粒互相弹开、填进缝隙，连通性和孔隙率同时保真，精度立刻追平规则版。
三个版本稳态都停在 50°C 附近（偏差小于 0.3°C），瞬态剖面形态与解析解一致——三条独立路径互相印证，这比单一算例的"碰巧对上"可信得多。下面把基准版和工程版分开看。
4. 四、基准版：规则排列（cubic 40×10）
A 版是 40 列 × 10 行、球心间距 2R 的方阵，球与球之间留 1e-6 的受控重叠。这个重叠不是可有可无的细节：相切的球对约有一半检测不到接触，必须给一点重叠才能把导热网络建起来，这是 PFC 接触检测的硬约束。
图 1（动图） 是它的温度云图演化：热锋自左端推进，6 个时刻按 √t 等比铺开，末帧稳态全场均匀。
图 2（动图） 是同一算例的温度剖面：红点是 PFC 数值解，灰线是 Fourier 级数解析解。热锋还薄的时候点线就已经贴合，后期完全重合。
规则排列还有个天然优势：它是一维传热——上下绝热、温度只随 x 变，所以同一列 10 颗球的温度完全相同（实测逐列一致到小数点后三位）。这让"逐点对标解析解"变成一件干净的事：不用先对随机起伏做空间平均，每颗球自己就是一个数据点。
5. 五、工程版：随机堆积（压密）
真实颗粒材料没这么听话。C 版用 ball distribute 随机放置，再用墙盒力学压密——重叠的颗粒互相弹开、填进缝隙，孔隙率保真（实测 0.166），接触网络也重新连通。
图 3 是 C 版（压密随机堆积）三个时刻的全场温度云图：热锋自左端推进，t=600 s 时刚到 x≈10，t=28392 s 时已过半场，稳态全场均匀。
图 4 是 12 个时刻的温度剖面数值解（圆点）与解析解（灰线）的逐时刻对照——从早期到趋稳，点线几乎全程贴合。
图 5 是稳态判据：右端绝热条件下，理论稳态就是全场均匀 50°C。实测 243 颗球平均 49.90±0.05°C。
6. 六、一个代表性案例：AI 怎么自己发现问题
这次工作里最能说明"AI 闭环价值"的，是 B 版中途的一次自主诊断。
随机版第一次跑的时候，热求解器一切"正常"——收敛指标好得不能再好，但温度场冻结了：热量传到 x≈11 就再也不往前走，升温的球数恒定在 68 个。没有报错，没有警告，如果只看"程序正常结束"就会误判成功。
AI 的处理方式是：把接触网络导出成边列表，用 Python 做连通分量分析（flood fill），结果发现 245 颗球的导热网络断成了 11 个互不连通的孤岛，含热源的那个孤岛恰好就是 68 颗球、恰好覆盖 x≤11.5——和温度冻结的位置分毫不差。病因就此定位：随机放置的颗粒有约 37% 的近邻对之间存在缝隙，缝隙上没有接触、就没有热管道。
定位之后，AI 给出并验证了两种解法（半径放大 / 力学压密，即 B、C 两版），还顺手用导热张量算了压密网络的各向异性度只有 0.08，确认"随机堆积宏观上仍近似各向同性"，反算热阻的前提成立。
7. 七、交付物：一个可以转发的 HTML 文件
全部结果汇总在一个自包含 HTML 报告里（约 4.5 MB）：六张过程动图（温度云图演化、剖面与解析解对照）、三版偏差表、模型参数表、以及给后来者的注意事项。不依赖任何外部文件，双击打开，可以直接发给任何人。
对工程团队来说，这种"单文件报告"比一堆零散图片值钱得多：它是可归档、可复现（文末附全部复现命令）、可审阅的完整证据链。
8. 八、对热力耦合意味着什么
纯传热验证通过后，下一步才是真正的耦合：温度场引起颗粒热膨胀 → 接触力改变 → 应力场重分布 → 胶结破坏、热致裂。这条链上的每一环都可以用同样的方式验收——热膨胀系数有闭式解可对标，热应力在约束杆里有解析解可对标。
AI 全自动流程的价值在这里会放大：耦合算例参数更多、更容易出隐性错误（就像这次的"温度冻结"——不报错的错误），而"每个环节都挂一个客观判据"的自动化验证，恰恰是人工最容易偷懒省掉的部分。
我成立了一个 VibePFC 社群，专门聊 AI 怎么落地到 PFC / 数值模拟——让大模型读懂模型、自己改脚本、自动排查"看不懂"的问题。收一个 50 元的门槛费。
想进群的同学，加 QQ
763388012，备注"vibePFC"即可。 参考资料
Itasca Consulting Group. PFC 6.0 Documentation — Thermal Option (ThermalPipe contact model). 本文全部算例脚本、后处理代码与 HTML 报告，由 Claude Code 在 PFC 6.0 环境自动生成并验证。
