这是CAE仿真和AI结合的一个点

看题目很容易以为作者是个标题党,不可否认,作者希望标题可以吸引人点进来阅读。但是我觉得比标题党更吸引人的应该是AI,谁让这年头脱离了AI,脱离了机器学习之类都很难勾起大众的神经和兴奋点,先撇开不谈,我们从一个点聊聊CAE仿真建模与AI之间的结合。

多数情况下,我们利用仿真软件进行CAE分析,所有的源头都是基于软件自身的算法和自带的模型;当然对于很多材料非线性问题,我们需要考虑材料本构模型,需要专门的实验数据输入来实现整个仿真的建模,但无论如何完成这样一个分析问题,我们的基础都是存在一个物理模型,这是现有的CAE仿真软件的优势,也是软件公司背后的核心技术。

那么问题也来了,如果你所研究的问题无法利用现有软件来实现建模和仿真呢?那该如何处理?这个问题也是本文所要阐述的点。

中学我们经常碰到很多物理实验,基于物理实验数据拟合曲线,研究物理规律,通过多组数据分析我们最终能够对简单的物理问题进行建模,然后基于这个模型来预测新的工况下对应的物理现象。这段描述是不是很熟悉,想想时下很多的机器学习和人工智能场景是不是有些类似;以此类比,当我们面对的问题无法基于现有CAE软件的分析模型进行建模时,我们同样可以利用这个方法来实现对工程问题的建模,而这个思路的出发点是我不考虑物理现象,我仅从获取的输入输出数据,通过数据分析来创建一个黑箱,基于这个黑箱,我们实现对新工况、新问题的预测和模拟。

先看一张PPT,这是程耿东院士介绍模型降阶时候提到的代理模型思路,对作者开阔思路有很大作用。通过构造代理模型来实现对模型的降阶也好,抑或摸索属于自己的模型也好,是一种比较直接也比较传统的方法,但是也可以说不传统。传统的原因是我们各个阶段的学习都告诉我们实验是对理论探索、验证最直接的方法,一直贯穿于我们的教育和科研中;说其不传统,那么就和本文标题相关,因为在实验方案制定、数据分析涉及到很多的统计学方面的方法,涉及到时下比较热门的机器学习和人工智能方法,新概念新包装。

当然,PPT中所涉及的代理模型并非是纯实验问题,如果是为降阶的话,CAE可以是黑箱工具;而如果是对未知模型自身的研究,则基于实验来研究,通过机器学习方法来结合分析,大家可以体会其中用途。

题外话,从专业的角度来讲,基于理论和已有模型的研究推导,算法的设计这些算是Model Driven;而用纯数据驱动分析获得模型来使用,属于Data Driven,两种路子。相比而言,数据驱动实施起来会更简单,更多的在于确定变量、数据降维、数据处理等方面。两者的结合自然是互为验证,如果理论模型压根没有,自然只能先用Data Driven了。如果这么干了,我们就相当于钻到软件的内部,类似于CAE商业软件的研发者角色。

其实作者自身水平有限,很多认知并不一定都对,以上是否算CAE仿真方面的工作内容呢?作者也是战战兢兢写完本文,不成熟之处希望大家一起讨论,不吝赐教。

同时欢迎各位扫描下方二维码,加入知识星球“CAE仿真空间”圈子,关注公众平台,提供更多技术答疑和干货。

发表评论

电子邮件地址不会被公开。 必填项已用*标注