技术干货 | AI如何驱动工程仿真和设计创新？

Altair作为技术领域的先锋，致力于帮助企业利用数字孪生、智能模型以及仿真、HPC（高性能计算）和AI的融合来预测和优化系统结果。

我们希望通过Altair平台帮助大家通往数字化，所以Altair除了提供HyperWorks等工具级的产品，让大家可以通过这些产品做仿真、建模之外，还提供了数据科学平台“RapidMiner”帮助大家实现后续的数据分析，探索数据之间的相互关系.

AltairOne作为Altair面向用户的统一门户，通过集成仿真、HPC和数据科学三大套件，形成了从仿真到HPC，再到数据科学的完整链路。用户可以通过网络访问AltairOne，也可以将AltairOne部署在企业内部的私有云上。

现在大家经常提到人工智能、机器学习和深度学习的概念，这些概念底层都是数据，通过一些学习的方法，训练近似模型或者寻找数据规律。模型训练完成之后，我们希望训练模型模拟人的行为做出反馈，称之为人工智能。

从这些概念的定位看，最基础的一环就是数据。整个产品生命周期的各个环节都会产生非常多数据，无论是研发端、测试端、生产端还是运维过程中。各个环节的数据利用起来就能解决不同的问题，比如仿真、工程测试、预测性维护、现场面向运营的数字孪生应用等。

那么我们为什么需要工程数据科学？因为从仿真角度或者研发角度，我们的数据和生产线上的数据有点区别。我们的数据往往是 3D形式的，因为模型本身是三维的。

我们的数据来源主要是两个方面，一个是通过物理测试获得，比如Excel表这种数据。另外一方面是通过仿真产生大量不同格式的数据，有的是表格，有的是云图，有的是曲线。我们希望辅助仿真工程师把这些数据利用起来，最后实现场景的落地，比如做云图的预测、系统模型降阶、形状识别，生成优化设计等。

关于Altair AI的技术融合，主要可以从3个方面展开：零代码、端到端、面向大众的数据科学和AI平台；基于AI和经典系统理论的模型降阶，数字孪生关键技术；HyperMesh中的AI技术集成，助力仿真提效

1、零代码、端到端、面向大众的数据科学和AI平台-RapidMiner

RapidMiner是面向大众的数据分析和AI平台，最大的特点是工作流程非常简洁，主要是模块化拖动的操作形式。另外它有自动数据科学的功能，集成了市面上大部分的机器学习方法，比如深度学习、神经网络等160多种学习方法。学习的模型也支持非常开放的部署方式，可以部署到云端共享给客户；也可以导出一些代码作为部署的源头。

使用RapidMiner处理数据科学问题，先要进行数据的结构化处理。这种处理方法非常多，可以用HyperStudy通过DOE实现，也可以通过专门做数据清洗的工具Monarch实现。当你拥有这些结构化的数据之后，就可以使用RapidMiner里机器学习的方法实现模型训练、优化、预测等功能。

RapidMiner的深度学习有很多好的应用案例，可以实现利用数据驱动仿真效率的加速。比如散热片的尺寸参数变化，会导致流体仿真性能有区别，如温度的变化、风压损失的不同等，解决这些问题就可以用HyperStudy DOE功能跑不同参数组合，生成计算模型，获得计算结果，最后形成一张详细的表格。

有了这个表，就可以给到RapidMiner，通过它的学习方法探索性能和变量之间的关系。通过拖拽式的框图，即可非常简单的搭建流程，学习模型。后续有新的变量组合，即可预测风压损失、最大温度等指标，还可以基于学习模型做寻优，得出最佳高度、厚度等参数信息。

2.基于AI和经典系统理论的模型降阶，数字孪生关键技术

以往研究问题要么做实验要么做仿真，但是现在如果已经有以往的经验，就可以用romAI技术做模型的降阶了。

降阶模型的应用场景非常多，比如数字孪生里给一个新的输入，要立马知道输出的场景，就可以用romAI的降阶模型代替实际模型。或者在一些多学科优化、多学科仿真，计算时间非常长，遇到需要减少计算量的问题，就可以通过降阶模型把时间降下来。

romAI模型有不同的输出，可以输出一些通用格式放到系统仿真的产品里。这个本身是一个多学科的问题，比如车在行驶的时候是机构运动，铲斗在铲物料的时候是一个离散元的问题，液压装置的控制又是一个液压的问题，如果要去跑一个多学科偶合的仿真计算，计算量非常大。

这里最花时间的就是离散元仿真，我们通过调整不同的铲斗速度、角度，去计算散料对于铲斗的载荷，最终从结果里面整理出一张详细的表格。这个表就可以作为降阶模型的输入，做了降阶之后，就可以把离散元这个学科拿掉，直接通过romAI降阶模型快速反馈，相当于一个学科通过降阶模型被替代了，能够大范围的降低计算量，节省非常多的计算时间。之前跑一次要600多秒，现在只要20多秒，精度基本达到98%以上。

3. HyperMesh集成AI技术，助力仿真提效

随着技术的发展，HyperMech里面集成了非常多AI应用，帮助我们提高仿真的效率。

Design Explorer非常类似于HyperStudy，我们把HyperStudy的功能移植到了Hyper Mesh里。用过多学科软件的都知道软件往往可视化或者交互式都不太好，而HyperMesh本身就是一个可视化环境，可以直接对着模型交互，而且做完DOE以后，DOE的结果都可以云图可视化。另外，Design Explorer移植到HyperMesh上做了一个比较有吸引力的事情：基于对DOE结果的自动机器学习，可以实现标量的预测、曲线的预测或者云图的预测。

2024年Design Explore还会增加生成式设计，可以把制造约束作为DOE的变量，比如设置多种拔模方向、多种对称条件等，生成式设计可以批量生成不同拓扑优化结果，然后自动将优化结果做聚类，推荐一类最优设计模型。

ExpertAI是把难以量化的模式通过基于AI的聚类方式，把模式做一个分类。

比如想要优化铸造过程的性能，优化的变量选择铸造的入口，当入口有不同的位置和间隔时，铸造流动的均匀性是不一样的。ExpertAI可以把云图的模式作为约束条件考虑进来。通过一些DOE的计算，对铸造的云图模式做聚类，选择符合预期的最优模式。

PhysicsAI也是集成在HyperMesh里的一个AI应用，它的输入不是表格，而是以往历史仿真数据的云图结果。PhysicsAI学习完了以后，当你给到一个新的设计，就可以在上面预测云图了。它所用的技术叫几何深度学习，特点是不需要做模型参数化，而且是桌面级的，可以进行本地化模型训练，支持GPU加速训练。

我们可以看一些具体的用户案例，比如用户做的后备箱地板云图预测，用户准备了36个以往的仿真云图结果作为学习模型，另外准备10组做验证，最终预测结果跟实际求解器验证的结果匹配得非常好。

PhysicsAI并不是只能做结构分析，而是学科中立的。不管流体、电磁包括热都是可以的，行业也没有限制，包括航空、汽车、船舶都可以。另外PhysicsAI学习的模型可以导出来作为一个类似于黑箱的形式，嵌入到多学科优化的环境里做多学科优化。

另外，Physics AI增加了一些新功能，可以嵌入在Inspire里做实时的几何调整，实时预测新的几何云图分布，包含外形、材料、厚度、载荷等全局参数，帮助我们更快更好更方便地进行工程仿真和设计创新。

总结一下Physics AI常见的应用场景：

需要注意的是目前仅支持h3d文件输入，其他结果格式需要通过HvTrans或Compose转换。

最后，希望大家可以在仿真的各个阶段都能引入AI技术，加速产品的创新。比如前期AI加速建模，求解的时候做快速的近似模型，模型的降阶，生成优化设计等，都可以用到前面介绍的Altair产品。