关于Sim AI：用AI提高CAE仿真设计效率
AI正在加速渗透到工业的各个领域，当然也包括CAE。在国内，华为、腾讯等就和高端装备企业合作开展过AI建设仿真模型的探索。在国外，CAE软件的扛把子们，如Ansys，也没有错过这个趋势。
24年1月，Ansys宣布推出其最新的基于AI技术的SaaS应用Ansys SimAI，这是一款将Ansys仿真的预测准确度与创成式AI的高速度相结合、不局限物理学科的SaaS应用。
Ansys SimAI主要面向不具备专业AI经验的用户使用，用户可以基于设计形状作为输入，训练AI仿真模型，用AI仿真模型进行仿真，大幅度提升CAE仿真计算的效率，据称该应用可将所有设计阶段的模型性能预测功能提高10-100倍。
Ansys官方通过白皮 书用一个具体案例介绍了SimAI应用成效，以下是该白皮 书全文主要内容翻译（部分CAE相关专业用词翻译可能不准确，感兴趣的请联系作者获取英文原版）：
2018年，国际海事组织（IMO）通过了一项实现国际航运脱碳的初步战略，要求船舶减少温室气体排放。因此，它要求设计者提高他们的能源效率。其中一种方法是通过优化船体形状来减少船舶阻力。这种减少直接转化为节省燃料和降低温室气体排放。
从历史上看，海运业严重依赖统计方法和回归分析，但这些方法在稳健性和准确性方面仍然相当有限。其他方法通常需要大量的计算时间和精力。在CFD（计算流体力学）的情况下尤其如此，这是准确评估船体后部厚边界层所必需的。因此，CFD通常不直接应用于概念探索研究，而是用于验证所选设计。
这就是Ansys开发SimAI平台的原因，该平台使工程师能够用最少的手动工作为任何类型的物理创建人工智能模型。特别是，SimAI可以在几秒钟内预测流体行为，以评估新船体设计的性能，包括三维物理场，如波浪模式和船体上的压力分布。
在本案例中，基于288个不同操作条件下船体设计CFD模拟样本的数据库，在SimAI平台上创建了一个AI模型。但必须记住的是，如此大的数据集并不是利用SimAI的强制性要求。几十个样本可以产生有价值的人工智能模型。模拟分为三组：
训练数据集用于训练模型，包含244次模拟。
验证数据集用于调整模型，包含20次模拟。
当训练阶段完成时，使用测试数据集对模型的性能进行无偏估计。测试数据集包含20次模拟。
通过将测试集的预测与相应的CFD结果进行比较来评估AI模型的性能。
该AI模型的性能通过将测试集的预测结果与相应的CFD结果进行比较来评估。首先比较的是船体表面的受力情况，结果显示总阻力的平均相对误差为4.88%。其次是对表面场的评估。下面给出了测试集中一个配置的比较示例，显示SimAI与CFD之间有良好的定性一致性
可以通过计算船体网格单元的绝对误差来进行定量检查，即平均绝对误差小于15 N.m-2。
由于表面分布正确，纵轴上的整体阻力曲线演变与CFD非常匹配
AI模型还提供了对整个体积的访问，并且可以在不同的切片内进行一些比较，如下图所示，在显示垂直速度的水平面中，显示SimAI和CFD之间的波浪模式的良好一致性。
SimAI平台的一个重要优势是进行预测所需的预处理时间可以忽略不计，因为不需要网格划分或求解器设置。根据流程自动化和设计复杂性的不同，这可以节省几分钟到几个小时的时间。用这个人工智能模型做出的每个预测大约需要8秒。这为高效的设计迭代打开了新的视角。
下面将该模型成功应用于日本散货船(JBC) 1:2比例模型的一个基本参数，以实现最小阻力。通过将船体的纵向浮力中心(LCB)向前或向后递增，可以减小一种设计的波浪幅值，从而优化船舶的阻力。下面LCB不同位置的波浪模式和船体上的压力分布证实了这一点
结果表明，LCB的最小阻力位于相对于其基线的-0.6%处。如果我们必须用CFD来设置和运行每一个，这将涉及大量的工程时间，并且很可能会降低我们的生产力
以下结果显示，在阻力降低方面与CFD非常一致，包括相似的趋势和数量级。当改变LCB的位置时，摩擦阻力几乎保持不变。由于弗劳德数相对较低（Fn=0.141），波阻部分相对较低，在较高的速度下可以预期进一步的增益
船体形状优化具有节省燃料的巨大潜力。考虑到每吨250美元和海上280天的价格，每天30吨的成本，仅节省5%的燃料每年就可以为一艘船节省高达10万美元2。通过使用SimAI平台，可以在几秒钟内利用CFD模拟的完整3D信息来评估新船体设计的性能。
在这项研究中，计算了LCB不同位置的船体阻力，并在10分钟内找到了最小阻力。虽然CFD通常需要大量的计算时间和精力，但使用SimAI，可以大幅减少优化船体形状所需的小时数和计算时间。一名工程师可以在一个工作日内轻松获得这一结果。
作者看法：CFD等CAE计算一直是个非常消耗算力和时间的事情，提升CAE计算的时间，对缩短研发周期的意义非常明确。
对于一直从事一类装备设计的企业或研究院，已经积累了不少的仿真数据，将其用于AI模型的训练，或许可以取得不错的效果。但由于不同仿真千差万别，是不是所有CAE都可以通过AI达到比较好的效果，可能还是有些疑问的，但是Ansys既然敢将它作为产品推出，那估计至少相当一部分场景是能够应用的。
即便不能完全准确，在一些产品设计阶段，使用SimAI的模型快速将设计参数的调整方向明确，将设计参数收敛到一个较少的范围，再用传统CAE进行精确计算，将CAE计算从100次缩减到10次，估计也能够节约不少的时间，
该产品的SaaS化可能对国内企业应用是个挑战。鉴于一些数据安全政策等原因，Ansys何时能将其投入国内运营，国内企业会不会更希望应用私有化部署的版本，以及该平台是否能面向垂直行业出细化版本，都有待观察。
