面对着即将到来的项目节点,仿真工程师小王眼睁睁看着屏幕中CAE软件的进度条龟速爬行。无可奈何的他刚想去接杯水,设计部门的同事打来电话询问仿真进度,小王说另一个部门的项目还没算完呢,你要是实在着急的话我把你们的优先级提高一点。
放下电话,看一眼仿真任务排期,好几个项目都卡在仿真这,小王心想,看来周末又得加班了。
好不容易跑完一个任务,一看云图,万里江山一片红。
来源:云境智仿在线案例
“怎么这么多问题区域,设计师是新来的吗?”小王心想 “ 还得改啊,改完还得重新算。 ”
云图发过去,小王给设计师致电,对面的设计师接了电话,果然是一个年轻的设计师,小王给他说明结构上有的部位应力集中,有的部位变形过大,需要优化设计。
对面的设计师也是一头雾水,反问他那你觉得应该怎么办呢?
小王想,我要是知道怎么改还要设计干什么。不过还是耐住性子提出了一些修改建议,比如哪里加一个加强筋,哪里圆角加大一点。
设计师听完说:“ 好,我现在就改,改完你能不能马上帮我再算下,我们项目组现在就我方案还没通过了。”
小王心里一万匹马奔腾而过,耐着性子说:“ 你先改吧,我这边仿真任务也有很多着急的,尽量帮你提前。”
CAE仿真作为预测产品结构性能的重要技术,在制造业研发流程中通常被安排在设计之后,生产之前。作为正式生产前的最后一道防线,检查产品设计中难以发现的问题。
面对激烈的市场竞争和不断压缩的研发周期,仿真工程师经常要与时间赛跑,想尽办法压缩仿真时间,比如采用简化模型、分区划分、局部细分等技巧,不断利用知识经验给计算机“减负”。
但是面对复杂的工程问题,仿真工程师仍然会在网格划分、计算求解等由软件做主的环节无能为力,被迫放慢脚步。
等到仿真结果好不容易出来,一旦发现存在设计问题,反馈给设计师,设计师优化后又提交给仿真工程师重新计算,又会是一次漫长等待。
尤其在人力资源和计算资源有限的情况下,跨学科跨部门的沟通迭代会消耗很多时间精力。
AI技术的出现有希望在一定程度上解决这些问题。
传统 CAE 技术主要是建立在数值计算框架上的模拟技术,其本质是将连续系统进行时空离散化,通俗地说就是把一幅画变成了拼图,再针对每个小区域,依据最基本的物理、化学等学科的原理来建立模型。
传统CAE技术的原理很明确,其计算结果具备较强的可解释性和精确性,但是在大规模复杂工程问题如飞行器外流场分析、汽车碰撞仿真等场景中会消耗庞大的计算资源和时间成本,这些场景一方面物理因素复杂,另一方面需要频繁变更优化设计。
而近年来火热的深度学习神经网络技术则相反,训练成熟的AI大模型可以显著降低计算维度,算的很快。但是训练AI大模型需要的样本数据是海量的,一般需要数百万条甚至数十亿条以上的数据样本,还需要庞大的计算资源,这对于大多数制造业企业来说难以做到。
除此之外,由于目前科学家还无法解释神经网络的内部原理,因此得到的模型是 黑盒 ,也就是无法解释为什么会生成这样的结果,也难以评价结果的可信度。
可以看到传统数值模拟和深度学习赋能的CAE技术各有优劣,那么是否有办法能综合两方面的优势呢?
面对着训练数据和计算资源短缺的实际情况,云境智仿采取了另一条路线,即以贝叶斯推论等理论为基础的智能仿真,相比于传统的数值仿真模拟,它更快更高效;相比于以深度学习神经网络为基础智能仿真,它又保持了训练样本少和结果可解释的优势。
在汽车外流场分析案例中,云境智仿将其智能求解器与StarCCM进行对比,分别仿真30种车身的汽车外流场,在结果误差可接受的前提下,仿真加速比达到了36:1,平均每个工况的智能仿真时间在1分钟左右,效率显著提升。
此案例中的智能求解器所使用的训练样本为30组不同外观几何尺寸的汽车外流场仿真数据。
贝叶斯推论是人工智能领域中的一个重要分支,其核心在于贝叶斯定理,依据先验概率与新观测数据推算后验概率,进而对未知情形进行推断。
图 贝叶斯定理基本公式
相比于火热的神经网络技术,它在大众视野中的曝光率不高,但是相比于神经网络无法解释的“黑箱”,贝叶斯推论基于概率原理,对数据量需求相对灵活,小样本时可凭借先验知识推断,结果可解释性强,在需要明确概率估计、结合先验知识及处理不确定性问题的场景中表现突出,如风险评估、故障诊断等领域。
当然,贝叶斯推论和神经网络并不是水火不容的两端,云境智仿也在探索综合利用不同技术的优势,在模型维度、计算精度和普适性的仿真不可能三角中寻找最优解,满足多样化的场景需求。
目前智能求解器功能已经在Simversus 云平台中正式上线,可在平台中训练和应用智能求解器。(点击下方阅读原文即可跳转Simversus,在线免费试用)
云境智仿也将该算法打包为独立组件YJ-DORGP,可以赋能包括独立软件开发商、制造业企业、科研院所在内的仿真软件开发团队。
这一组件并不会破坏原有的工具生态,更像一个外挂加速器,可以支持多种数据源,如有限元法(FEM)、边界元法(BEM)、光滑例子法(SPH)、物质点法(MPM)等数值方法产生的数据,试验采集的真实数据等,充分利用可获得的数据样本,加速设计仿真迭代流程。
设想下这个场景,当汽车设计师和仿真工程师坐在一起探讨汽车外形设计,屏幕上是产品三维模型,设计师调整一下产品结构,仿真结果很快就能反馈,仿真工程师立刻根据仿真结果提出优化建议,二者再也不用坐在各自的办公室看着即将到来的项目节点,焦急地等待对方反馈了!
新技术往往需要跨越巨大的鸿沟才能被大家所接受,但是我们仍然期待勇敢的探索者们能够改善落后的生产方式。