仿真样本少，就训练不了AI模型？别怕，云境会出手

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或许有帮助，但是...

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？

云境智仿的探索与实践

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。

结语

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。