AI在数值模拟（CAE/CFD）领域的定位及应用
随着人工智能 (AI) 在我们的日常生活中变得越来越普遍，人们对它是什么以及它对工程师意味着什么的困惑也随之而来。那么，AI 到底是什么？首先，让我们建立一些基本定义。
人工智能是一个多学科主题，它使机器、设备和计算机能够以看似智能的方式思考和做出决策。人工智能通过基于所收集的信息在迭代过程中进行学习和改进，帮助机器和程序做出更明智的决策。 未来，工程领域的人工智能可能会更加注重集体智慧。在这种情况下，工程师和计算机可以在反馈回路中协同工作，以识别问题并开发解决方案，从而使设计流程和系统更有效地运行。这将增强工程师的能力和贡献。
什么是机器学习？
机器学习 (ML) 是人工智能的一个子集，是一种自适应算法，它使用统计算法来构建和训练系统和模型。这些系统和模型将能够学习和改进，而无需明确编程，并且可以做出预测或识别数据中的隐藏模式。监督学习和无监督学习是两种广泛使用的机器学习类型。所有监督学习都属于回归或分类问题。这两种情况的输入数据都可以是数字和分类的。以下是一些关于哪些技术有用的一般准则：
· 回归技术， 当输出数据为数值并产生连续响应（例如温度响应）时
· 分类技术， 当输出数据是分类的并产生离散响应时（例如，格栅或非格栅，好的设计，不是好的设计）
什么是深度学习?
深度学习是机器学习的一个子集。一些最常用的深度学习网络包括 卷积神经网络、自动编码器、变换器和生成对抗网络 (GAN)。深度学习利用分层组织的人工神经元来处理数据，以从原始输入中提取更高级的特征并实现机器学习目标。深度学习的特点是使用多层人工神经元，因此有大量的参数和超参数。优化超参数会对机器学习算法的训练产生影响（一些示例包括聚类算法中的聚类数量、贝叶斯优化、基于梯度的优化等）。
强化学习
强化学习是三种基本机器学习范式之一，另外两种是监督学习和无监督学习。它专注于在探索（未知领域）和利用（现有知识）之间找到平衡，以获得回报。强化学习是学习如何做——如何映射情况以采取所需的行动来最大化数值奖励信号。强化学习是机器学习模型的训练，以在不确定且可能复杂的环境中做出一系列决策和控制行动来实现目标。
人工智能在 CAE/CFD 中的价值体现
人工智能已经改变了每个行业的技术。将人工智能应用于CAE/ CFD 应用程序可以成为公司的战略资产，因为它可以帮助降低成本并创造新的差异化价值。人工智能驱动的智能解决方案为仿真工程师、机械设计师和数据分析师带来了巨大的好处：
· 通过在更快的周转时间内每次模拟创建更多设计来降低计算、设计程序和运营成本；
· 使用基于 ML 的代理模型和智能 AI 驱动的工作流程来缩短流程和程序开发的周转时间，以加快周转时间 ；
· 通过标记异常并在CAE/ CFD 流程中提供知识库工作流程协助来提高模拟的准确性。这包括 CAD、物理模型建模、网格设置和后处理；
· 通过创建生态系统以无缝方式模拟、预测和优化产品，提高产品性能和效率
· 在 CAE/CFD 中提供知识库工作流程协助
如果 CFD 中的 AI 如此出色，为什么不是所有公司都利用它呢？
实施人工智能，特别是像 CAE/CFD 这样的小众技术，会给公司带来一些运营挑战，包括：
· 数据库管理：建立和维护模拟和设计数据库是一个单调而昂贵的过程，需要 IT 与各个工程团队协调。工程团队本身往往是脱节的，因此与其他部门的协调可能会成为一种障碍。
· 提取特征工程数据和为 CFD 中的 AI 训练数据：缺乏提取所需特征、构建和训练数据集所需的数据科学技能，无法将 ML 技术与 CFD、CAE 模拟和设计预测相结合。
· 人才：在 CAE/CFD、设计和模拟中实现 AI 功能需要机器学习、深度学习技术和 CFD 技能方面的人才。
最后，在聊一下人们经常对AI的几个疑问，我选取了四个比较有代表性的问题：
问题1：数值模型是解决复杂工程问题的唯一解决方案。人工智能不够精确，无法很好地解决 CFD 和工程问题。
解答：得益于新技术的进步，AI/ML 解决方案现已存在，它们在子系统上运行良好，且预测误差极小。国外主流的仿真服务商及成熟工程与咨询服务等团队都已经开发相应的AI组件，如Ansys、 Simense（包括刚被其收购的Altair），在设计预测中使用 AI/ML，以最大限度地减少 CAE/CFD 模拟。
问题 2：数据科学很容易，而且有公司可以使用的开源工具。
解答： 通用机器学习算法无法处理客户特定的工程问题。不同的应用需要不同的机器学习算法和针对特定问题的进一步细化（例如形状检测技术）。尽管有广泛可用的图像识别算法，但公司必须开发内部形状检测算法来检测车辆的各种形状或部件。
问题3：人工智能不需要人类来运行。
解答：人工智能的价值在于它能够增强计算机工程师和领域专家的能力。通过执行单调重复的任务，它可以帮助工程师专注于使用 CFD 工具（例如 Ansys Fluent及Simcenter STAR-CCM+）解决更复杂的问题，从而为未来预测生成更有意义的模拟数据。
问题4：数据越多越好。
解答：CAE/CFD 中的 AI 需要与问题相关的智能工程数据（例如关键绩效指标 (KPI)）才能取得成功。国外成熟的技术工程服务团队使用特征工程技术从模拟数据中实现数据缩减，从而使 AI 能够提供高质量的解决方案。
