AI技术在CAE(计算机辅助工程)仿真行业的应用正处于快速发展的阶段,已从早期的理论探索逐步走向实际工程场景的落地。
2024 年 11 月,英伟达推出NVIDIA Omniverse Blueprint(蓝图),使行业软件开发者能够帮助他们的计算机辅助工程(CAE)客户在航空、汽车、制造、能源等行业创建具有实时互动性的数字孪生。
在应用案例中,英伟达展示了基于蓝图的实时虚拟风洞,该风洞允许用户以实时、交互式的速度模拟和可视化流体动力学。
逼真的可视化效果、实时的流场云图变化,不仅让人们真切地看到了数字孪生的曙光,同时也给众多CAE软件公司注入了一针探索AI技术的强心剂。
这两年,CAE软件厂商们在AI领域动作频频,有的在幕后摩拳擦掌,有的已经在台前崭露头角。
本文将从技术进展、行业应用、典型案例及未来趋势等方面,梳理AI在CAE仿真领域的最新动态。
传统CAE巨头:Ansys、Altair、达索、西门子等已集成AI功能。
Ansys:推出SimAI ,面向非专业 AI 用户,以设计形状为输入训练模型,大幅提升各设计阶段模型性能预测效率,最高可达百倍。
Altair:Altair HyperWorks 2024 版深度集成 AI 技术,在多方面实现显著改进。PhysicsAI通过几何深度学习挖掘历史数据,快速预测物理性能,在 CAE 环境中对 3D 模型直接操作,预测速度百倍于传统求解器。ExpertAI专注模拟专家决策,针对主观设计标准训练分类模型。ShapeAI自动识别 CAE 模型特征,结合机器学习解锁几何机器学习潜力。RomAI助力降阶建模,以少量 3D 仿真数据创建精准稳定模型,服务于数字孪生与优化分析。
达索:与人工智能公司Mistral AI合作。最新推出的第7代解决方案3D UNIV+RSES,融合建模、仿真、现实世界证据和人工智能生成内容,将多种生成式AI技术嵌入3DEXPERIENCE平台核心,能让客户充分利用3D设计、虚拟孪生和PLM数据。
新兴AI-CAE公司:
Neural Concept:瑞士公司,其核心技术为几何人工智能深度算法,能深度学习几何形状与物理定律的相互作用。客户包括空客、博世等知名企业。
NAVASTO :德国公司,专注于 AI 加速设计和工程。旗舰产品 nav pack api(python)能灵活训练、部署 AI 模型适配 CAX 工作流程,服务通用汽车、兰博基尼等众多汽车厂商。现被 Autodesk 收购,持续拓展 AI 在工程设计领域的应用
Luminary Cloud:提供基于GPU的多物理场CAE仿真SaaS服务,与NVIDIA Omniverse Blueprint(蓝图)合作,创建基于蓝图的实时虚拟风洞。Lumi Mesh Adaptation通过智能调整计算网格,提高准确性和效率
在 NASA C608 Low Boom Jet 上使用 Lumi Mesh Adaptation 生成的 AI 网格
SimScale:云原生CAE厂商,采用NAVASTO的服务,集成深度学习功能,支持即时物理预测,应用于工程设计优化。
PhysicsX:专注于AI加速多物理场仿真,应用于汽车和航空航天业。
云境智仿:联合北京大学,推出基于贝叶斯推论的小样本智能求解器,通过少量样本即可训练智能求解器,结果具有强可解释性和可信性,能将仿真时间大幅缩短,适用于实时性要求高的仿真场景。
智能求解器功能部署在CAE云平台Simversus上,另提供YJ-DORGP算法组件为客户提供智能求解器定制服务。
Simversus智能求解器
天洑软件:发布多款AI智能工业软件产品,在软件中应用机器学习等人工智能算法,包括智能热流体仿真软件AICFD、智能结构仿真软件AIFEM、智能优化软件AIPOD、智能数据建模软件DTEmpower等
智能数据建模软件DTEmpower
智能热流体仿真软件AICFD预测功能对比
英特仿真:数字孪生产品INTESIM - DtPlatform基于B/S架构与AI降阶代理模型,实现仿真模型快速运算与精准输出,提供一站式数字孪生解决方案。
INTESIM - DtPlatform
十沣科技:发布结合AI大模型的工业仿真软件TF-AIDEA,整合自动化数据管理和大模型训练功能。
TF-AIDEA
熙流数字:Aerocae-AI实时CFD流体仿真AI训练平台,基于GPU高性能LBM流体仿真技术底座与AI方法,可帮助用户进行实时CFD流体仿真和AI机器学习训练,提高研发效率。
Aerocae
替代传统求解器:通过AI模型(如神经网络、图神经网络)直接预测物理场(应力、温度、流场等),绕过传统有限元或CFD的迭代计算,实现秒级仿真。
降阶模型(ROM):利用AI构建低维代理模型,替代高保真仿真,用于快速迭代和参数优化。
生成式设计:基于AI(如GAN、强化学习)自动生成满足约束条件的最优设计。
拓扑优化:AI结合传统优化算法,快速生成轻量化结构(如汽车部件、航空航天结构)。
多物理场耦合简化:AI模型学习多物理场(如热-力-流体耦合)的复杂关系,降低耦合仿真的计算复杂度。
不确定性量化:通过AI预测材料参数、边界条件的不确定性对仿真结果的影响。
实时动态更新:AI结合传感器数据,驱动数字孪生模型实时反映物理系统的状态(如设备健康监测)
网格生成自动化:AI自动划分高质量网格(如基于深度学习的非结构化网格生成)。
结果分析与可视化:AI自动提取关键特征(如应力集中区域、流场分离点)。
汽车行业:AI用于碰撞仿真、电池热管理、空气动力学优化。
案例:丰田利用AI将碰撞测试的仿真时间减少70%。
航空航天:AI加速气动外形设计、复合材料性能预测。
案例:NASA使用AI模型优化火星探测器着陆器设计。
能源领域:AI优化风力涡轮机叶片设计、核反应堆热工水力分析。
案例:西门子能源通过AI仿真优化燃气轮机燃烧室设计。
成熟应用:AI加速参数优化、降阶模型、自动化后处理。
探索阶段:全流程端到端AI仿真(替代传统求解器)、复杂多物理场耦合的AI建模。
技术瓶颈
数据依赖:高精度仿真数据获取成本高,小样本场景下AI模型性能下降。
物理一致性:纯数据驱动的AI可能违反物理规律,需结合物理约束(如PINN物理信息神经网络)。
可解释性:工程师对“黑箱”模型的不信任,需提供特征重要性分析或物理机理解释。
工程化落地障碍
与传统流程的整合:企业需重构CAE流程(如数据管理、人员培训)。
算力成本:训练大型AI模型需要高性能GPU,可能抵消部分效率收益。
行业标准缺失
缺乏统一的AI-CAE验证基准(如标准测试案例、误差阈值定义)。
混合建模(Hybrid AI)
结合物理方程与数据驱动,提升模型的泛化能力和可解释性。
案例:NVIDIA Modulus平台通过物理信息神经网络(PINN)求解偏微分方程。
端到端自动化
从几何输入到仿真结果的全流程AI驱动,减少人工干预。
边缘AI与嵌入式仿真
在本地设备(如工业控制器)部署轻量化AI模型,支持实时决策。
生成式AI的渗透
利用扩散模型(Diffusion Models)生成高保真仿真数据,弥补数据不足。
行业生态协同
CAE软件厂商、云计算平台(AWS、Azure)、AI芯片公司(NVIDIA)联合构建解决方案。
阶段 | 特征 |
初级阶段 | AI辅助后处理、参数优化,工具碎片化。 |
深入阶段 | AI加速核心仿真流程(降阶模型、生成式设计),头部厂商推出集成化工具。 |
探索阶段 | 端到端AI仿真、实时数字孪生,依赖跨学科技术突破(如量子计算+AI)。 |
AI在CAE中的应用已从“技术尝鲜”转向“价值验证”,未来3-5年将是规模化落地的关键期。
企业需根据自身需求评估AI的适用场景,同时关注混合建模和自动化工具的演进。随着AI技术持续迭代与硬件性能不断攀升,AI赋能CAE仿真前景无限广阔,将推动全球制造业、能源业等向智能化、绿色化、高效化转型升级。