技术干货 | AI 驱动工程仿真和设计创新

在当今快速发展的技术领域，人工智能（AI）、机器学习和深度学习等技术已经成为推动工程仿真和设计创新的关键力量。Altair 技术经理张晨在 Altair “AI FOR ENGINEERS”线下研讨会上发表了相关精彩演讲，本文摘自演讲内容，与大家共同探讨 AI 技术如何与工程仿真相结合，以及这些技术如何帮助企业加速进行产品创新和优化设计流程。

Altair 作为计算智能领域的先锋，致力于帮助企业利用数字孪生、智能模型以及仿真、HPC（高性能计算）和 AI 的融合来预测和优化系统结果。

我们希望通过 Altair 平台帮助大家通往数字化，所以 Altair 除了提供 HyperWorks 等工具级的产品，让大家可以通过这些产品做仿真、建模之外，还提供了数据科学平台“RapidMiner”帮助大家实现后续的数据分析，探索数据之间的相互关系.

AltairOne 作为 Altair 面向用户的统一门户，通过集成仿真、HPC 和数据科学三大套件，形成了从仿真到 HPC，再到数据科学的完整链路。用户可以通过网络访问 AltairOne，也可以将 AltairOne 部署在企业内部的私有云上。

现在大家经常提到人工智能、机器学习和深度学习的概念，这些概念底层都是数据，通过一些学习的方法，训练近似模型或者寻找数据规律。模型训练完成之后，我们希望训练模型模拟人的行为做出反馈，称之为人工智能。

从这些概念的定位看，最基础的一环就是数据。整个产品生命周期的各个环节都会产生非常多数据，无论是研发端、测试端、生产端还是运维过程中。各个环节的数据利用起来就能解决不同的问题，比如仿真、工程测试、预测性维护、现场面向运营的数字孪生应用等。

那么我们为什么需要工程数据科学？因为从仿真角度或者研发角度，我们的数据和生产线上的数据有点区别。我们的数据往往是 3D 形式的，因为模型本身是三维的。

我们的数据来源主要是两个方面，一个是通过物理测试获得，比如 Excel 表这种数据。另外一方面是通过仿真产生大量不同格式的数据，有的是表格，有的是云图，有的是曲线。我们希望辅助仿真工程师把这些数据利用起来，最后实现场景的落地，比如做云图的预测、系统模型降阶、形状识别，生成优化设计等。

关于 Altair AI 的技术融合，主要可以从 3 个方面展开：零代码、端到端、面向大众的数据科学和 AI 平台；基于 AI 和经典系统理论的模型降阶，数字孪生关键技术；HyperMesh 中的 AI 技术集成，助力仿真提效

1、零代码、端到端、面向大众的数据科学和 AI 平台-RapidMiner

RapidMiner 是面向大众的数据分析和 AI 平台，最大的特点是工作流程非常简洁，主要是模块化拖动的操作形式。另外它有自动数据科学的功能，集成了市面上大部分的机器学习方法，比如深度学习、神经网络等 160 多种学习方法。学习的模型也支持非常开放的部署方式，可以部署到云端共享给客户；也可以导出一些代码作为部署的源头。

使用 RapidMiner 处理数据科学问题，先要进行数据的结构化处理。这种处理方法非常多，可以用 HyperStudy 通过 DOE 实现，也可以通过专门做数据清洗的工具 Monarch 实现。当你拥有这些结构化的数据之后，就可以使用 RapidMiner 里机器学习的方法实现模型训练、优化、预测等功能。

RapidMiner 的深度学习有很多好的应用案例，可以实现利用数据驱动仿真效率的加速。比如散热片的尺寸参数变化，会导致流体仿真性能有区别，如温度的变化、风压损失的不同等，解决这些问题就可以用 HyperStudy DOE 功能跑不同参数组合，生成计算模型，获得计算结果，最后形成一张详细的表格。

有了这个表，就可以给到 RapidMiner，通过它的学习方法探索性能和变量之间的关系。通过拖拽式的框图，即可非常简单的搭建流程，学习模型。后续有新的变量组合，即可预测风压损失、最大温度等指标，还可以基于学习模型做寻优，得出最佳高度、厚度等参数信息。

2.基于 AI 和经典系统理论的模型降阶，数字孪生关键技术

以往研究问题要么做实验要么做仿真，但是现在如果已经有以往的经验，就可以用 romAI 技术做模型的降阶了。

降阶模型的应用场景非常多，比如数字孪生里给一个新的输入，要立马知道输出的场景，就可以用 romAI 的降阶模型代替实际模型。或者在一些多学科优化、多学科仿真，计算时间非常长，遇到需要减少计算量的问题，就可以通过降阶模型把时间降下来。

romAI 模型有不同的输出，可以输出一些通用格式放到系统仿真的产品里。这个本身是一个多学科的问题，比如车在行驶的时候是机构运动，铲斗在铲物料的时候是一个离散元的问题，液压装置的控制又是一个液压的问题，如果要去跑一个多学科偶合的仿真计算，计算量非常大。

这里最花时间的就是离散元仿真，我们通过调整不同的铲斗速度、角度，去计算散料对于铲斗的载荷，最终从结果里面整理出一张详细的表格。这个表就可以作为降阶模型的输入，做了降阶之后，就可以把离散元这个学科拿掉，直接通过 romAI 降阶模型快速反馈，相当于一个学科通过降阶模型被替代了，能够大范围的降低计算量，节省非常多的计算时间。之前跑一次要 600 多秒，现在只要 20 多秒，精度基本达到 98%以上。

3. HyperMesh 集成 AI 技术，助力仿真提效

随着技术的发展，HyperMech 里面集成了非常多 AI 应用，帮助我们提高仿真的效率。

Design Explorer

Design Explorer 非常类似于 HyperStudy，我们把 HyperStudy 的功能移植到了 Hyper Mesh 里。用过多学科软件的都知道软件往往可视化或者交互式都不太好，而 HyperMesh 本身就是一个可视化环境，可以直接对着模型交互，而且做完 DOE 以后，DOE 的结果都可以云图可视化。另外，Design Explorer 移植到 HyperMesh 上做了一个比较有吸引力的事情：基于对 DOE 结果的自动机器学习，可以实现标量的预测、曲线的预测或者云图的预测。

2024 年 Design Explore 还会增加生成式设计，可以把制造约束作为 DOE 的变量，比如设置多种拔模方向、多种对称条件等，生成式设计可以批量生成不同拓扑优化结果，然后自动将优化结果做聚类，推荐一类最优设计模型。

ExpertAI

ExpertAI 是把难以量化的模式通过基于 AI 的聚类方式，把模式做一个分类。

比如想要优化铸造过程的性能，优化的变量选择铸造的入口，当入口有不同的位置和间隔时，铸造流动的均匀性是不一样的。ExpertAI 可以把云图的模式作为约束条件考虑进来。通过一些 DOE 的计算，对铸造的云图模式做聚类，选择符合预期的最优模式。

PhysicsAI

PhysicsAI 也是集成在 HyperMesh 里的一个 AI 应用，它的输入不是表格，而是以往历史仿真数据的云图结果。PhysicsAI 学习完了以后，当你给到一个新的设计，就可以在上面预测云图了。它所用的技术叫几何深度学习，特点是不需要做模型参数化，而且是桌面级的，可以进行本地化模型训练，支持 GPU 加速训练。

我们可以看一些具体的用户案例，比如用户做的后备箱地板云图预测，用户准备了 36 个以往的仿真云图结果作为学习模型，另外准备 10 组做验证，最终预测结果跟实际求解器验证的结果匹配得非常好。

PhysicsAI 并不是只能做结构分析，而是学科中立的。不管流体、电磁包括热都是可以的，行业也没有限制，包括航空、汽车、船舶都可以。另外 PhysicsAI 学习的模型可以导出来作为一个类似于黑箱的形式，嵌入到多学科优化的环境里做多学科优化。

另外，Physics AI 增加了一些新功能，可以嵌入在 Inspire 里做实时的几何调整，实时预测新的几何云图分布，包含外形、材料、厚度、载荷等全局参数，帮助我们更快更好更方便地进行工程仿真和设计创新。

总结一下 Physics AI 常见的应用场景：

• 特征参数难以提取，难以参数化的场景

• 拥有历史积累的仿真数据或者 DOE 生成

• 静态或者瞬态云图预测需求

需要注意的是目前仅支持 h3d 文件输入，其他结果格式需要通过 HvTrans 或 Compose 转换。

最后，希望大家可以在仿真的各个阶段都能引入 AI 技术，加速产品的创新。比如前期 AI 加速建模，求解的时候做快速的近似模型，模型的降阶，生成优化设计等，都可以用到前面介绍的 Altair 产品。

关于 Altair RapidMiner

Altair RapidMiner 数据分析与人工智能平台，是 Altair 澳汰尔公司旗下仿真、HPC 和数据分析三块主营业务中的解决方案，它在数据分析领域最早实现将自动化数据科学、文本分析、自动特征工程和深度学习等多种功能同时集成的一站式数据分析平台，帮助用户解决从数据清洗、准备、数据科学建模到模型管理和部署，同时又支持数据和流数据的实时分析可视化的数据分析平台。

欲了解更多信息，欢迎关注公众号：Altair RapidMiner