J7-05 · 仿真分析 CAE / 数字化仿真方法
待认领listed
→
众筹中recruiting
→
已开课open · Course 售卖
一课题可并存多讲师版本
课程大纲
学完能做什么
- 能判断一个问题适合用物理降阶（ROM）还是数据驱动的 ML 代理模型
- 能搭建一个从 CAE/试验数据到 ML 代理模型的训练流程
- 能识别 ML 代理模型的外推风险并划定其可信使用范围
- 能用物理约束（PINN 思路）提升代理模型在小样本下的可靠性
内容大纲
- ML 代理模型的定位
- 代理模型的目标：用毫秒级模型近似秒级/小时级的高精度仿真
- 与物理降阶（J7-02）的分工：物理降阶懂“为什么”，ML 代理懂“是什么”
- 什么场景该选 ML：高维、强非线性、机理复杂但数据充足
- 什么场景不该选：数据稀少、需要可解释性、安全关键决策
- 训练数据从哪来
- 主要来源：DOE 批量仿真（承接 J7-03）+ 台架/整车实测数据
- 数据覆盖范围决定模型能力边界，训练集之外就是外推
- 数据清洗与特征工程：物理量纲归一化、异常点剔除
- 训练/验证/测试集划分，避免信息泄漏
- 模型结构、物理约束与训练
- 全连接网络、树模型（如 XGBoost）在表格数据上的对比
- 物理信息神经网络（PINN）：把控制方程残差也放进损失函数
- 超参数与正则化：防止小数据集上过拟合
- 训练成本 vs 推理成本：训练可以慢，推理必须快
- 独立验证与外推检测
- 用独立测试集/试验数据做最终验证（衔接 J7-01 的方法论）
- 外推检测三件套（模型通常不会主动报警，必须自己判）：逐维输入范围检查 → 局部样本密度/最近邻距离阈值 → 模型自身预测方差报警（集成/GP 后验方差超阈）；注意本课主打的高维场景下几乎所有新点都落在训练集凸包之外，凸包判据既算不动也判不出，而且「凸包内」并不等于可信——训练点稀疏的内部空洞照样会给出大误差
- 不确定度量化：集成学习/贝叶斯方法给出预测置信区间——这是代理模型自身的预测（认知）不确定度，与输入散差传播（J7-06）是两类不确定度，在优化中会叠加，报裕度时不能只报其中一类
- 失效沉默与可信域声明
- 代理模型的“失效沉默”问题——错得自信，比传统模型更危险
- 可信边界必须文档化：代理模型一旦用于安全相关判断，其可信域声明（输入范围、密度/方差阈值、失效沉默的运行期监控方案）须按 K2-05 的可信域声明格式写进模型卡与验收报告，不能只停在工程师心里
- 落地前的把关：谁来批准把 ML 代理模型用于设计决策——批准所依据的论证链（数据集覆盖、可信边界的量化验收、失效沉默的运行期监控如何算作安全措施）见 K2-05
- 工程落地场景
- DOE/优化加速（衔接 J7-03）：代理模型替代部分仿真调用
- 实时/嵌入式场景：作为 ROM 之外的另一种实时化路径
- 与 AI 辅助工程工具的边界：专用小模型做预测，大模型做知识检索和流程辅助
关键公式
ŷ = f_NN(x; θ)
神经网络代理模型的一般形式：用参数 θ 拟合输入 x（工况/结构参数）到输出 y（温度/压降等）的映射
L = Σ(ŷ − y)² + λ‖θ‖²
训练损失：数据拟合项 + 正则化项，正则化系数 λ 控制过拟合风险，小数据集尤其关键
L_total = L_data + λ_p·L_physics
PINN 思路：损失函数额外加入控制方程残差项 L_physics，用物理约束弥补小样本数据的不足
关键概念
代理模型 surrogate物理信息神经网络 PINN训练/验证/测试集过拟合正则化外推风险不确定度量化外推检测（逐维范围 + 样本密度 + 预测方差）失效沉默数据驱动 vs 物理降阶
推荐工具与标准
Python（PyTorch / TensorFlow / scikit-learn） MATLAB Deep Learning Toolbox Ansys Twin Builder / SimAI（工业级代理建模与降阶平台） DOE/优化平台（modeFRONTIER 等，用于批量生成训练数据）
ISO/IEC 22989（人工智能概念与术语） ASME V&V 20 类验证确认原则同样适用于 ML 代理模型的精度评估（尚无专用车用 AI 模型标准，行业规范仍在形成中） ISO/PAS 8800（道路车辆 AI 安全）——适用对象是车内实现安全相关功能的 AI 组件，配合 ISO 26262:2018 与 ISO 21448 使用（注意 ISO 26262:2018 正文只管安全相关 E/E 系统的失效行为，本身不含机器学习的专门要求——ML 相关内容要到在编的第 3 版才进正文，因此本课不得把 ISO 26262 当作 ML 代理模型本身的验收依据；中国对应件为推荐性的 GB/T 34590.1~.12-2022，2022-12-30 发布 / 2023-07-01 实施）；纯离线的 CAE 代理模型不在其直接适用范围，但代理模型一旦下车做实时/嵌入式部署（见本课「工程落地场景」一节）即落入其管辖，其「数据要求—模型性能不足论证—运行期监控」的论证框架也可作为设计阶段代理模型验收的参照思路
工程案例
某电池包液冷流道 CFD 一次要数十分钟，DOE 阶段需要成百上千个设计点。用几百个 CFD 结果训练代理模型预测流量均匀性和压降，评估时间压到毫秒级，支撑大规模优化搜索；上线前用训练集外的独立工况和实测数据外推验证，确认可信范围后才用。
动手做
交付物 · 用一批已有的 CFD 或台架 DOE 数据（无真实数据可用简化算例代替），① 训练代理模型预测某响应量（如压降/温升）；② 用独立测试集评估精度并画预测 vs 真值散点图；③ 实际算出外推检测三件套的三个量（逐维输入范围、最近邻距离/局部样本密度、预测方差）并各给一个阈值，据此圈定模型可信输入范围，再设计一条外推场景验证用例，检查这三个量是否真能报警。
常见误区
- 训练数据没覆盖实际会用到的设计/工况范围，模型在外推区间“自信地”给出错误预测
- 小数据集上用大网络，训练集拟合很好，独立测试集一验证就露馅
- 把代理模型的预测精度和物理仿真的精度混为一谈，直接拿去做安全相关判断
- 训练/测试集划分时有数据泄漏（如同一工况的不同参数化点混入两边），验证结果虚高
- 代理模型上线后没有持续监控，输入分布随新车型/新场景漂移后模型早已失效却无人察觉
相关课题