AI × CAE — 数据驱动仿真 — 文章目录
数据驱动仿真是一种以分析结果和实测数据本身为学习对象、不经物理模型直接进行趋势提取、异常检测与预测的方法。传统CAE是“求解方程来预测行为”，而这种方法是“从积累的分析与测量数据中发现规律”，两者是互补关系。在设计方案多达数千个的量产设计、或传感器数据持续流入的运行监控中，用机器学习先大致定位，比对所有工况做完整分析要快得多。
《CAE数据异常检测》一文讲解如何用One-Class SVM或自编码器，从分析结果数据库中自动找出濒临发散的解或由边界条件错误引起的异常值。把异常检测作为质量关卡纳入CAE自动化流水线效果显著，可以弥补人工审查的遗漏。
收录文章
- CAE数据异常检测
这正是CAE数据异常检测的领域。从大量仿真结果和实测数据中自动检出偏离正常模式的行为。使用自编码器（Autoencoder）和隔离森林（Isolation Forest）等机器学习算法，捕捉人眼容易忽略的微妙异常。 - 数据同化手法
数据同化是指将模拟预测与观测数据进行统计最优融合，提高状态估计精度的手法。在天气预报中，通过融合大气模型与观测点数据来提高预报精度；在CAE中，可以将传感器数据与有限元模拟相结合，实时估计结构物的当前状态。 - 数字孪生与机器学习
数字孪生是指将实世界物理系统的虚拟副本构建为仿真模型，通过与传感器数据的同步来实时监测和预测系统状态的技术。将CAE物理模型与机器学习相结合，可以实现高速预测和自适应更新。关键区别在于它是 - 机器学习不确定性量化
在CAE中使用ML代理模型时，不仅要输出预测值，还要同时输出「该预测的可信度」。不确定性量化(UQ)是为预测添加置信区间的技术，确保决策的可靠性。因为安全系数的设置和规格合规判定需要的不仅是预测值，还需要误差范围。