ML自适应网格细化 — 故障排除指南
更丰富的内容请访问 adaptive-refinement-ml.html。
故障排除
汇总ML自适应网格细化的常见问题和解决方法。
1. 模型过拟合
请告诉我关于「模型过拟合」的信息！
症状: 训练误差小，但验证误差大。出现过度拟合训练数据。
对策: 添加正则化（L2、Dropout）、数据扩充、交叉验证超参数调整。尽早停止(Early Stopping)的引入。
也就是说，如果在自适应网格细化处偷工减料，之后会后悔吧。我会牢记在心！
2. 预测精度不足
接下来是预测精度不足的话题。具体内容是什么？
症状: 验证数据上的精度保留在R²<0.9，难以进行实用预测。
对策: 重新审视特征工程、增加样本数、逐步提高模型复杂度、应用集成方法。
3. 学习不稳定
请告诉我关于「学习不稳定」的信息！
症状: 损失函数振荡、发散，无法收敛。
对策: 降低学习率或引入调度器、添加批量归一化、应用梯度剪切。
4. 计算资源不足
请告诉我关于「计算资源不足」的信息！
症状: GPU内存不足(OOM)错误或学习时间超时。
对策: 减小批次大小、混合精度学习(FP16)、模型并行化、梯度检查点引入。
5. 数据相关问题
请告诉我关于「数据相关问题」的信息！
症状: 训练数据不足、偏差、噪声导致模型性能下降。
对策: 数据扩充(利用物理对称性)、主动学习进行有效数据收集、鲁棒学习方法应用。构建异常值检测和去除管道。
也就是说，如果在自适应网格细化处偷工减料，之后会后悔吧。我会牢记在心！
1. 学习无法收敛
学习无法收敛具体是什么意思？
症状: 损失函数持续振荡，或变成NaN/Inf
可能原因:
- 学习率过高
- 数据正规化不当
- 网络过深（梯度消失/爆炸）
对策:
- 将学习率降低1/10后重试
- 确认输入/输出标准化（平均值0、方差1）
- 引入梯度剪切:
torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0) - 添加批量归一化/层归一化
2. 过拟合（训练误差低但验证误差高）
请告诉我关于「过拟合」的信息！
症状: 对训练数据的预测良好，但对未知数据的精度低
对策:
- 添加dropout层（比率: 0.1-0.5）
- 增加训练数据（额外仿真、数据扩充）
- 降低模型复杂度（减少层数、神经元数）
- 严格的尽早停止（Early Stopping）
3. 物理上不现实的预测
物理上不现实的预测具体是什么意思？
症状: 负浓度、能量不守恒等非物理输出
也就是说，如果在自适应网格细化处偷工减料，之后会后悔吧。我会牢记在心！
对策:
- 在损失函数中添加物理约束（PINN方法）
- 在输出层添加激活函数（ReLU用于非负约束等）
- 应用后处理物理修正
等等，在自适应网格细化方面也能使用吗？
系统化调试步骤
老师你在自适应网格细化上也熬过夜吗？（笑）
步骤1: 问题分类
步骤具体是什么意思？
1. 完整记录错误信息（保存日志文件）
2. 建立最小重现案例（简化形状·条件）
3. 已知基准问题的动作确认
4. 前一版本的动作确认（软件缺陷可能性）
步骤2: 输入数据验证
请告诉我关于「步骤」的信息！
老师的讲解很清楚！ 步骤的疑惑消散了。
步骤3: 逐步复杂化
请告诉我关于「步骤」的信息！
1. 最小配置（单一单元、简单形状）中验证能获得解
2. 逐步添加荷载/边界条件
3. 逐步引入非线性
4. 确定问题发生的条件
步骤4: 结果合理性确认
接下来是步骤的话题。具体内容是什么？
常见问题（FAQ）
我听说过「常见问题（FAQ）」，但可能理解得还不够…
Q: 计算无法完成时该怎么办？
接下来是计算无法完成时的话题。具体内容是什么？
A: 首先检查内存使用情况。内存不足时可切换至核外求解。CPU负荷低时需怀疑I/O瓶颈。
Q: 不同求解器结果不同时该怎么办？
不同求解器结果不同具体是什么意思？
A: 确认单元类型、积分方案、收敛判定标准的差异。比较相同条件时也要注意网格转换的影响。
哦～，计算无法完成时的话题特别有意思！ 请继续讲。
Q: 网格依赖性无法消除时该怎么办？
接下来是网格依赖性无法消除时的话题。具体内容是什么？
A: 确认应力奇点（缺口、角部）的存在。奇点附近即使细化网格也无法收敛数值→应用子模型或应力线性化。
错误日志读取方法
老师你在自适应网格细化上也熬过夜吗？（笑）
日志等级分类
日志等级分类具体是什么意思？
| 等级 | 含义 | 应对 |
|---|---|---|
| INFO | 信息消息 | 通常可忽略 |
| WARNING | 警告（计算继续） | 确认原因，必要时处理 |
| ERROR | 错误（计算可能继续） | 确定原因并修正 |
| FATAL | 致命错误（计算中断） | 必须修正 |
系统化故障排除方法
请告诉我关于「系统化故障排除」的信息！
5W1H分析: 整理何时（When）、何处（Where）、何物（What）、何故（Why）、何人（Who）、如何（How）发生错误的信息。
二分查找法: 从正常运行的最小案例出发，逐步添加条件定位问题。每一步仅做一个改变，切分原因。
我明白了…日志等级分类看似简单，但其实深度很大呢。
联系技术支持前的准备
联系技术支持前的准备具体是什么意思？
很好，保持这个节奏！ 实际动手是最好的学习方法。有不懂的地方随时可以来问。
细化「停不下来」——AMR无限循环和内存爆炸
实际运行ML自适应网格细化时最常见的一个问题就是「细化停不下来」。模型持续判断「还是太粗」，最后要素数指数级增长，几小时后因内存不足作业失败。原因往往是误差估计器阈值设置和细化上限控制同时忘记了。无论ZZ估计器还是ML，都需要设定「相对误差低于 X% 时停止细化」的收敛条件，同时设定「最大要素数上限（如500万）超过时强制停止」的双重防护。另一个问题是「细化后的网格连续性」。四面体细化后相邻单元的接续崩溃会导致求解器无法正确处理边界条件。Conformal refinement（不使用hanging node的手法）实现比较麻烦，但对稳定性至关重要。
AI×CAE仍是新兴领域。 — Project NovaSolver致力于探索机械学习与传统求解器融合的可能性。
在ML自适应网格细化实务中遇到的课题请告诉我们
Project NovaSolver关注CAE工程师每日面临的课题——设置的复杂性、计算成本、结果解释——并力求解决。你的实务经验将成为开发更好工具的原动力。
联系我们（准备中）相关主题
有帮助
更详细
错误