AI × CAE — 机器学习网格优化 — 文章目录
网格应该在哪里加密，本来要先计算误差指标（残差、恢复应力之差等）才能知道。机器学习自适应网格用从过去分析结果中学到的模型代替这种误差估计，从初始网格阶段就有针对性地加密应力集中部和边界层。由于可以减少自适应分析的迭代次数，能用更少的计算资源达到同样的精度。
《ML自适应网格细分化》一文讲解以几何特征量（曲率、圆角半径、到加载点的距离等）为输入、输出单元尺寸场的回归模型的构成。学习数据的质量直接决定细分质量，因此平时积累带误差指标的分析结果是实际运用的关键。
收录文章
- ML自适应网格细分化
机器学习自适应网格加密的实务指南：误差指示器学习·尺寸场直接预测·MARK策略强化学习这三条路线、GNN表示与训练数据设计、以 - 基于机器学习的自动网格生成
本文介绍了利用机器学习实现自动网格生成的技术。该方法通过分析几何特征，自动预测最优网格参数（如单元尺寸、分割数），从而替代依赖经验法则的传统流程，显著减轻分析人员的负担。文章探讨了其背后的数学模型与目标函数， - 基于图神经网络的网格处理
基于图神经网络的网格处理技术，用于CFD和结构分析中的网格优化与数值求解，涉及GNN算法与有限元网格处理。 - 网格质量预测模型
本文介绍了基于机器学习的CAE网格质量预测模型。该模型能够预先预测生成网格的关键质量指标，如长宽比和偏斜度，从而在仿真分析前主动识别并防止不良网格的产生。通过自动检测潜在缺陷并提供修正建议，