AI × CAE — 代理模型 — 文章目录

代理模型是用廉价的统计模型近似高成本CAE分析的输入输出关系，使设计探索、灵敏度分析和不确定性量化快上几个数量级的技术。从几十到几百个分析结果（用试验设计采样）构建响应面，此后用模型的评估代替分析。它不擅长外推，在训练范围之外会默默给出错误的值，这是最大的陷阱，可以说适用范围的管理就是质量的全部。

《高斯过程回归代理模型》一文以能同时给出预测值和预测方差（不确定程度）的高斯过程回归（Kriging）为中心，讲解核函数选择、超参数估计到逐次采样（自适应采样）的实务步骤。预测方差也直接关系到贝叶斯优化的采集函数，是这一领域的核心概念。

收录文章

贝叶斯优化
贝叶斯优化：基于高斯过程的CAE仿真黑盒优化方法，用采集函数高效探索设计空间，少次数评估达到全局最优，适用参数优化和设计空间搜索。
高斯过程回归代理模型
高斯过程回归代理模型详解，融合数据驱动与物理建模，替代高成本CAE计算并改善效率与精度的权衡，提供预测值及其不确定性的同步估计。
多保真度建模
本文介绍CAE仿真中的多保真度建模框架，它通过整合不同精度与成本的仿真数据，以少量高保真结果构建高精度代理模型。重点分析其代表方法Co-Kriging的数学原理与实际意义，帮助工程师在保证精度的同时有效控制计算成本，
神经网络型代理模型
神经网络型代理模型的理论到实现。通过DNN进行CAE输入输出近似，实现非线性映射学习和实时预测。机器学习代理模型。
多项式混沌展开(PCE)
把多项式混沌展开看作
降阶模型(ROM)
CAE降阶模型（ROM）实务指南：由快照矩阵做本征正交分解（POD）、奇异值衰减决定ROM能否成立、投影型（Galerkin）与数据驱动型（算子推断·DMD）的分工、用DEIM超降阶才真正拿到加速、Galerkin投影的…
通过迁移学习加速CAE
通过迁移学习加速CAE的理论与实现方法。缩短有限元法和数值计算的处理时间，提高结构分析和流体分析的效率的技术。