多保真度建模 — 故障排除指南
更丰富的内容请见 multi-fidelity.html。
故障排除
总结多保真度建模中的常见问题和对策。
1. 模型过拟合
请告诉我关于"模型过拟合"的信息！
症状：训练误差很小，但验证误差很大。对训练数据的过度拟合。
对策：添加正则化（L2、Dropout）、数据增强、交叉验证进行超参数调整。引入早期停止（Early Stopping）。
等等等等，多保真度模型，也就是说，这种情况也能用吗？
2. 预测精度不足
接下来讲预测精度不足，内容是什么呢？
症状：验证数据上的精度保持在R²<0.9，无法进行实用预测。
对策：重新审视特征工程、增加样本数量、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：损失函数振荡或发散，无法收敛。
对策：降低学习率或引入学习率调度器、添加批归一化、应用梯度裁剪。
等等等等，多保真度模型，也就是说，这种情况也能用吗？
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内存溢出（OOM）错误或学习时间超标。
对策：减少批量大小、使用混合精度学习（FP16）、模型并行化、引入梯度检查点。
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：数据增强（利用物理对称性）、主动学习进行高效数据采集、应用鲁棒学习方法。构建异常值检测和去除管道。
等等等等，多保真度模型，也就是说，这种情况也能用吗？
1. 学习不收敛
学习不收敛，具体是什么意思？
症状：损失函数持续振荡，或变为NaN/Inf
可能的原因：
- 学习率过高
- 数据归一化不当
- 网络过深（梯度消失/爆炸）
对策：
- 将学习率降低到1/10后重新尝试
- 检查输入和输出标准化（均值0、方差1）
- 引入梯度裁剪：
torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0) - 添加批归一化/层归一化
哇～多保真度模型的讨论太有趣了！请继续告诉我更多。
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（比例：0.1-0.5）
- 增加训练数据（追加模拟、数据增强）
- 降低模型复杂度（减少层数和神经元数）
- 严格化早期停止（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
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）
- 应用后处理进行物理修正
系统的调试步骤
老师，你也在多保真度建模中熬夜调试过吗？（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. 创建最小复现用例（简化形状和条件）
3. 用已知基准问题确认运行情况
4. 用前一版本确认运行（软件bug的可能性）
步骤2: 输入数据验证
请告诉我关于"步骤"的信息！
老师的解释清楚易懂！步骤的疑惑消除了。
步骤3: 逐步复杂化
请告诉我关于"步骤"的信息！
1. 最小配置（单个单元、简单形状）能得到解的确认
2. 逐步添加载荷和边界条件
3. 逐步引入非线性性
4. 确定问题出现的条件
步骤4: 结果合理性检查
接下来讲步骤，内容是什么呢？
常见问题（FAQ）
听说过"常见问题（FAQ）"，但可能没有完全理解…
Q: 计算无法完成时
接下来讲计算无法完成时，内容是什么呢？
A：首先检查内存使用情况。如果内存不足，切换到核外求解。若CPU负载低，可能是I/O瓶颈。
Q: 不同求解器结果不同时
不同求解器结果不同，具体是什么意思？
A：检查单元类型、积分方案、收敛判定标准的差异。注意网格转换的影响，进行同一条件下的比较。
哇～计算无法完成时的讨论太有趣了！请继续告诉我更多。
Q: 网格依赖性无法消除时
接下来讲网格依赖性无法消除时，内容是什么呢？
A：检查应力奇异点（缺口、角部）的存在。奇异点附近网格细分后值仍不收敛→应用子建模或应力线性化。
错误日志的读取方法
老师，你也在多保真度建模中熬夜调试过吗？（笑）
日志级别的分类
日志级别的分类，具体是什么意思？
| 级别 | 含义 | 对应措施 |
|---|---|---|
| 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） | 识别原因并修复 |
| FATAL | 致命错误（计算中断） | 必须修复 |
系统的故障排除方法
请告诉我关于"系统的故障排除"的信息！
5W1H分析：整理何时（When）、何处（Where）、何事（What）、何故（Why）、何人（Who）、如何（How）发生错误。
二分查找法：从正常运行的最小用例出发，逐步添加条件以查找问题所在。每一步只修改一个条件，明确原因。
明白了…日志级别的分类看似简单，实际上深度很大呢。
联系支持时的准备
联系支持时的准备，具体是什么意思？
掌握了多保真度建模的全貌！明天开始在实际工作中应用。
对，态度不错！亲手动手实践是最好的学习方式。有不懂的地方随时问我。
多保真度中"低保真反而成为累赘"——检测负转移学习
多保真度模型需要注意"负转移"现象。当低保真与高保真的相关性低时（ρ较小），添加低保真数据反而会降低代理的精度。例如，非常粗糙的FEM网格显示与实际物理现象完全不同的趋势。诊断方法：①分别为各保真度构建代理并比较预测精度，②监视Co-Kriging的ρ参数，若ρ < 0.5则怀疑低保真的附加效果。这两个步骤可有效确认。
AI×CAE仍是发展中领域。— Project NovaSolver探索机器学习与传统求解器融合的可能性。
与实务工作者共思CAE的未来
Project NovaSolver面对多保真度建模中的实务课题本质，与工程现场协力，致力于打造支撑工程的工具。
查看项目最新信息 →相关话题
价值
细节
错误