神经网络型代理模型 — 故障排除指南
更充实的内容请参阅 neural-network-surrogate.html。
故障排除
神经网络型代理模型常见问题与解决方法总结。
1. 模型过学习
请介绍一下"模型过学习"！
症状：训练误差小但验证误差大。训练数据过度拟合现象。
对策：添加正则化（L2、Dropout）、数据增强、通过交叉验证调整超参数。引入早期停止（Early Stopping）。
啊，原来是这样！神经网络就是这个原理啊。
2. 预测精度不足
接下来讲预测精度不足的内容，对吧？是什么意思呢？
症状：验证数据上的精度停留在R²<0.9，实际预测困难。
对策：重新进行特征工程、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
请介绍一下"学习不稳定"！
症状：损失函数振荡、发散，无法收敛。
对策：降低学习率或引入学习率调度器、添加批量正规化、应用梯度裁剪。
那么神经网络建成的话，基本上就没问题了吧？
4. 计算资源不足
请介绍一下"计算资源不足"！
症状：GPU内存不足（OOM）错误或学习时间超限。
对策：减少批大小、混合精度学习（FP16）、模型并行化、梯度检查点技术。
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，或出现NaN/Inf
等等，我理解神经网络，也就是说这种情况下也能用吗？
考虑的原因：
- 学习率过高
- 数据标准化不合适
- 网络过深（梯度消失/爆炸）
对策：
- 将学习率降低1/10后重试
- 检查输入输出标准化（均值0、方差1）
- 引入梯度裁剪：
torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0) - 添加批量正规化/层正规化
2. 过学习（训练误差低但验证误差高）
请介绍一下"过学习"！
症状：对训练数据预测良好，但在未知数据上精度下降
对策：
- 添加Dropout层（比率：0.1-0.5）
- 增加训练数据（额外模拟、数据增强）
- 降低模型复杂度（减少层数和神经元）
- 严格实施早期停止（Early Stopping）
哇，神经网络的讨论太有趣了！请继续讲！
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、能量非守恒等非物理输出
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（用ReLU实现非负约束等）
- 后处理中应用物理修正
系统化调试步骤
老师您也对神经网络型代理模型通宵调试过吗？（笑）
步骤1：问题分离
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. 创建最小重现案例（简化形状和条件）
3. 通过已知基准问题验证运行
4. 用前一版本验证（检查软件bug的可能）
步骤2：输入数据验证
请介绍一下"步骤"！
老师的解释很清楚！步骤的疑惑消除了。
步骤3：逐步复杂化
请介绍一下"步骤"！
1. 确认最小配置（单元素、简单形状）能得到解
2. 逐步添加荷载/边界条件
3. 逐步引入非线性
4. 确定问题出现的条件
步骤4：结果有效性确认
接下来讲步骤的内容，对吧？是什么意思呢？
常见问题（FAQ）
我听说过"常见问题（FAQ）"这个词，但可能没有真正理解…
Q：计算无法完成时
接下来讲计算无法完成时的内容，对吧？是什么意思呢？
A：首先检查内存使用情况。内存不足时切换为核外求解法。CPU负荷低时要注意I/O是否成为瓶颈。
Q：不同求解器结果不一致时
不同求解器结果不一致具体是什么意思？
A：检查单元类型、积分方案、收敛判定标准的差异。对比时还要注意网格转换的影响。
哇，计算无法完成时的讨论太有趣了！请继续讲！
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的内容，对吧？是什么意思呢？
A：检查应力奇点（缺口、角部）的存在。奇点附近即使网格细分，数值也无法收敛→应用子模型法或应力线性化。
错误日志的阅读
老师您也对神经网络型代理模型通宵调试过吗？（笑）
日志级别分类
日志级别分类具体是什么意思？
| 级别 | 意义 | 对应 |
|---|---|---|
| INFO | 信息消息 | 通常可以忽略 |
| WARNING | 警告（计算继续进行） | 检查原因，必要时处理 |
| ERROR | 错误（计算在某些情况下可继续） | 查明原因并修正 |
| FATAL | 致命错误（计算中止） | 必须修正 |
系统化故障排除方法
请介绍一下"系统化故障排除"！
5W1H分析：何时（When）、何地（Where）、何事（What）、何因（Why）、谁（Who）、如何（How）发生错误的整理。
二分查找法：从正常运行的最小案例出发，逐步增加条件来确定问题位置。每一步只做一个变更，便于分离原因。
原来日志级别分类看似简单，其实内涵很深啊。
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？
哎呀，神经网络型代理模型原来这么深奥啊…不过听了老师的讲解，基本上理清头绪了！
嗯，进展不错呢！实际动手操作才是最好的学习方式。有不明白的地方随时问我。
NN代理模型"仅某一设计点大幅失准"的陷阱——离群值与批量正规化的深坑
在NN代理模型验证中，常常看到"总体平均误差小，但某个设计点误差大10倍以上"的情况。主要原因有三个：①设计点位于训练数据聚类边界附近（接近外推的插值）、②响应急剧变化的区域（共振点、座屈荷载等）网络补间不了、③批量正规化的统计量被少数离群值数据影响。通过划分设计空间并逐个区域计算RMSE，问题位置会更容易找到。
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带来的可能性。
请分享您在神经网络型代理模型实务中遇到的课题
Project NovaSolver旨在解决CAE工程师日常面临的问题——设置的繁琐、计算成本、结果解释——。您的实务经验将成为开发更优工具的原动力。
联系我们（筹备中）相关主题
更多细节
报告