神经网络 — CAE术语解释

CAE中神经网络(NN)的主要用途是：①代理模型(FEM/CFD的高速替代)、②物理约束神经网络(PINN:将控制方程纳入损失函数)、③网格生成的自动化。其中①的代理模型应用最成熟。

Physics-Informed Neural Network的缩写，是将偏微分方程(PDE)的残差纳入NN损失函数进行训练的方法。无需网格即可求解，具有创新性。但目前与FEM相比，精度和速度上仍有局限，多数仍处于研究阶段。

用数百到数千个FEM结果训练深度学习模型，对未知参数的结果进行即时预测。不仅有设计变量→应力/位移的回归模型，也有输入图像(形状)→输出图像(应力等高线)这样的CNN方法。

在学习数据范围内通常能获得R²>0.95的精度。但范围外的外插预测很危险。可能输出物理上不可能的结果。因此必须用物理知识进行健全性检查——\"AI要会用\"的态度很重要。

可以从PyTorch的简单回归模型开始，用FEM数据进行训练练习。