代理模型 — CAE术语解释

正是代理模型（代理模型）能解决这样的问题。从数十到数百次模拟结果中，通过数学方法构建"输入参数→输出（变形量、能量吸收等）"的近似模型。代理模型的单次评估只需毫秒级，因此数万次优化循环也变得现实可行。

代表的有kriging（高斯过程回归）、RBF（径向基函数）、响应面法（RSM）、神经网络。Kriging 能同时输出预测值的不确定性，所以与 EGO（高效全局优化）的兼容性很好。

通过留一交叉验证和 R² 值检验。R² > 0.95 就表示精度实用，但在外推域精度没有保证，所以最优解必须用原始模拟进行验证，这是铁则。

最优化的形式化表达如下。代理模型是目标函数 c 的近似。

用实验设计（DoE）均衡分布。拉丁超立方采样（LHS）是标准方法。设计变量 5 个的话，50~100 个点是目标。用自适应采样在需要的区域增加采样点会更高效。

Kriging、响应面、DoE 这三个是代理模型的基础技术。

可以用 Python 的 SMT（代理建模工具箱）或 modeFRONTIER 从代理构建到优化全自动化。最优解是代理上的值，所以最后别忘了用原始计算来验证。