仿真治理

这是一个很大的误解。治理的本质是「流程透明性和结果可重现性」的保证。例如，汽车制造商在碰撞安全评估中使用的材料屈服应力，应该使用JIS G 3135 SPFC590这样的规格值，还是自公司试验的统计最小值？这一选择会大幅改变结果。治理就是将这个判断根据和决定流程文档化，使得谁、何时、为什么选择了这个值都能追踪。

不只是这样。硬件（CPU架构）、软件（Abaqus 2022 HF3 vs 2023）、求解器设置（并行处理线程数、内存分配）改变时，舍入误差的累积会导致结果微妙变化。例如，Intel CPU和AMD CPU上，迭代求解器的收敛历史会不同，最大应力可能变化0.5%左右，这并不少见。治理把计算环境的「配置」本身作为管理对象，要求在变更时进行影响评估。

单独来看没问题，但在评估设计变更效果时，这0.5%的「噪声」会导致很难判断是真实的改进效果还是计算误差。特别是在疲劳寿命预测中，应力振幅的微小变化会指数级地影响寿命。ASME V&V 20等治理框架规定了验证和妥当性确认的流程，要求量化这种数值不确定性。

远远不够。最低限度需要将以下元数据关联起来管理：1）计算目的和要求精度（例：概念设计比较 or 认证用最终验证），2）物理模型及其假设（例：线性静解析、不考虑几何非线性），3）材料数据的出处（规格号、试样ID），4）边界条件的根据（实验数据文件名），5）网格信息（单元数、类型、质量指标最小值），6）求解器设置（求解算法、收敛判定阈值），7）计算环境（OS、软件版本、许可信息）。

必须的。例如，四面体单元的歪斜率(Skewness)超过0.9时，结果的局部误差可能超过10%。Ansys Mechanical可以用「Mesh Metric」追踪这个。治理方针要规定「最大歪斜率不超过0.7」，并记录通过检查的事实。这就成了日后「网格依赖性已调查」的重要证据。

因行业和分析类别而异。非线性结构分析中，要看力残差范数和位移增量范数两个。Abaqus/Standard的默认值是力残差为平均时间步力的0.5%，但精密的接触分析可能要收严到0.1%。关键是基于根据选择这个阈值，对同一类分析一致应用。如果把阈值从0.5%改松到1%，迭代次数会减少，但能量误差可能超过许可范围。

关键是「检查单自动化」和「关卡审查」。例如，Siemens Simcenter 3D或Ansys Workbench中，可把分析模板和自定义脚本嵌入其中，启动时自动检查网格质量或材料数据输入是否完整。某航空企业基于NAFEMS和ASME指南制定了社内检查单，按设计阶段（概念、详细、验证）规定了必需的验证项目。详细设计阶段必须提交网格敏感性分析结果才能通过关卡。

确实如此，不可能对所有部件都做。所以规定对相似形状、相似荷载条件的部件组，制定代表性的「已验证网格设置」。例如，「板厚5mm以下、有集中荷载的支架，单元大小1mm、用实体单元、板厚方向3层以上」这样的规则。新设计如果偏离这个规则，才要求重新做敏感性分析。这就是治理的大优势——「知识复用」。

通常由资深CAE工程师担任「技术批准人」。他不仅看数值本身，还要检查使用的模型假设是否符合设计问题(Design Query)的意图、是否正确应用了规格要求的安全系数。例如，在ISO 13849要求的性能等级(PL)的故障率计算中，确认仿真得到的应力与哪个置信区间（90%？95%？）的材料强度进行比较。这个批准记录日后在产品责任问题上会是重要防御资料。

有，但各厂商方法差异很大。Ansys推行「Minerva」或「ModelCenter」等生命周期管理(ALM)工具与Workbench联动，追踪整个工作流的执行历史和决策。而Dassault Systèmes在「3DEXPERIENCE」平台上统一管理CATIA、SIMULIA（Abaqus）数据，把变更历史和批准流作为PLM（产品生命周期管理）的一部分。

Abaqus/CAE本身没有「模型哈希」这样的功能。为了可重现性，需要把.cae、.inp、.jnl文件全部提交到版本管理系统（Git或SVN）。不过Python脚本的操作历史（.jnl文件）是重现操作的宝贵记录。相比之下，COMSOL Multiphysics有「模型哈希」功能，能确认模型配置是否字节级完全相同，在可重现性管理上更先进。

计算科学领域发展出的「Research Object」或「ESGF（Earth System Grid Federation）」思想很有参考价值。代码用Git管理，输入数据和计算环境用Docker容器，参数和结果元数据用专门数据库管理。具体来说，每次计算分配唯一ID（UUID），将代码提交哈希、Docker镜像摘要、输入文件哈希值全部关联到这个ID上记录。这样数年后也能完全重现同一个计算。

要把「工作」转换为「未来风险缓解成本」来解释。举个具体例子：某企业发生5年前产品的缺陷调查。当时的分析担当已离职，只有输入文件留下来，但不知道用的材料数据是哪个版本，也无法重新计算。最后花了3个月和500万日元用实验重新验证。如果治理完善的话，从元数据就能确定材料数据表（Revision B），几天内就能重新计算。初期投资比这种「调查用无用重复实验」的成本便宜。

别急于完美，要从「前向治理」开始。也就是说，从新项目开始应用。对于历史资产，优先恢复「成为重要判断根据的分析」的元数据。例如，提交给产品认证机构（如汽车的VSCC、飞机的FAA）的分析报告中的案例。最低限度，把报告中记载的内容（模型概要、边界条件、主要结果）结构化为数据库中的数据，链接到原始文件。这样搜索性能就会大幅提升。

要设立「治理委员会」之类的横断组织，定期（比如每季度）进行审视。触发因素有：新规格发布（ISO或AECM改订）、重大仿真失败事例的发生、新求解器技术导入（例如Ansys的「Morino」之类的AI加速求解器）等。方针应该是活的文件。例如，「默认收敛判定阈值」如果求解器升版后精度提升了，就有修改的余地。但变更时一定要用新旧方针对比验证。

「这是文化而非工具」的认识。再贵的PLM系统，输入敷衍的话也只能产生垃圾。反过来，用简单的共享文件夹和检查单，如果团队理解其价值、互相检查，效果就很大。好的开始是每周团队会议上讨论某人的一个分析案例，对模型假设和边界条件根据进行头脑风暴。这样能培养「接受技术批评不是丢脸」的心理安全感。