众所周知，CAD用于设计产品，CAE用于测试和模拟。

    计算机辅助工程(CAE)是一种工具，它通过对要分析的现象应用偏微分方程的离散解来支持找到结果。

    CAE减少了设计错误的可能性，用户避免了过度设计，并且可以研究更改产品上几个参数的效果。

    CAE在产品开发过程和PEA中的未来

    尽管CAE在验证，故障排除和分析工具方面享有很高的声誉，但仍然有人认为足够准确的结果会在设计周期的后期出现，从而真正推动了设计。 智能系统导致对包括控制和包含新材料在内的多物理场分析的需求增加，而工程师通常对此不太熟悉。

    通过集成机器学习，我们可以确保更好地利用计算机资源，并在事物的预处理和后处理方面包括基于ML的优化，从而促进强大的问题解决。 我们的产品可以更好地将CAE集成到整个产品生命周期管理中。 这样，我们允许将仿真与即将推出的新产品用例相连接，这对于智能产品而言是必须的。 这种增强的工程过程也称为预测工程分析。

    预测工程分析(PEA)是对模拟和测试流程的改进，以改善处理不同应用程序的分析团队之间的协作。

    CAE中机器学习的一个非常基本的示例

    机器学习系统基于对过去经验的学习，可以提高现有系统的性能。

    考虑一个设计系统，该系统使用一组方程式提出汽车保险杠横梁的尺寸。 程序使用设计人员提供的输入数据输出光束尺寸。 例如，如果从美学的角度来看跨度与深度的比率不令人满意，则设计人员必须手动进行修改。 大多数常规程序都没有提供处理反馈的机制。 因此，无论设计人员拒绝设计多少次，设计程序都会继续为相同的输入建议相同的尺寸。

    如果CAE软件要求用户提供有关生成的模拟的反馈怎么办？ 该代码概括并适应了已发现的弱点，并且通过将这种经验纳入其机器学习核心中，系统可以避免将来出现类似的弱输出。 反过来， 提高性能。

    这是ML算法如何学习其弱点以在以后提供更强大，更好的CAE仿真的一种简单方法。

   弥合机器学习和CAE之间的差距——机器学习的重要性。

    创新的设计支持系统(DSS)与决策支持系统相似，可用于基于异构输入参数对机器规格数据(例如机器几何形状和机器设计)进行预测和估计。 有效的设计支持系统可以增强设计过程，从而改善设计产品。

    机器学习算法能够通过学习，关联和解释代表产品特性的数据库参数来提出产品或服务的新可能版本的特性。

    基于机器学习的仿真系统能够分析各种类型的数据：连续变量，离散变量和非数值类。 此功能使这些工具优于其他工具(例如，在数学基础上进行操作)，功能更强大并且可以提供更广泛和完整的解决方案。 基于机器学习的系统可以在每次插入新数据时重新训练模型，从而随着时间的推移优化和完善预测能力。

   与传统的设计流程相比， 机器学习辅助的SDM可以节省大量的时间和成本 ，而经典的设计流程则需要设计师进行计算和仿真以选择特定的产品。

    机器学习可以分为两种：监督学习(我们知道预期的输出标签)，监督学习(自主数据排列和聚类)。

https://www.scale.eu/en/news/Publications/2019/application-of-machine-learning-techniques-through-simulation-data-management-sdm https://www.scale.eu/zh/news/Publications/2019/application-of-machine-learning-techniques-through-simulation-data-management-sdm

https://www.scale.eu/en/news/Publications/2019/application-of-machine-learning-techniques-through-simulation-data-management-sdm https://www.scale.eu/zh/news/Publications/2019/application-of-machine-learning-techniques-through-simulation-data-management-sdm

https://www.scale.eu/en/news/Publications/2019/application-of-machine-learning-techniques-through-simulation-data-management-sdm https://www.scale.eu/zh/news/Publications/2019/application-of-machine-learning-techniques-through-simulation-data-management-sdm

    从上图中可以清楚地看到ML和SDM之间的关系。

    在SDM系统中实现基于ML的助手所面临的挑战

• 捕获数据之间的关系

• 收集用户的相关数据
•  

    结论：机器学习将有助于进一步自动化SDM系统中的任务。

https://simulatemore.mscsoftware.com/shaping-smarter-simulation-with-artificial-intelligence/ https://simulatemore.mscsoftware.com/shaping-smarter-simulation-with-artificial-intelligence/

 

    机器学习和模拟具有相似的目标：通过数据分析和数学建模来预测系统的行为。

 

    经典的模拟计算无法处理数据的可用维数

 

    开发混合建模方法的关键挑战是弥合两个单独社区之间的知识鸿沟，这两个社区大多数是机器学习专家或仿真专家

    为什么要在仿真中使用机器学习？

 

    “ 仿真结果并未得到充分利用 ：尤其是在工业实践中，基于专家设计的感​​兴趣数量，以非常具体的分析目标运行仿真。 这忽略了模拟结果可能揭示更多的模式和规律性，这可能与当前的分析目标无关，但在其他情况下很有用。 这里可以使用机器学习。”

 

    “ 选择性代理建模：即使使用了现代机器学习方法，替代模型也会为非常特定的目的而构建，何时以及在何处使用代理模型的决策留给领域专家。 通过这种方式，很少利用相似的基础系统可能导致相似的替代模型，因此，尽管可以转移部分学习的替代模型，但运行太多昂贵的高保真模拟来生成数据基础。

 

    参数研究和仿真引擎：参数和设计研究是许多工程领域中公认的工具。 令人惊讶的是，进行这些研究和建立替代模型的框架是与核心仿真引擎分离的第三方解决方案。 对于参数研究框架，模拟引擎是一个黑匣子，它不知道它当前用于参数研究。 反过来，在参数空间中生成采样点的标准规则并不了解模拟引擎的内部。 这就提出了一个问题，即可以进行多少次更有效的参数研究，以使两个软件系统之间的连接更牢固。

     一种 学习仿真引擎是一个混合系统，结合机器学习和仿真以最佳的方式。 这样的引擎可以自动决定何时和何处应用学习的代理模型或高保真模拟。

 

    机器学习是一种自下而上的方法，可生成基于数据的归纳模型，而模拟则是自上而下的方法，可应用基于知识的演绎模型。

    机器学习和仿真的高级配对符合工业4.0的目标。

     结束—阅读和参考： (THE END — Readings and References:)