仿真实验数据堆积不会用？让CFD机器学习实现特征提取、模型训练与智能预测

仿真圈

2月前浏览859

关注

 

作者 | 力学AI有限元  仿真秀专栏作者

首发 | 仿真秀App

很多人第一次听神经网络，容易卡在一堆名词上：输入层、隐藏层、权重、偏置、激活函数、多层感知机……听起来都懂，真正让自己搭一个模型时，又不知道从哪一步开始。

这在我的仿真秀官网的视频课程《OpenFoam和AI机器学习14讲：使用人工智能建立流体力学中的数据驱动模型》中就有详细讲解。这节内容的价值就在这里：它不是把神经网络讲成玄学，也不是一上来就堆公式，而是先用生活化例子解释神经网络的工作逻辑，再逐步过渡到感知机、多层感知机以及深度学习中的距离与相似度概念。

下面这篇推文按“案例建模流程”重新整理：从输入怎么定义、网络结构怎么搭、权重和偏置怎么理解，到 MLP 如何用于流体力学数据预测，尽量让读者看完之后知道这门课到底能学到什么、怎么跟着做。

图1 用“烘焙蛋糕”的生活例子解释神经网络：输入层、隐藏层、输出层和反馈学习过程

01    

这节课到底讲了什么？    

视频内容主要围绕三个层次展开。

• 第一层是神经网络的直观理解。用厨师烘焙蛋糕的例子说明：五感接收信息类似输入层，大脑综合判断类似隐藏层，最终做出蛋糕类似输出层；如果结果不理想，再调整配方和烤箱参数，这个过程就对应模型训练中的反馈和学习。
• 第二层是感知机与多层感知机。单层感知机通过输入、权重、偏置和激活函数完成二分类判断；多层感知机则在输入层和输出层之间加入隐藏层，使模型能够学习更复杂的非线性关系。
• 第三层是深度学习基础概念。视频后半部分引入向量距离与相似度，包括欧氏距离、余弦相似度和曼哈顿距离，用于理解样本之间“像不像”“差多少”，这对分类、聚类、检索和特征分析都很重要。

如果把这节课放到工程仿真的学习体系里，它的意义不是替代有限元，而是帮助学习者理解：当我们有大量仿真或实验数据时，如何把数据变成特征，把特征送入模型，再通过训练得到一个可以预测、分类或辅助判断的机器学习模型。

02    

建模第一步：先把“输入层、隐藏层、输出层”说清楚    

做神经网络建模，第一步不是急着写代码，而是先把问题拆清楚。模型到底接收什么？中间要学习什么？最后输出什么？这三个问题对应的就是输入层、隐藏层和输出层。

以视频里的烘焙例子来看：配料数量、温度、时间、口感反馈等信息，就是输入层；厨师基于经验做出的综合判断，就是隐藏层；最后得到蛋糕是否满意，就是输出层。

迁移到工程数据里也是一样。比如要做一个流体力学预测模型，可以把速度、压力、坐标、雷诺数、边界条件、几何参数等作为输入，把流场类别、阻力系数、升力系数、局部速度或压力预测值作为输出。隐藏层则负责学习这些输入变量与输出目标之间的复杂关系。

图2 猫狗识别示意：输入特征经过隐藏层逐级处理，最终输出分类结果

03    

案例建模流程：从一个最小神经网络开始搭    

如果要让初学者真正上手，建议先不要一开始就搭很深的网络，而是先完成一个“最小闭环”：输入数据 - 线性加权 - 激活函数 - 输出结果 - 根据误差调整参数。

这个最小闭环，其实就是感知机。视频中给出的单层感知机结构非常适合入门：左侧是多个输入变量 x1、x2、x3……xn，每个输入对应一个权重 w1、w2、w3……wn，再加上偏置 b，经过线性加权求和之后，送入激活函数，最后输出分类结果。

实际建模时可以按下面这个顺序做：

• 确定输入变量：例如流体问题中的速度、压力、密度、黏度、坐标位置、边界条件参数等。
• 确定输出目标：如果是分类问题，可以输出“层流/湍流”“稳定/不稳定”；如果是回归问题，可以输出阻力系数、升力系数或某个位置的压力值。
• 建立输入矩阵：每一行是一个样本，每一列是一个特征，保证所有样本的单位和量纲一致。
• 进行归一化处理：速度、压力、长度尺度如果数量级差别太大，模型训练会很不稳定。
• 设置权重和偏置：初始值可以随机给定，训练过程会不断更新。
• 选择激活函数：二分类可先理解为阶跃函数或 sign 函数，后续实际训练常用 Sigmoid、Tanh 或 ReLU。

图3 单层感知机：输入向量经过线性加权求和，再通过激活函数输出分类结果

04    

从感知机升级到 MLP：隐藏层不是摆设，是用来学非线性的    

单层感知机可以理解为一个线性分类器，它能解决简单的二分类问题，但面对真实工程数据时通常不够用。流体力学、结构响应、材料参数识别这类问题，输入和输出之间大多不是简单直线关系。

这时候就需要多层感知机，也就是 MLP。MLP 的核心变化是：在输入层和输出层之间增加一个或多个隐藏层，每一层由多个神经元组成，相邻层之间通常采用全连接。

视频中给出的 MLP 例子中，输入层有 4 个输入，输出层有 3 个输出，中间隐藏层包含 5 个隐藏单元。它的建模逻辑可以拆成三步：

• 输入层只负责接收数据，不做复杂计算。比如 x1 到 x4 可以对应不同的流体力学特征量。
• 隐藏层负责提取组合特征。每个隐藏单元都接收上一层全部输入，通过“权重 - 偏置 - 激活函数”得到新的特征表达。
• 输出层负责给出最终预测。根据任务不同，输出可以是类别概率，也可以是连续物理量。

这里最容易踩的坑是：不要觉得隐藏层越多越好。对于初学案例，先用 1 到 2 个隐藏层跑通流程更稳。模型复杂度应该跟数据量、特征质量和任务难度匹配。数据很少时盲目加深网络，往往不是提升精度，而是把模型训练成“背答案”。

图4 多层感知机结构：输入层、隐藏层、输出层之间形成全连接，用于学习更复杂的非线性关系。

05    

训练过程怎么讲清楚：别只说“模型会自己学习”    

推文里如果只写“神经网络可以自动学习”，读者其实不容易信服。更好的写法是把训练过程讲成几个可操作环节。

• 前向传播：把输入数据送进网络，逐层计算，得到预测值。
• 计算误差：预测值和真实标签之间会有差距，分类任务常用交叉熵，回归任务常用均方误差。
• 反向传播：根据误差反推每个权重和偏置应该怎么调整。
• 参数更新：通过优化器更新网络参数，常见方法有梯度下降、Adam 等。
• 重复迭代：多轮训练之后，模型逐渐学到输入和输出之间的关系。

对于工程学习者来说，训练过程最重要的不是记住术语，而是知道每一步对应什么操作：数据送进去，结果算出来，误差算出来，参数改一轮，再继续。这个闭环跑通之后，再去理解更复杂的网络结构就会轻松很多。

06    

深度学习基础：向量距离和相似度为什么要讲？    

视频后半部分讲到欧氏距离、余弦相似度和曼哈顿距离。很多人觉得这部分和神经网络关系不大，其实它是理解特征空间的基础。

模型训练前，我们通常会把一个样本表示成一个向量。例如一个流体样本可以写成：速度、压力、温度、坐标、雷诺数等特征组成的向量。两个样本之间是否相似，就可以通过距离或相似度来衡量。

• 欧氏距离关注两个点之间的直线距离，适合衡量数值差异。
• 余弦相似度关注方向是否一致，不太受向量长度影响，常用于高维特征比较。
• 曼哈顿距离关注各维度绝对差值之和，适合某些网格路径或分量差异累计问题。

在实际建模中，这些概念可以帮助我们判断数据分布、样本差异、特征是否有效，也能帮助解释为什么某些样本容易被模型分错。

图5 深度学习基础：欧氏距离、余弦相似度和曼哈顿距离，用于衡量样本向量之间的差异或相似程度。

07    

如果把这节课变成一个实操案例，可以怎么做？    

为了让课程更像“能跟着做”的实操内容，可以把神经网络讲解落到一个小案例上。比如：基于流体力学数据的状态分类或参数预测。

一个完整案例可以这样设计：

• 准备数据：整理若干组流体仿真或实验数据，每组数据包含输入特征和对应结果。
• 定义输入层：例如输入 4 个特征，分别是流速、压力、几何尺寸和雷诺数。
• 定义输出层：如果做分类，输出层可以对应不同流动状态；如果做回归，输出层可以输出阻力系数或压力响应。
• 搭建 MLP：先用一层隐藏层，设置 5 到 20 个神经元，跑通训练流程后再调结构。
• 训练模型：划分训练集和验证集，设置学习率、训练轮数和批量大小。
• 查看结果：不仅看最终准确率或误差，也要看训练曲线、验证曲线和典型样本预测情况。
• 调整模型：如果训练集很好、验证集很差，说明可能过拟合；如果两者都很差，可能是特征不足、模型太弱或数据质量有问题。

08    

建模注意事项：这几个坑一定要提前讲    

这类课程最能打动读者的地方，不是说“神经网络很强”，而是把真实建模中容易出错的地方讲出来。

• 输入特征必须先整理干净。缺失值、异常值、单位混乱、量纲差异过大，都会直接影响训练结果。
• 数据集划分不能随便。训练集、验证集和测试集要分开，不能把测试数据提前泄漏到训练过程里。
• 不要盲目堆网络层数。MLP 的隐藏层和神经元数量需要逐步调整，先小模型，再大模型。
• 激活函数要匹配任务。隐藏层常用 ReLU 或 Tanh；输出层则要根据分类或回归任务选择。
• 归一化非常关键。工程数据中不同变量的数量级差别很大，不归一化会导致训练慢、震荡甚至不收敛。
• 结果不能只看一张指标表。需要结合误差曲线、预测散点图、典型样本和物理合理性一起判断。
• 工程问题要有物理意识。机器学习可以拟合数据，但不能替代基本力学判断。预测结果如果违背基本物理规律，就要回头检查数据、特征和模型设置。

09    

这门课真正能学到什么？    

这节内容适合放在“机器学习与工程仿真结合”的入门位置。它不是直接把人带进复杂代码，而是先让学习者明白神经网络的结构逻辑，再知道如何把一个工程问题拆成输入、隐藏计算和输出。

学完之后，至少能建立三个基本能力：

• 能看懂神经网络结构图，知道输入层、隐藏层、输出层分别承担什么作用。
• 能理解感知机的基本计算流程，知道权重、偏置、激活函数和输出结果之间的关系。
• 能把一个简单工程问题整理成 MLP 建模流程，知道数据准备、结构搭建、训练验证和结果判断应该怎么走。

对于后续学习 PINN、代理模型、流体预测、结构参数识别、材料性能预测等内容来说，这一节相当于打地基。地基清楚了，后面再学复杂网络、调参方法和工程应用，就不会只是照着代码跑，而是知道每一步为什么这么做。

强烈推荐朋友订阅我的课程《OpenFoam和AI机器学习14讲：使用人工智能建立流体力学中的数据驱动模型》

限时特价（限10名）

券后价：499元（价值：699元 ）

可回放，开发票，奖学金，加餐

讲师提供vip交流群/答疑/相关学习资料

【Ai+CAE好课】OpenFoam和AI机器学习14讲：使用人工智能建立流体力学中的数据驱动模型_OpenFOAM_化学-仿真秀视频课程

以下是课程大纲

其中机器学习的过程分为五个阶段：

（1）确定和形成模型的问题，

（2）收集和管理训练数据以训练模型

（3）选择表示模型的架构

（4）设计损失函数以评估模型的性能

（5）选择和实现优化算法以训练模型。

在每个阶段，我们都会讨论如何将先验物理知识嵌入到过程中，并举例说明流体力学领域的具体例子。以下是我课程安排：

第一部分、经典流体力学与OPENFOAM入门

（1）经典流体力学

核心要点：

• 回顾经典流体力学理论，掌握NS方程的基本求解方法和模型
• 探索流体力学在工业领域的多元应用
• 运用开源软件OpenFOAM进行流体计算模拟的基本操作
• 流体力学求解模型认知(RNAS, LES)

实操环节：

• OpenFOAM学习：
• 掌握OpenFOAM后处理操作
• 通过OpenFOAM获取流动信息
• OpenFOAM多种功能使用教程：网络生成，模拟设置
• 基于OpenFOAM的矩形柱体LES模拟案例（提供数据与代码）
• OpenFOAM模拟信息的后处理获取流场与压力信息（提供数据与代码）

第二部分：计算流体动力学与人工智能

（1）机器学习基础与应用

核心要点：

• 了解Python语言的特征，熟悉常见的机器学习算法
• 掌握使用python语言用于数据后处理
• 了解计算流体动力学与AI的结合

实操环节：

• 基于Python语言的CFD数据后处理
• 计算流体动力学与AI的结合案例讲解

如果你正在学有限元、流体力学仿真，或者想把机器学习方法引入工程问题，这节“神经网络讲解与多层感知机介绍”很适合作为第一步。

它不会一上来就把你扔进复杂代码里，而是从生活化例子开始，把输入层、隐藏层、输出层、感知机、MLP 和相似度这些基础概念讲顺，再进一步引导你思考：工程数据该怎么组织，模型结构该怎么搭，训练结果该怎么判断。

真正有价值的课程，不是让你听完觉得“神经网络很厉害”，而是让你知道：我手里有一组数据时，下一步该怎么建模、怎么训练、怎么检查结果。

（完）

声明：本文首发仿真秀App，部分图片和内容转自网络，如有不当请联系我们，欢迎分享，禁止私自转载，转载请联系我们。欢迎投稿，投稿与技术交流请联系杨老师18610516616（微同）

喜欢作者，请点赞和在看

来源：仿真秀App