捷豹路虎演讲分享：构建高可靠CFD AI模型，及CI/CD for CAE 工作流自动化
AI CFD代理模型
覆盖了既有和开发中的10款车型，以及2个面向未来潜在设计的通用车体外形 包含了车体上针对各种气动设计的常见变型 包含了不同横摆角（汽车绕垂直轴（Z轴，即贯穿车顶至地面的轴线）旋转的运动或角度）、底盘高度、速度对应的工况结果。
3.结果：设计仿真一体化
下图中浅蓝色线对应左边坐标是过去使用物理求解器得到一组结果所需的时间，这两年随着GPU的应用，已经被大大的缩短。右边深蓝色是经过变革后AI工作流的每天可以得到的结果数量。（此图不大容易看明白）
最后的结果是得到仿真结果的时间从240分钟缩短到了1分钟：在48个A100上，求解器每天可以得到50组结果。而在1台T4上，AI每天可以出1500组结果。
通过AI工作流加速的CFD流程下，设计和仿真现在合并在同一步骤内，可以实现设计时快速得到风阻预测结果。下图展示和Neutral Concept合作的结果，左边修改汽车油泥模型外观的参数，右边直观的对CFD结果进行展现。
工作流自动化
1.规模化应用AI的新目标
虽然AI代理模型显著加速了预测过程，但是企业内数据是碎片化的，还有大量工程师在手动完成仿真设置，参数复 制，版本跟踪等工作，相关工作需要更加自动化的完成。
所以JLR在2025年提出了目标：让工程师从繁杂的系统搬运工作中脱离出来，进行更高维度的思考和创新。
2.引入软件工程的方法
当前工作流的现实挑战：开展不同层次、不同类型的仿真时，仿真工程师脑子里都在运行着一套流程：从配置、设计、创建到测试、决策、迭代，但这套工作流是隐形的，同时，仿真的数据也都是在本地、碎片化的存在。
对应的解决方案，JLR看到在软件工程领域已经存在：持续开发和持续集成（CI/CD）。在软件工程领域，CI/CD是一个广泛应用的简单、准确、标准化和可复 制的工作流程，但由于相关流程的执行未实现自动化，使得这一方法在汽车仿真领域并未得到应用。
JLR看来，AI时代，我们需要改善对于模型、输入和输出数据的管理，使其可见，显性化和自动化，让AI能够利用所有的数据。如果能做到这样，我们就能获得和持续迭代、汇聚原本隐性化的个人和团队的知识，并用于后续设计过程，而非每次从头再来。
3.具体的分层做法
JLR的具体做法分为几层：首先是整车平台、系统、零部件等使用代码定义并引入版本控制，具体车型也代码化。
在此基础上，构建持续集成和持续交付的CAE仿真和AI训练自动化管线。
在这些仿真数据的基础上，构建一个数字孪生，能够与真实车型映射，并预测各个系统的性能。通过这个数字孪生，可以可视化并发现性能瓶颈，对各个系统进行设计改进。
4.预期结果
执行基本都是自动化完成，决策更快，从文件驱动走向目标驱动，从孤立的单领域优化走向跨领域权衡优化，从静态模型走向数字孪生，实现实时可解释的决策，工程师的时间用在更有创造性的工作上。
