拥抱AI：AI Agent在CoSim后处理中的应用

从二进制结果解析、截图坐标反演，到堆积体方量估算，看工程师如何通过多轮对话与AI Agent协作，高效处理仿真数据。

1. 仿真结束，分析才刚刚开始

在数值仿真中，求解器跑完并不等于任务结束。理解输出格式、解析大体量二进制文件、筛选目标对象、统计空间范围并验证结果，往往需要工程师编写多个临时脚本。

这一次，我们让AI Agent参与CoSim耦合求解器的DEM后处理。它不仅回答问题，还阅读文档和源码、运行分析程序、检查结果并生成能导入可视化软件的验证文件。

整个过程可以概括为：工程师负责提出目标、补充领域方法和判断结果；AI Agent负责理解代码与数据、执行计算并形成可验证的交付物。

2. 什么是AI Agent？

普通对话式AI主要提供文字建议；AI Agent则可以在授权范围内读取项目文件、检索代码、运行脚本和生成文件。

目前可以使用Cursor、OpenAICodex等AI编程Agent。它们可以运行在编辑器、命令行或云端环境中。但Agent并不天然理解工程问题，s高质量结果来自多轮对话，而不是一条所谓的“万能提示词”。

3. 第一轮：先让Agent学习项目

工程师没有直接要求计算，而是先告诉Agent：

“CoSim安装目录中包含后处理说明文档和二进制解析脚本；待分析数据来自求解仿真生成的Outputs目录。请先理解这些资料，我随后再提出分析需求。”

对于默认安装的CoSim，文件（目录）对应位置如下：

后处理说明文档：C:\ProgramFiles(x86)\CoSim\bin\doc\output-postprocess

二进制解析脚本：C:\ProgramFiles(x86)\CoSim\bin\CoSim\BinaryIO.py

待解析数据：具体算例目录下由求解仿真生成的Outputs文件夹

用户不需要预先理解BinaryIO.py的实现，也不需要把二进制文件转成文本，只要告诉Agent上述文档、脚本和算例Outputs的位置，Agent就可以了解文件存储格式，并通过解析脚本转为Agent善于处理的数据形式，并自行建立后续的数据解析方法。

CoSim后处理采用JSON元数据与BinaryIO二进制文件配对。JSON记录时间、系统名称、对象数量和字段索引，BIN保存具体的数据数组。BinaryIO.py提供了读取后处理文件的统一程序接口，后处理说明文档则详细描述了通过接口读取到的数据的含义、组织的形式。

4. 第二轮：从百万级对象中寻找速度前20

本文以某个滑坡离散元模拟为例，分析其仿真结果文件。该算例使用PolyBreakage（多面体转球功能），计算初始、最终的模型示意图如下：

工程师提出第一个简单任务：

“分析最后时刻，列出速度最大的20个块体或球，并统计总体积。”

这句话只描述目标，没有规定实现方式。Agent需要自行判断最后时刻文件、按速度模排序、统一比较球与多面体，并计算体积。

处理时，Agent先按IsActive=1（处于激活状态）过滤仍参与终态计算的对象，再计算：|v|=sqrt(Vx²+Vy²+Vz²)。结果为：前20名全部为球体；Rock球18个，Soil球2个；最大速度为44.809805m/s；20个对象实体总体积为5,710.513095m³。分析还发现，部分失活对象仍保留非零历史速度。如果只对Velocity排序而不检查IsActive，结果会失真。

由此可见，CoSim提供了详细的后处理文档，足以让Agent掌握“什么是最后时刻”、“块体/球分为哪几个Set”、“块体/球的激活/非激活状态”、“块体/球的几何、运动状态量如何获取”等数据细节。

5. 第三轮：从截图反演真实坐标

随后，工程师提供一张Z向俯视截图，并用红线圈出目标区域：

切换2D-俯视图视角

交给Agent的俯视图及范围圈定

“请根据俯视图的像素分析红线范围、整体地形范围，结合三角网地形数据映射到真实X、Y；统计红线范围内块体/球的总体积。”

Agent对图像进行颜色和连通域分析，识别出：截图尺寸：1024×455px；地形像素范围：X为267～756px，Y为5～449px；红线像素包围范围：X为367～485px，Y为244～309px。再从Mesh1三角网读取地形真实范围：X：-8476.354～9069.335m；Y：-8175.556～7805.158m；像素尺度约为35.881m/px和35.993m/px，红线对应的真实坐标包围范围约为：X：-4888.278～-654.349m；Y：-3136.592～-797.073m；

实际筛选使用红线闭合形状的逐像素掩膜，而不是矩形包围盒。区域内共识别185,859个活动球体：Rock：106,001个；Soil：79,858个；球体实体总体积：44,368,183.422m³。

6. 第四轮：不要只相信结果，要验证结果

工程师没有直接接受坐标映射，而是继续要求：

“请根据映射出的红线内真实区域生成一个水平STL，Z坐标高于模型地面即可，我将导入可视化界面对比验证。”

Agent生成了一张9,224个三角形组成的水平STL，高程为5701.786m，比地形最高点高100m。其平面形状来自红线闭合掩膜，不是矩形。

工程师把STL导回CoSim可视化界面，与截图红线叠加检查。

可视化验证无误

这体现了工程AI的重要原则：不要只向AI要答案，还要让它提供验证答案的方法。

7. 第五轮：实体体积不等于堆积体方量

第一次区域统计只计算了所有球的实体体积。工程师指出：

“块体/球的堆积有间隙，我要估计‘堆积体’整体方量。可以按XY网格划分，取各网格的块体/球最高点和地形最低点，按高程估计无间隙堆积体体积。”

这里，XY网格的总体思路由工程师提出，Agent负责将其转成算法，并自行补充了网格尺寸选择和敏感性分析。

Agent的执行步骤为：将红线区域划分为10m×10m网格；网格顶面取格内球体的最大CurrentCenter.z+Radius；网格底面取三角网插值及格内地形顶点的最低高程；计算网格体积=（球体最高点-地形最低点）×网格面积；最终得到：堆积体方量76,222,335m³，有效堆积面积4.6167km²，平均厚度16.510m，最大厚度66.543m，与实体体积对比空隙率为41.79%。

Agent反馈报告

8. 总结

本次实践可以总结为五条经验。

1.先提供资料入口

告诉Agent文档、解析代码和结果文件在哪里，并让它先复述数据结构和可用时间步。针对CoSim，可以直接复 制下面这段话，再替换算例路径：

C:\ProgramFiles(x86)\CoSim\bin\CoSim\BinaryIO.py是后处理二进制解析脚本；C:\ProgramFiles(x86)\CoSim\bin\doc\output-postprocess是后处理说明文档；【我的算例路径】\Outputs是求解仿真生成的后处理结果。请先阅读说明文档和解析脚本，盘点Outputs中的文件、时间步和可用物理量，确认理解后再进行分析。

这一步相当于给新同事提供软件手册、工具和数据入口，远比直接说“帮我分析这个BIN文件”有效得多。

2.描述目标、明确关键工程口径 

“统计最后时刻速度最大的20个对象”已经是清晰目标。文件读取、排序统计和程序实现都可以交给Agent。关键指标需要交代清楚，比如需要实体体积，还是整体堆积体方量？单位是什么？希望输出表格、图片还是验证文件？

3.把领域方案直接告诉Agent

若工程师已有可信方法，可明确提出。本次XY网格方案就是关键领域输入。如果只说“算一个更合理的体积”，Agent可能采用固定堆积系数、体素化或三维包络面，结果不会相同。

4.要求可验证的中间成果

可以要求Agent：生成STL/VTK供可视化检查；输出对象编号和坐标；比较不同参数下的结果；列出假设、单位和误差来源。

5.AI不替代工程判断

本次分析经历了逐步修正：①简单的数据统计，检验Agent是否清晰理解文档；②红线区域内颗粒实体体积，并通过STL可视化核验坐标映射等关键步骤；③根据工程经验，提出XY网格高程方案，以修正堆积体方量计算。

每一步都来自工程师查看中间结果后的新判断。Agent提高了文档阅读、代码分析和数据处理效率，但最终采用什么口径、结果是否合理，仍由工程师决定。

对于CoSim这样的多物理场耦合求解器，AI最有价值的应用未必是替代求解算法，而是打通仿真结果与工程决策之间的“最后一公里”。

拥抱AI，不是把工程判断交给机器，而是让工程师拥有一名能够阅读代码、理解数据、执行分析并协助验证的数字伙伴。

CoSim下载地址

https://pan.baidu.com/s/1yljXY2mBTUltWSumFB_JZg?pwd=MEGG提取码:MEGG