这是CAE仿真和AI结合的一个点

看题目很容易以为作者是个标题党，不可否认，作者希望标题可以吸引人点进来阅读。但是我觉得比标题党更吸引人的应该是AI，谁让这年头脱离了AI，脱离了机器学习之类都很难勾起大众的神经和兴奋点，先撇开不谈，我们从一个点聊聊CAE仿真建模与AI之间的结合。

        多数情况下，我们利用仿真软件进行CAE分析，所有的源头都是基于软件自身的算法和自带的模型；当然对于很多材料非线性问题，我们需要考虑材料本构模型，需要专门的实验数据输入来实现整个仿真的建模，但无论如何完成这样一个分析问题，我们的基础都是存在一个物理模型，这是现有的CAE仿真软件的优势，也是软件公司背后的核心技术。

        那么问题也来了，如果你所研究的问题无法利用现有软件来实现建模和仿真呢？那该如何处理？这个问题也是本文所要阐述的点。

        中学我们经常碰到很多物理实验，基于物理实验数据拟合曲线，研究物理规律，通过多组数据分析我们最终能够对简单的物理问题进行建模，然后基于这个模型来预测新的工况下对应的物理现象。这段描述是不是很熟悉，想想时下很多的机器学习和人工智能场景是不是有些类似；以此类比，当我们面对的问题无法基于现有CAE软件的分析模型进行建模时，我们同样可以利用这个方法来实现对工程问题的建模，而这个思路的出发点是我不考虑物理现象，我仅从获取的输入输出数据，通过数据分析来创建一个黑箱，基于这个黑箱，我们实现对新工况、新问题的预测和模拟。

        先看一张PPT，这是程耿东院士介绍模型降阶时候提到的代理模型思路，对作者开阔思路有很大作用。通过构造代理模型来实现对模型的降阶也好，抑或摸索属于自己的模型也好，是一种比较直接也比较传统的方法，但是也可以说不传统。传统的原因是我们各个阶段的学习都告诉我们实验是对理论探索、验证最直接的方法，一直贯穿于我们的教育和科研中；说其不传统，那么就和本文标题相关，因为在实验方案制定、数据分析涉及到很多的统计学方面的方法，涉及到时下比较热门的机器学习和人工智能方法，新概念新包装。

当然，PPT中所涉及的代理模型并非是纯实验问题，如果是为降阶的话，CAE可以是黑箱工具；而如果是对未知模型自身的研究，则基于实验来研究，通过机器学习方法来结合分析，大家可以体会其中用途。

        题外话，从专业的角度来讲，基于理论和已有模型的研究推导，算法的设计这些算是Model Driven；而用纯数据驱动分析获得模型来使用，属于Data Driven，两种路子。相比而言，数据驱动实施起来会更简单，更多的在于确定变量、数据降维、数据处理等方面。两者的结合自然是互为验证，如果理论模型压根没有，自然只能先用Data Driven了。如果这么干了，我们就相当于钻到软件的内部，类似于CAE商业软件的研发者角色。

        其实作者自身水平有限，很多认知并不一定都对，以上是否算CAE仿真方面的工作内容呢？作者也是战战兢兢写完本文，不成熟之处希望大家一起讨论，不吝赐教。