這是CAE模擬和AI結合的一個點

看題目很容易以為作者是個標題黨，不可否認，作者希望標題可以吸引人點進來閱讀。但是我覺得比標題黨更吸引人的應該是AI，誰讓這年頭脫離了AI，脫離了機器學習之類都很難勾起大眾的神經和興奮點，先撇開不談，我們從一個點聊聊CAE模擬建模與AI之間的結合。

多數情況下，我們利用模擬軟體進行CAE分析，所有的源頭都是基於軟體自身的演算法和自帶的模型；當然對於很多材料非線性問題，我們需要考慮材料本構模型，需要專門的實驗數據輸入來實現整個模擬的建模，但無論如何完成這樣一個分析問題，我們的基礎都是存在一個物理模型，這是現有的CAE模擬軟體的優勢，也是軟體公司背後的核心技術。

那麼問題也來了，如果你所研究的問題無法利用現有軟體來實現建模和模擬呢？那該如何處理？這個問題也是本文所要闡述的點。

中學我們經常碰到很多物理實驗，基於物理實驗數據擬合曲線，研究物理規律，通過多組數據分析我們最終能夠對簡單的物理問題進行建模，然後基於這個模型來預測新的工況下對應的物理現象。這段描述是不是很熟悉，想想時下很多的機器學習和人工智慧場景是不是有些類似；以此類比，當我們面對的問題無法基於現有CAE軟體的分析模型進行建模時，我們同樣可以利用這個方法來實現對工程問題的建模，而這個思路的出發點是我不考慮物理現象，我僅從獲取的輸入輸出數據，通過數據分析來創建一個黑箱，基於這個黑箱，我們實現對新工況、新問題的預測和模擬。

先看一張PPT，這是程耿東院士介紹模型降階時候提到的代理模型思路，對作者開闊思路有很大作用。通過構造代理模型來實現對模型的降階也好，抑或摸索屬於自己的模型也好，是一種比較直接也比較傳統的方法，但是也可以說不傳統。傳統的原因是我們各個階段的學習都告訴我們實驗是對理論探索、驗證最直接的方法，一直貫穿於我們的教育和科研中；說其不傳統，那麼就和本文標題相關，因為在實驗方案制定、數據分析涉及到很多的統計學方面的方法，涉及到時下比較熱門的機器學習和人工智慧方法，新概念新包裝。