📚 课程目录第3章 CAE仿真流程与数据生成

3. CAE仿真流程与数据生成

AI模型能否在CAE设计空间探索中发挥作用，很大程度上不取决于算法本身，而取决于喂给它的数据集是否干净、一致、可追溯。本节围绕“为AI建模准备数据集”这一目标，把典型CAE仿真流程拆解为可批量执行、可管理、可校验的工程链路，重点讲清楚批量任务如何组织、输入输出数据如何管理、结果如何提取，以及质量检查该看哪些指标。

典型CAE仿真流程的四个阶段

无论是结构静力、模态、热分析还是流场计算，一次完整的CAE仿真通常都经历四个阶段：前处理（几何清理、网格划分、材料与边界条件定义）、求解（提交求解器计算）、后处理（提取位移、应力、频率、温度等结果）、结果判定（收敛性、守恒性、量级合理性检查）。对AI数据集而言，真正有价值的不只是最终结果，还包括每个样本对应的几何参数、网格规模、边界条件、求解设置等输入特征，它们共同构成“输入—输出”配对。

以某支架结构的多工况静力分析为例：设计变量为三个加强筋厚度 t1、t2、t3，取值范围 2～6 mm，步长 1 mm，共 5³=125 个样本；载荷工况为 500 N、1000 N、1500 N 三种，则总样本数为 375。每个样本需要记录几何参数、载荷、最大等效应力、最大位移、一阶固有频率等字段。这个规模用人工点选完成不现实，必须走批量仿真。

批量仿真任务的组织方式

批量仿真的核心是把“一个模型 + 一组参数”变成“一批任务 + 统一调度”。常见做法有三种：参数化脚本驱动（用Python调用ANSYS APDL、Abaqus Python API或COMSOL LiveLink，循环修改参数并提交）、模板+批处理文件（固定求解器输入文件模板，用脚本替换参数行后批量调用求解器）、任务队列调度（把每个样本封装为独立作业，交给PBS、Slurm或本地多进程池执行）。

下面是一个参数化批量提交的简化示例，用Python生成任务清单并调用求解器：

import itertools, subprocess, os

t_values = [2, 3, 4, 5, 6]
loads = [500, 1000, 1500]
tasks = list(itertools.product(t_values, t_values, t_values, loads))

for i, (t1, t2, t3, F) in enumerate(tasks):
    case_id = f"case_{i:04d}"
    workdir = f"./runs/{case_id}"
    os.makedirs(workdir, exist_ok=True)
    # 生成求解器输入文件（模板替换）
    with open("template.inp") as f:
        content = f.read()
    content = content.replace("{{T1}}", str(t1))
    content = content.replace("{{T2}}", str(t2))
    content = content.replace("{{T3}}", str(t3))
    content = content.replace("{{LOAD}}", str(F))
    with open(f"{workdir}/model.inp", "w") as f:
        f.write(content)
    # 提交求解（示例为Abaqus命令）
    subprocess.run(["abaqus", "job=model", "input=model.inp"],
                   cwd=workdir, check=True)

这段代码的关键点在于：每个样本有独立工作目录，避免文件互相覆盖；参数替换基于模板，保证边界条件、网格设置完全一致，只有设计变量变化；任务编号 case_0000 到 case_0374 与参数组合一一对应，便于后续追溯。实际工程中还应加入失败重试、超时控制和日志记录，避免单个样本崩溃导致整批中断。

输入输出数据管理

批量仿真会产生大量文件，如果不加管理，很快就会出现“找不到哪个结果对应哪组参数”的问题。推荐采用“一样本一目录 + 统一索引表”的结构：每个样本目录下存放输入文件（model.inp）、求解日志（model.log）、结果文件（model.odb 或 model.dat）、提取后的结果（result.json）；根目录维护一张 index.csv，记录 case_id、t1、t2、t3、F、状态、最大应力、最大位移、频率、完成时间等字段。

索引表是数据集的核心资产。它把分散的文件变成结构化表格，AI建模时直接读取 index.csv 即可获得特征与标签。字段命名要统一，单位要明确（如应力用MPa、位移用mm、频率用Hz），缺失值用空或NaN标记，不要用0代替，否则会污染训练数据。

仿真结果提取与质量检查

结果提取不能只看云图，要落到具体数值。对结构分析，通常提取最大等效应力、最大位移、指定节点应力、一阶固有频率；对热分析，提取最高温度、温度梯度；对流场，提取压降、最大流速、流量。提取方式可以用求解器自带的后处理脚本（如Abaqus Python脚本读取ODB），也可以用命令行工具导出文本后解析。

质量检查是数据集能否用于AI建模的分水岭。建议至少检查以下五项：

求解收敛性：日志中是否出现“converged”或收敛残差是否低于阈值；不收敛的样本必须剔除或标记。
物理合理性：应力、位移、温度是否在合理量级；例如支架最大应力若出现 10⁶ MPa，说明单位或约束有误。
守恒性：静力分析中反力之和是否与外力平衡；热分析中能量是否守恒。
参数覆盖完整性：检查 index.csv 中每个设计变量组合是否都有对应样本，避免漏算。
重复性与一致性：同一参数重复提交两次，结果差异应在数值误差范围内；若差异过大，说明求解设置不稳定。

建议在批量任务完成后，先用脚本对 index.csv 做一次自动筛查：统计状态为“失败”的样本数、检查关键结果字段是否有空值、绘制参数—结果散点图观察是否存在异常离群点。这一步通常能在几分钟内发现大部分数据问题。

从仿真数据到AI数据集

经过上述流程，最终得到的是一个结构化的数据集：每一行是一个样本，列包括设计变量（t1、t2、t3、F）、几何/网格特征（可选）、仿真结果（最大应力、最大位移、频率）以及质量标记（是否收敛、是否通过检查）。这个数据集可以直接用于训练代理模型（如Kriging、神经网络）或分类模型（如判断是否满足强度要求）。

需要强调的是，AI建模对数据的要求与单次仿真不同：它要求样本之间同分布、同口径、同精度。因此批量仿真时必须锁定网格划分策略、求解器版本、收敛准则和单位制，任何一项变化都应在索引表中记录，否则模型学到的可能是“设置差异”而不是“设计规律”。

把上述链路走通之后，仿真数据就不再是散落在各个目录里的结果文件，而是一份可查询、可校验、可直接送入AI训练流程的结构化数据集。下一阶段的设计空间探索，无论是代理模型预测还是优化搜索，都建立在这份数据集的质量之上。