01

技術背景與行業挑戰

隨著國內企業的快速發展和競爭日趨激烈，越來越多的制造企業和研究院所，利用CAE仿真技術推動產品研發與制造。基于CAE的仿真技術和應用已成為保障產品質量、縮短研發周期的有力手段。

隨著CAE仿真技術的快速發展和應用，仿真數據越來越多、仿真流程越來越復雜。一些企業的仿真數據每年以十幾TB甚至幾十TB的速度增長。在持續的工作中，積累了大量的仿真數據和知識。如何對仿真數據和流程進行有效管理、如何利用機器學習和大語言模型技術智能化地支持仿真業務工作，成為仿真業務一個重要的方向。

02

企業核心需求與驅動要素

盡管企業普遍采用了CAE技術為產品研發賦能，但是仿真工作的專業化門檻較高、仿真工具種類繁多、仿真求解時間長、生成的數據量很大。如何利用大語言模型和機器學習技術進一步支持仿真業務，從而推動數據重用和效率提升？

2.1企業發展戰略需要

基于越來越激烈的市場競爭，企業希望縮短產品研發周期、進一步提高仿真驗證能力、提高產品研發質量和降低成本。例如有的汽車企業努力將新車研發周期從原來三年縮短到一年半，仿真業務是其中重要一環。

2.2仿真數據知識的挖掘和重用

仿真工作涉及大量的數據，包括結構化數據、以及大量的文檔類非結構化數據。如何建立高效的重用機制和手段對于提升仿真研發至關重要。

仿真關鍵結果、輸入參數等數據可以結構化存儲在仿真平臺中，并可高效查詢檢索和進行數據之間關聯追溯。而機器學習能利用這些數據進行訓練，進而可以進行快速性能預測和優化。大語言模型則可對仿真知識文檔等非結構化知識進行提煉和重用。

2.3提高仿真研發效率

利用機器學習可實現模型降階，對復雜的仿真計算進行簡化和加速。利用機器學習和大語言模型技術，在項目初期就能進行大量方案驗證和優化，減少后期設計變更帶來的風險。

2.4仿真工程師的智能化助手

在仿真業務研發中，仿真工程師往往需要高頻查閱相關領域的知識、規范、標準，以及項目大綱、仿真指標等內容。如何利用大語言模型技術通過交互問答幫助仿真工程師快速找到相關內容，并協助仿真工程師撰寫項目總結、仿真報告等。從而減少工程師負荷并提高效率，成為其得力的助手？

2.5推動新技術融合和技術創新

智能化大語言模型具有廣闊的知識視野，結合本企業仿真知識構建本地化知識庫，能夠為企業產品仿真研發帶來新的技術變革，從而引領未來技術融合和進一步創新。

03

智能仿真系統架構與關鍵技術

海克斯康融合DeepSeek大語言模型和機器學習的SimManager智能仿真平臺方案集成架構如下：

圖1 融合大語言模型和機器學習的SimManager智能仿真平臺

該集成架構由以下三部分組成：

3.1

SimManager仿真平臺

通過SimManager構建企業級涵蓋各個學科仿真業務的統一的仿真數據和流程管理平臺。平臺可基于客戶需求進行配置和開發，包括如下模塊：

• 仿真數據管理：各學科仿真數據的數據庫構建、數據導航、數據版本管理和數據譜系、數據查詢、對比等；
• 仿真任務管理：定制化的分析任務模板，可批量分配分析任務以及分析任務線上審批；
• 仿真流程管理：構建前處理、求解、后處理、仿真報告生成的仿真流程，集成工具軟件和HPC系統； 
• 仿真知識庫: 建立仿真規范、標準、模型、材料庫等的知識庫；
• 權限和系統管理：分角色的權限管理和系統配置管理；
• 外部系統集成接口：支持外部PLM、TDM、HPC等第三方系統集成。

在智能仿真平臺方案中，SimManager定位為仿真工程師工作環境、以及提供機器學習和大語言模型的數據源：

• 進行仿真數據和流程管理，提供仿真人員日常工作環境（如接受仿真任務、啟動仿真工具進行前后處理和求解、仿真報告、任務審核、方案迭代、數據查詢對比和追溯等）；
• 基于仿真評價目標值，對方案結果進行達標展示，協助仿真工程師方案迭代；
• 仿真平臺數據庫提供機器學習建立降維模型的樣本數據；
• 仿真平臺數據庫提供大語言模型企業所屬專業的仿真知識（項目文檔、仿真報告、標準、規范等）。

3.2

基于Odyssee的機器學習

機器學習Odyssee軟件能利用樣本數據輸入進行新方案快速預測和方案優化。在智能仿真平臺方案中，SimManager提供樣本輸入和流程管理，Odyssee提供機器學習功能，包括：

• 生成DOE樣本數據點；
• 降維模型生成和新方案快速預測（秒級）；
• 方案快速優化；
• 敏感輸入參數識別等。

圖 2 SimManager集成Odyssee進行機器學習

3.3

基于DeepSeek的大語言模型

在智能仿真平臺方案中，DeepSeek大語言模型框架提供如下能力：

• 基于仿真平臺數據庫建立企業本地仿真知識向量數據庫，即時響應用戶問題；
• 基于仿真平臺數據庫歷史產品的方案優化迭代數據和經驗，為仿真工程師提供在研產品的方案改進建議；
• 協助生成仿真用戶需要的相關文檔，如項目總結、仿真報告等。

3.4

融合大語言模型和機器學習的SimManager智能仿真平臺應用場景

融合大語言模型和機器學習的智能仿真平臺應用場景，除了常規的基于仿真平臺的仿真工作以外，基于大語言模型LLM+機器學習ML的賦能，擴展應用場景如下：

圖 3 融合大語言模型的智能仿真平臺擴展應用場景

基于上述架構的進行了SimManager+DeepSeek+Odyssee的本地化集成部署。采用DeepSeek開源的大語言模型,并在本地部署文字向量化數據庫，將本地（用戶生產環境則對應SDM數據庫）的仿真知識，進行向量化存入本地向量數據庫，作為在仿真專業領域進行更精確回答的基礎。

因原始的大語言模型未涵蓋本地知識，在構建本地向量數據庫前，針對相關問題不能給出準確的回答。在將相關數據和文檔上傳SimManager平臺，同時進行向量化。當用戶提問時，系統自動將帶有提示詞的上下文信息提供給大語言模型，能夠給出準確的回答。如下圖：

圖 4 基于DeepSeek本地知識庫的仿真平臺問答場景（1）

圖 5 基于DeepSeek本地知識庫的仿真平臺問答場景（2）

04

應用成效與價值提升

通過應用實踐，融合大語言模型和機器學習的SimManager智能仿真平臺，能夠進一步擴展仿真平臺的使用場景，協助仿真人員實現仿真知識快速反饋、仿真數據挖掘和重用、協助文檔生成、專家經驗重用等，如下所示：

圖5 融合大語言模型和機器學習的SimManager智能仿真平臺