長久以來，一直有一個夢想，就是：少干活，多拿錢。或者降低一點標準：提高工作質量和效率，不做錯誤重復低效的工作。因此針對平時汽車CAE分析工作中各項任務（前處理/分析計算/后處理/優化），開發了各種程序來提高工作效率和質量。但是這些專用的程序事實上只是部分實現了目標，因為有的任務實在太復雜，無法開發出專用的程序（例如整車NVH分析和整車碰撞分析），就算能開發出專用的程序，也還需要后期維護更新（例如動力總成懸置布置與解耦）。那么有沒有一個通用的“程序”來應對所有任務，或者說這個通用的“程序”可以自主學習規則后根據新的輸入來輸出結果？這個就是本人應用機器學習（Machine Learning）到汽車CAE分析中的初衷。

在進行汽車研發時，新產品的工程設計中將會一直面對設計修改（材料+結構）后如何影響整車性能的這個問題，這需要性能部門進行評估（實車出來前，主要由CAE負責；實車出來后，主要由測試負責）。每個子系統的設計新方案，通常不會有實車來進行驗證。不可能一出個新方案就會有相應的實物產品出來進行測試驗證，因為不僅成本上無法承受，在時間上也不可能，更何況項目前期也沒有實車，只能使用CAE分析。

但汽車CAE分析碰到兩大問題是：準確性受到質疑；準時性無法保證。而機器學習應用在汽車CAE分析工作后，這兩個問題將迎刃而解（特別是后者）。這篇文章將討論如何解決準時性的問題。

機器學習介入前的研發流程：

機器學習介入后的研發流程：

機器學習技術介入后，CAE工程師只需將基于大量CAE分析結果數據訓練來的模型提供給設計工程師即可，而設計工程師在進行設計更改時，將新的設計參數輸入給模型后就直接得到結果（這個過程時間是瞬時的，而且這個結果與實際CAE分析結果相差極小），如此可以徹底脫離CAE分析工程師介入和免除長時間的等待，提高了研發效率，更快地進行研發迭代。現在問題的核心是存在這樣的模型嗎？

現在以白車身剛度分析來驗證這條技術路徑。白車身剛度分為扭轉剛度和彎曲剛度，是整車的重要性能指標。

白車身扭轉剛度與彎曲剛度加載方式如下

白車身扭轉剛度與彎曲剛度計算公式是：扭轉剛度=扭矩/扭轉角（N.M/DEG）；彎曲剛度=力/位移（N/MM）。

影響白車身剛度的因素有料厚、結構（整車尺寸、接頭形式、關鍵斷面）和材料（鋼、鋁合金、碳纖維）。為了減少計算規模，這個示例僅考慮料厚因素，但基本過程都是一樣的。其中使用的CAE計算軟件是Nastran，程序開發語言是Python。

示例中鈑金件數為368個，對應同樣數目的料厚PSHELL變量。就算每個件料厚只考慮最小和最大兩種情況，以及對稱件情況，則所有料厚組合方案大約為2^200，數量巨大，根本不可能用CAE軟件計算一遍，因此首先需要進行靈敏度分析，篩選出12個料厚變量（對應21個件，因為對稱件料厚是一致的）。相對于2^200個方案，現在只需要計算2^12=4096個方案即可。實際應用中，如果不屬于這21個件范圍內的部件料厚改變，可以直接認為對白車身剛度影響極小。

示例白車身中靈敏度最高的21個鈑金件分布如下：

在4096個料厚方案自動計算完畢后，將變量和結果輸入到機器學習程序中進行訓練，輸出規則模型并保存。然后輸入新的料厚方案（10組、不包含在4096方案內、甚至輸入大于5mm完全不合理的料厚值）到模型中進行計算，輸出結果（AI）與實際CAE分析結果進行對比，對比列表如下：

扭轉剛度列表：

	扭轉剛度（N.M/DEG）
方案	CAE	AI	誤差
1	9402.4	9335.8	0.71%
2	9095.9	9049.8	0.51%
3	8492.7	8455.1	0.44%
4	8647.6	8617.9	0.34%
5	9516.9	9484.0	0.35%
6	8170.0	8127.9	0.52%
7	9329.1	9356.2	0.29%
8	9251.6	9269.6	0.19%
9	8943.5	8947.7	0.05%
10	8366.4	8500.9	1.61%

彎曲剛度列表：

	彎曲剛度（N/mm）
方案	CAE	AI	誤差
1	8323.7	8169.0	1.86%
2	8566.8	8433.2	1.56%
3	7488.0	7430.0	0.77%
4	7962.6	7828.0	1.69%
5	8812.2	8675.6	1.55%
6	7142.1	7048.9	1.30%
7	9642.4	9628.5	0.14%
8	7614.2	7638.7	0.32%
9	9052.0	9094.9	0.47%
10	6968.2	6999.5	0.45%

  可見誤差基本不超過2%，這個誤差有點高的原因是：本人涉足機器學習領域時間不長，導致模型參數還沒調整好的緣故，但已經能滿足實際應用的要求了。

由此判斷，這條技術路徑是可行的。可見機器學習介入后，CAE分析工程師主要職責將是保證CAE分析的準確和機器學習模型的訓練，相應的設計工程師將為CAE分析工程師提供設計數據（包括結構形式和參數范圍）。

通過這種方式將同平臺車型的大部分CAE分析轉換完成機器學習模型后，可以縮減現有大部分CAE分析和優化工作。但個人認為更為重要的是：這些模型隨著訓練量的增加，會變得越來越強大和智能，以后機器學習將是汽車研發領域的核心工具，其應用不僅是自動駕駛和CAE分析，也將徹底變革汽車研發流程。

轉自本人公眾號： 汽車研發CADCAE