友情链接:
合作联系
|
ASPEN培训课程
从事多学科设计优化（MDO）的CAE专家、需要结合AI/机器学习提升仿真效率的研究人员、复杂产品（电机/电池/电子设备）协同设计工程师。
理解多物理场协同优化的基本框架与优化算法。
掌握仿真数据与机器学习融合的方法（代理模型、参数反求、性能预测）。
能够独立搭建基于仿真数据+AI的多物理场协同优化流程。
多物理场协同优化概述：多学科设计优化（MDO）的基本概念；单目标优化与多目标优化；优化问题的数学表述（设计变量、约束条件、目标函数）；帕累托前沿与权衡分析。
优化算法基础：梯度优化算法（拟牛顿法、序列二次规划）；启发式优化算法（遗传算法、粒子群算法、模拟退火）；多目标优化算法（NSGA-II、MOPSO）。
响应面与代理模型：代理模型的基本思想（用近似模型替代昂贵仿真）；实验设计（DOE）方法（全因子、正交、拉丁超立方、最优拉丁超立方）；响应面法（RSM）；克里金（Kriging）模型。
机器学习与代理模型进阶：神经网络代理模型（BP神经网络、RBF神经网络）；高斯过程回归（GPR）；支持向量回归（SVR）；代理模型的精度验证（交叉验证、R²、RMSE）。
参数反求与标定：基于实验数据的材料参数反求；贝叶斯反演方法；仿真模型的校核与验证（V&V）；参数不确定度的量化。
多物理场协同优化平台：ANSYS Workbench中的优化模块（DX）；COMSOL中的优化求解器；Isight/OptiSLang等多学科优化软件的使用；优化流程的自动化。
AI与仿真数据融合方法：COMSOL与PyCharm（Python）的结合使用；仿真数据的导出与预处理；特征工程（归一化、降维、特征选择）；训练神经网络模型并进行验证。
基于AI的性能预测：用少量仿真数据训练代理模型；代理模型替代昂贵仿真进行快速预测；多物理场性能的实时评估；蒙特卡洛模拟与不确定性传播。
基于AI的优化加速：用代理模型替代优化过程中的仿真调用；自适应采样与主动学习；贝叶斯优化算法；全局最优解的快速搜索。
数字孪生与实时仿真：降阶模型（ROM）的构建方法；基于AI的实时仿真；数字孪生体与物理实体的数据同步；状态监测与故障预测。
工业案例：电机协同优化：电机电磁-热-结构多物理场协同优化；设计变量（极槽配合、永磁体尺寸、冷却水道）的灵敏度分析；多目标优化（高效率+低转矩波动+轻量化）。
工业案例：锂电池AI优化：基于COMSOL仿真数据与人工智能的电池性能预测；利用PyCharm对导出数据进行可视化分析；训练神经网络代理模型；通过优化算法进行电芯结构和参数优化设计。
