中国数字仿真网

讨论 AI 之前，先把传统 CAE 的痛点说准 —— 它不是 "算得慢"，是一条链路多个环节都在拖时间。

前处理是最大的黑洞。复杂装备的 CAD 模型导入后，几何清理、六面体网格划分、边界条件施加、材料本构赋值，一套下来占掉整个分析周期的 60% 到 70%。

求解阶段各有各的难。隐式分析碰到接触非线性和材料塑性，Newton-Raphson 迭代容易发散，工程师得反复调步长和收敛准则；显式动力学没有收敛问题，但受最小单元尺寸限制，稳定时间步长被压到微秒级，一个毫秒级冲击算几天很正常。

当前 AI 仿真主要两条路：降阶模型 / 代理模型做快速预测，PINN 把 PDE 残差塞进损失函数做端到端求解。论文里精度都好看，但一到工业场景，三方主体各踩各的坑。

公开数据集精度 ≠ 工业工况泛化。 学术数据集几何规则、材料均匀，而真实零件有复杂拓扑、焊接热影响区的梯度性能、复合材料各向异性。神经网络在训练分布内很准，一旦外推就容易出违背守恒律的结果 —— 负密度、不连续位移、应力超出材料强度极限。平均误差指标盖住了这些致命错误。

算法能力 ≠ 场景适配能力。

AI 输出 ≠ 可采信的工程结论。 引入工具后很快发现，AI 结果只能当定性参考。压力容器爆破校核、汽车碰撞乘员保护、航空结构疲劳寿命 —— 这些安全认证工况没人敢直接用 AI 替代。每份结果还是要做网格无关性验证和试验对标，省的时间被验证环节吃回去。

工况标注完整、网格与求解器版本一致、参数空间覆盖均匀。任何一个维度不达标，外推能力就垮。

纯数据驱动的网络不 "知道" 物理定律。真正可靠的做法是把守恒律、本构关系、边界条件写进网络架构本身，比如散度为零的卷积核保证质量守恒。

冲压回弹的核心是硬化模型和摩擦边界，焊接变形的核心是热循环和相变塑性，电机优化的核心是铁损模型和退磁曲线。每个场景物理机制不同，一套通用网络 "通吃" 在工程上不成立。

在第22届中国CAE工程分析技术年会的现场，深耕工业软件领域三十多年的胡平教授，分享了他对行业现状的观察与判断。