工中國信通院科研智能：人工智能賦能工業(yè)中國信息通信研究院人工智能研究所中國人工智能產業(yè)發(fā)展聯(lián)盟全國智能計算標準化工作組2025年10月版權聲明本報告版權屬于中國信息通信研究院、中國人工智能產業(yè)發(fā)展聯(lián)盟和全國智能計算標準化工作組，并受法律保護。轉載、摘編或利用其它方式使用本報告文字或者觀點的，應注明“來源：中國信息通信研究院、中國人工智能產業(yè)發(fā)展聯(lián)盟和全國智能計算標準化工作組”。違反上述聲明者，編者將追究其相關法律責任。工業(yè)仿真承載產品創(chuàng)新迭代、降本增效的核心使命。隨著智能化轉型的深入，傳統(tǒng)仿真技術面臨計算效率瓶頸、多物理場耦合復雜性劇增、全流程協(xié)同不足等挑戰(zhàn)，難以滿足科學研究領域對實時性和精準性的高階要求。人工智能技術的突破性發(fā)展，尤其是大模與實踐脈絡。首先探討人工智能賦能工業(yè)仿真的必然性及其應用價線與應用現(xiàn)狀；在關鍵技術層面，解析數(shù)據驅動、物理驅動及融合航空航天、輕工業(yè)、汽車工業(yè)及工程建筑等領域的實踐案例，驗證AI仿真的規(guī)模化應用潛力及應用前景；最后，分析AI仿真面臨的本報告力求為人工智能賦能工業(yè)仿真領域的研究與實踐提供參 2 3 4 6 6 7 9 31 451一、人工智能賦能工業(yè)仿真發(fā)展背景伸至制造、運維等全生命周期管理，構建“設計-驗證-優(yōu)化”的閉環(huán)體（一）工業(yè)仿真智能化升級的必要性2度和精度。AI技術的引入已成為突破傳統(tǒng)仿真技術瓶頸、實現(xiàn)工業(yè)（二）人工智能賦能工業(yè)仿真應用價值初顯提出突破傳統(tǒng)經驗模式的創(chuàng)新方案。例如，達索系統(tǒng)的AURA等工 往需要數(shù)小時甚至數(shù)天，耗時巨大?；谌斯ぶ悄艿拇砟Ｐ?等技術的應用，正給工業(yè)仿真帶來效率革命。例如，ANSYSSimAI 等平臺借助AI技術，可將特定場景的仿真預測時間縮短至秒級或分3鐘級。南京天洑推出的AICFD利用PINN技術在保證流場預測誤差在新能源電池熱失控仿真等場景中，AI模型的加速比可達180倍，（如電磁-熱-力耦合）、跨尺度問題（如從微觀材料特性到宏觀響應）等高度非線性、難以通過解析方程精確建模的復雜工程問題，AI展現(xiàn)出獨特優(yōu)勢。一方面，AI可通過學習大測。例如，索辰科技的CAE平臺利用圖神經網絡另一方面，人工智能技術還能夠有效應對傳統(tǒng)方法難以覆蓋的“長二、人工智能賦能工業(yè)仿真發(fā)展應用現(xiàn)狀4融合，顯著提升了裝備在智能控制與運維方（一）人工智能賦能工業(yè)仿真主要應用1.AI賦能CAD的同時實現(xiàn)產品的快速設計。同時AI可以基于海量數(shù)5Wonder3D，利用擴散模型實現(xiàn)了從單視圖圖像中高效生成高保真紋利用CAD模型的命令序列，基于大型語言1GuanY,WangX,MingX,etal.CAD-Coder:Text-to-CADGenerationwithChain-of-ThoughtandGeometricReward[J].2025.2LongX,GuoYC,LinC,etal.Wonder3D:SingleImageto3DusingCross-DomainDiffusion[J].IEEE,2023.DOI:10.1109/CVPR52733.2024.00951.3XuJ,WangC,ZhaoZ,etal.CAD-MLLM:UnifyingMultimodality-ConditionedCADGenerationWithMLLM[J].2024.6來源：ZOO來源：Wonder3D7來源：CAD-MLLM設計案例、工程數(shù)據等，通過人工智能方法從數(shù)據中學習設計模式、規(guī)律和特征。如申龍電梯利用浩辰CAD土建自動生成系統(tǒng)電梯設計更加靈活、高效，還能快速響應不同項目的特殊設計需求，沈陽自動化所通過構建知識圖譜自動抽取先前大量的產品設計經驗析實現(xiàn)了基于知識圖譜和機器學習的三維CAD設計式混合，用戶定義參數(shù)后，AI生成拓撲優(yōu)化變體，并根據需求指標82.AI賦能CAE其主要應用場景是逆向設計與優(yōu)化和設計驗證。AI技術通過分析海量CAE歷史數(shù)據，可以快速識別關鍵特征和實時仿真，在前處理、如復旦大學提出了一種強化學習逆設計框架并將其應用于變工況下的變形翼型設計4，南方科技大學提出了基于合作型多智能體強化學習的數(shù)字微流控芯片液滴路徑規(guī)劃5。在流動控制方面，通過實時預4蘇敬,孫剛,陶俊.基于深度強化學習的三維變形機翼反設計方法[J].空氣動力學學報,2024,000(10):14.DOI:10.7638/kqdlxxb-2024.0123.5LiangTC,ChangYC,ZhongZ,etal.DynamicAdaptationUsingDeepReinforcementLearningforDigitalMicrofluidicBiochips[J].ACMTransactionsonDesignAutomationofElectronicSystems,2024,29(2):24.DOI:10.1145/3633458.9（2）設計驗證來源：中國信通院整理學習模型，AI能自動識別零件的關鍵幾何特征，輔助進行自動化清模型體素化后自動識別24類加工特征，致力于解決計算機輔助設計6ZhangZ,JaiswalP,RaiR.FeatureNet:ralNetwork[J].Computer-AidedDesign,2018:S0010448518301349.DOI:10.1016/j.cad.2018.03.006.分割準確率達94.21%。二是網格智能化生成。高質量的網絡是仿真礎上生成形狀約束下網格，也可以在符號距離場（SDF）、占有（Occupancy）和神經輻射場等隱式形狀表示的數(shù)據上生成形狀約束樣實現(xiàn)了網格智能化生成，如采用Transformer架構的MeshGPT9和MeshAnything10等，實現(xiàn)在給定形狀條件下生成對應的網格。練全連接網絡模型實現(xiàn)在設計空間中快速探索并找到最優(yōu)葉片形狀設計11。二是利用人工智能模型構建降階模型替代高維7MaruaniN,OvsjanikovM,AlliezP,etal.PoNQ:aNeuralQEM-basedMeshRepresentation[J].IEEE,2024.DOI:10.1109/CVPR52733.2024.00350.8WangN,ZhangY,LiZ,etal.Pixel2Mesh:3DMeshModelGenerationviaImageGuidedDeformation[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2020,PP(99):1-1.DOI:10.1109/TPAMI.2020.2984232..9SiddiquiY,AlliegroA,ArtemovA,etal.MeshGPT:GeneratingTriangleMesheswithDecoder-OnlyTransformers[J].IEEE,2023.DOI:10.1109/CVPR52733.2024.01855.10ChenY,HeT,HuangD,etal.MeshAnything:Artist-CreatedMeshGenerationwithAutoregressiveTransformers[J].2024.11ZhangT,DeyB,VeeraraghavanK,etal.DemystifyingtheDataNeedofML-surrogatesforCFDSimulations[J].2022.DOI:10.48550/arXiv.2205.08355.優(yōu)化方法往往效率低下，AI特別是強化學習與代理模型技術能夠高效探索廣闊的設計空間，實現(xiàn)多目標下的參數(shù)尋優(yōu)。如GuillaumeCoulaud12等人提出的在氣體擴散層（GDL）區(qū)域使用PINNs方法替來源：https://inria.hal.science/hal-0422599012QIS,SARRISCD.Physics-informedneuralnetworksformultiphysicssimulations:applicationtocoupledelectromagnetic-thermalmodeling[C]//2023IEEE/MTT-SInternationalMicrowaveSymposium(IMS).SanDiego,CA,USA:IEEE,2023:166-169.DOI:10.1109/IMS37964.2023.10188015.種亞音速抖振流（周期性、準周期性和混沌性）識別13，如圖6。二理場耦合分析挑戰(zhàn)以及因計算資源限制導致的數(shù)據稀疏或分辨率不足問題。如MeisamBabanezhad等14通過格子玻爾茲曼方法和自適應能夠可視化AI模型在進行預測時所關注的輸入數(shù)據區(qū)域或特征，幫坡國立大學15通過整合計算流體動力學模擬（CFD）和可解釋人工智），框架。CFD模擬用于分析降雨對風力渦輪機氣動性能的影響，XAI13WenS,LeeMW,BastosKMK,etal.Featureidentificationincomplexfluidflowsbyconvolutionalneuralnetworks[J].Theoretical&AppliedMechanicsLetters,2023(006):013.DOI:10.1016/j.taml.2023.100482.14BabanezhadM,NakhjiriAT,MarjaniA,etal.Patternrecognitionofthefluidflowina3DdomainbycombinationofLatticeBoltzmannandANFISmethods[J].ScientificReports,2020,10(1):15908.DOI:10.1038/s41598-020-72926-3.15MehdizadehA.AnXAIFrameworkforPredictingWindTurbinePowerunderRainyConditionsDevelopedUsingCFDSimulations[J].Atmosphere,2024,15.DOI:10.3390/atmos15080929.來源：FeatureIdentificationinComplexFluidFlowsbyConvolutionalNeuralNetworks（二）人工智能賦能工業(yè)仿真國內外現(xiàn)狀1.AI賦能CAD產業(yè)格局方面，國外頭部工業(yè)軟件企業(yè)率先發(fā)力極將AI技術深度嵌入其CAD解決方案。DassaultSystèmes通過其型處理多模態(tài)輸入以生成參數(shù)化CAD模型，提升人機交互的自然性憶生科技研發(fā)的CAD-MLLM，致力于統(tǒng)一多模態(tài)條件下的CAD生軟件企業(yè)以內置智能化插件為主，實現(xiàn)用戶在熟悉的CAD環(huán)境內即開發(fā)了智能設計系統(tǒng)AIstructure，基于“數(shù)據-力學-知識的生成式結構設計方法，將AI技術開發(fā)有效嵌入現(xiàn)有工作流程并與規(guī)則和物理的小模型可以快速執(zhí)行基于明確物理定律或幾何約束的操作習慣和物理約束的AI裝配關系預測能自動預測并推薦有效的裝配關系替代方案。華天軟件的CrownCAD平臺通過小模型實現(xiàn)自動分析驗證到制造規(guī)劃的整個產品生命周期。一是生成式設計。以16SeffA,OvadiaY,ZhouW,etal.SketchGraphs:ALarge-ScaleDComputer-AidedDesign[J].2020.DOI:10.48550/arXiv.22.AI賦能CAE數(shù)據并提升后處理效率，同時推出GPU加速求解器實現(xiàn)計算性能的指數(shù)級提升?，F(xiàn)代汽車集團采用西門的Simcenter平臺17，通過內置設計空間，將過去需要一周的仿真優(yōu)化周期縮短至15分鐘，實現(xiàn)了設計迭代效率的指數(shù)級提升。國內工業(yè)軟件企業(yè)開發(fā)AI驅動的設計望軟件等國內先鋒企業(yè)與研究團隊，聚焦開發(fā)具有自主知識產權的AI增強型CAE求解器、特定物理場AI仿真工具以及面向特定工業(yè)17SIEMENS.UnleashinnovationwithAI/MLandSimcenter[EB/OL].(2023-09-26)[2024-07-20]./en-US/simcenter/ai-ml-innovation/.智能問答、智能加速、智能預測等功能，解決了用戶在傳統(tǒng)CFD軟實數(shù)據進行“假設”研究，實現(xiàn)在AltairSim高實驗設計(DOE)效率。高校、科研機構及部分AI科技公司則側重具通常針對特定物理問題或技術瓶頸，如NVIDIASimNet物理信息框架實現(xiàn)人工智能驅動的物理模擬，解決復雜個層面。一是仿真加速與前處理智能化，如SimAI與NVIDIA合作利用AI代理模型工科電子產品散熱難題19，實現(xiàn)了對多個組件和復研究人員通過構建圖神經網絡并結合電化學-熱耦合模型，更準確的預測鋰離子電池在濫用條件下發(fā)生熱失控的風險。三是AI驅動的設動生成數(shù)百種滿足特定美學和輕量化要求的輪轂概念設計并進行優(yōu)三、人工智能賦能工業(yè)仿真關鍵技術人工智能賦能計算機輔助設計依據其應用場景不同主要包括智18QinY,MaC,MeiL,etal.Thepredictionofresidualstressofweldingprocessbasedondeepneuralnetwork[J].MaterialsTodayCommunications,2024,39.DOI:10.1016/j.mtcomm.2024.108595.19NVIDIA.AI-poweredsimulationtoolsforsurrogatemodelingengineeringworkflowswithSiml.aiandNVIDIAPhysicsNeMo[EB/OL].(2024-03-20)[2024-07-20].https://developer.nv/blog/ai-powered-simulation-tools-for-surrogate-modeling-engineering-workflows-with-siml-ai-and-nvidia-physicsnemo/.20YooS,LeeS,KimS,etal.IntegratingdeeplearningintoCAD/CAEsystem:generativedesignandevaluationof3Dconceptualwheel[J].StructuralandMultidisciplinaryOptimization,2021(4).DOI:10.1007/S00158-021-02953-9.語義驅動參數(shù)化建模，通過自然語言處理解析設計意圖，實現(xiàn)“語言指令—三維模型”的自動轉換，如在地理場景建模場景，利用大語言物理約束生成對抗網絡（GAN）結合強化學習（RL）動態(tài)調參，在22。三是生成式設計，根據用戶設定的設計目標與約束條件，通過對案，相比傳統(tǒng)設計減重40%，同時保持了技術，利用AI實現(xiàn)多物理場耦合仿真，并根據仿域，AI可以預測建筑物在不同環(huán)境條件下的性能，通過模擬不同的21DangP,ZhuJ,DangC,etal.Semantic-drivenParametric3DGeographicSceneModeling:IntegratingKnowledgeGraphsandLargeLanguageModels[J].EnvironmentalModellingandSoftware[2025-09-26].DOI:10.1016/j.envsoft.2025.106399.22JangS,KangN.GenerativeDesignbyReinforcementLearning:MaximizingDiversityofTopologyOptimizedDesigns.[J].2020.突的自動檢測，有效減少返工與修改成本。如汽車設計中，AI的作用不僅限于設計優(yōu)化，還包括設計驗證和錯誤檢測，AI可以檢測出子圖紙轉化為可編輯的三維模型或現(xiàn)代CAD格式，便（二）AI賦能CAE1.數(shù)據驅動的智能仿真方法23QinS,FeiY,LiaoW,etal.Leveragingdata-drivenartificialintelligenceinoptimizationdesignforbuildingstructures:Areview[J].EngineeringStructures,2025,341.DOI:10.1016/j.engstruct.2025.120810.流體仿真領域，代理模型主要依賴于卷積神經網絡（CNNs）對歐拉網格數(shù)據的強大特征提取能力，以及圖神經網絡（GNNs）在處縮短至幾分鐘。如航空航天領域，利用深度學習方法模擬RANS方域學習PDE解算子，DeepONet方法利用分支-主干網絡結構，學習處理動態(tài)載荷序列或Transformer架構捕捉多參數(shù)間的長距離依賴。通過對大量仿真方法（如有限元、邊界元等）結果的學習，AI模型24曹曉峰,李鴻巖,郭承鵬,等.基于深度學習的二維翼型流場重構技術研究[J].航空科學技術,2022,33(7):7.DOI:10.19452/j.issn1007-5453.2022.07.012.25CaoXF,etal.ResearchonfastCFDsimulationofautomobileflowfieldbasedonartificialintelligence[J].JournalofPhysics:ConferenceSeries,2023,2441:012011.DOI:10.1088/1742-6596/2441/1/012011.集團將AI代理模型成功應用于車輪輪輞的設計流程，實現(xiàn)在幾秒內對多場景海洋流固耦合問題實現(xiàn)了多場景下的高效、高精度不可壓縮光譜粒子流體動力學耦合方法相結合實現(xiàn)了波浪與結構物真方法。在天線設計、電磁兼容性（EMC）分析等需要進行大量參數(shù)掃描的場景，AI代理模型能夠學習從設計參數(shù)到電磁響應的復雜26錢志浩,丁陳森,許靈辰,等.一種高效高精度小樣本的流固耦合代理模型[J].力學學報,2025(4).27Zhang,Ningbo,etal."AGNNSupportedISPHMethodforNumericalSimulationofWaveInteractionwithFixedStructures."Paperpresentedatthe34thInternationalOceanandPolarEngineeringConference,Rhodes,Greece,June2024.找到滿足特定性能指標的最優(yōu)解29。二是傳統(tǒng)機器學習算的設計、優(yōu)化和性能預測30。三是深度學習算法，如卷積神經循環(huán)神經網絡、生成對抗網絡等。在電磁特2.物理驅動的智能仿真方法物理驅動的仿真方法深度融合已知的物理定律與方程來構建模28MINDSPORE.MindScience/MindElec/examples/data_driven/parameterization[EB/OL].(2023-06-15)[2024-07-20]./mindspore/mindscience/tree/master/MindElec/examples/data_driven/parameterization.29宋立眾,段舒雅,林濤.一種結合遺傳算法和HFSS的天線仿真與優(yōu)化方法[J].微波學報,2015(3):6.DOI:10.14183/ki.1005-6122.201503001.30ElAoudSE,AbbaouiH,BenkhaddaO,etal.DesignofaCrescentMoon-ShapedReconfigurablePatchAntennaUsingaPINDiodefor5GSub-6GHzandMultistandardWirelessApplications[J].ProgressinElectromagneticsResearchB,2024,109.DOI:10.2528/PIERB24092501.31張宇嬌,趙志濤,徐斌,等.基于U-net卷積神經網絡的電磁場快速計算方法[J].電工技術學報,2024,39(9):2730-2742.驅動的方法實現(xiàn)使用稀疏空間點的測量值對風電場中的尾流進行建映風電場尾流軌跡和功率輸出32。在氣動領域，對于Taylor-Couette即可實現(xiàn)精確的近墻壁分辨率33。包括物理信息神經網絡（PINN）、深度能量方法（DEM）和物理信息神經算子（PINO）等。一是物理信息神經網絡，在損失函數(shù)中添L=WdataLdata+WPDELPED+WBCLBC,其中LPED通過自動微分計算納維斯托克方32Zhang,Bowen,etal.Advancedwakemodelinginwindfarm:Aphysics-informedframeworkwithvirtualLiDARmeasurements[J].PhysicsofFluids.(2025).33IevgenMochalin,etal.Enhancementofphysics-informedneuralnetworksinapplicationstofluiddynamics[J].PhysicsofFluids.2025;37(5):057130.測穩(wěn)定性與分辨率無關性，如PI-DeepONet35，將相關參數(shù)和坐標點將控制方程（如平衡方程、本構關系、幾何方程）及其邊界/初始條34上?？茖W智能研究院.AI×Science十大前沿觀察[R].上海:上?？茖W智能研究院,2023.35LuZB,ZhouYY,ZhangYB,etal.AfastgeneralthermalsimulationmodelbasedonMulti-BranchPhysics-Informeddeepoperatorneuralnetwork[J].PhysicsofFluids,2024,36(3):037142.DOI:10.1063/5.0194245.36GuY,etal.Enrichedphysics-informedneuralnetworksforin-planecrackproblems:TheoryandMATLABcodes[R/OL].2022[2024-07-20].DOI:/10.48550/arXiv.2206.08750.空間系數(shù)演化規(guī)律，主要應用在流體-結構耦合、參數(shù)化設計優(yōu)化、基于物理驅動的電磁仿真方法主要包括物理約束損失函數(shù)和專方程組殘差項，確保網絡輸出符合物理規(guī)律，如頻域渦流求解場景，37GongZ,ChuY,YangS.Physics-informedneuralnetworksforsolving2-Dmagnetostaticfields[J].IEEETransactionsonMagnetics,2023,59(11):7002005.DOI:10.1109/TMAG.2023.3281863.38張宇嬌,孫宏達,趙志濤,等.基于物理信息神經網絡的電磁場計算方法[J].電工技術學報,2024,39(17):5251-5261.3.融合驅動的智能仿真方法傳統(tǒng)求解器作為基礎計算引擎，在其關鍵環(huán)節(jié)嵌入輕量化AI模塊，形成“物理計算-AI修正”的反饋機制，在保證求解精度的同時有效提專門學習RANS模型與真實物理之間的差異，并在RANS計算過程訓練神經網絡，用于預測Spalart-Allmaras（一種常用RA的修正項40。在翼型繞流等典型航空航天應用中持RANS高效率的同時，對氣流分離等復雜現(xiàn)象的預測精度已逼近結構仿真領域，利用AI替代傳統(tǒng)數(shù)值方法中的計算瓶頸模塊。在求解器的每次迭代中直接調用輕量級AI模型計算應力，實現(xiàn)對原39YaoH,GaoY,LiuY.FEA-Net:Aphysics-guideddata-drivenmodelforefficientmechanicalresponseprediction[J].ComputerMethodsinAppliedMechanicsandEngineering,2020,363:112892-.DOI:10.1016/j.cma.2020.112892.40RumseyCL,ColemanGN,WangL.Insearchofdata-drivenimprovementstoRANSmodelsappliedtoseparatedflows[C]//AIAA2022-0937.Reston:AIAA,2021.DOI:10.2514/6.2022-0937.在模擬橡膠密封圈或生物軟組織等非線性材料時實現(xiàn)整體仿真時間用一個AI模型來高效模擬封裝外圍或遠場的行為，以替代計算開銷巨大的吸收邊界條件。另一方面，融合AI方法還可用于智能選擇最四、人工智能賦能工業(yè)仿真應用實踐1.案例名稱：2.案例實施單位：3.案例背景：軌道交通裝備已成為世界各國推動經濟發(fā)展的戰(zhàn)略性競爭新高4.案例詳述：學計算大模型，以我國高速動車組二十余年自主研發(fā)過程中積累的TB級數(shù)據為基礎，融合幾何信息神經算子和傅里葉神經算子，開展與傳統(tǒng)CFD計算的技術路線不同，仿真大模型采用數(shù)據來源：中車青島四方機車車輛股份有限公司（2）平臺介紹應用層，如圖8。硬件層為中車斫輪大模型平臺，涵蓋算力、MaaS來源：中車青島四方機車車輛股份有限公司來源：中車青島四方機車車輛股份有限公司基于字節(jié)碼的動靜轉換技術，如圖10，減少80%分布式代碼開發(fā)；習模型。開發(fā)了異構多芯適配技術，全面支來源：中車青島四方機車車輛股份有限公司（4）關鍵指標參數(shù)車幾何文件導入仿真大模型，在10秒內獲取列車表面壓力、切應力及氣動阻力等關鍵數(shù)據，如圖11。與傳統(tǒng)仿真相比，單工況的列車來源：中車青島四方機車車輛股份有限公司5.創(chuàng)新情況：統(tǒng)，通用性高，可擴展性好，實現(xiàn)關鍵技術的（2）模式創(chuàng)新情況該案例開發(fā)的高易用低功耗的仿真大模型軟件已應用于列車氣6.應用實效：（二）航空航天1.案例名稱：2.案例實施單位：3.案例背景：參數(shù)化模型（如貝塞爾曲線、NURBS）雖然能夠保證翼型幾何的連4.案例詳述：FuncGenFoil將翼型建模為連續(xù)函數(shù)形式，通過神經算子構建具程中保持幾何完整性。在AFBench數(shù)據集上的實驗表明，該方法相比現(xiàn)有先進方法降低了74.4%的設計誤差，設計多樣性相對提升了FuncGenFoil通過神經算子將翼型表征為連續(xù)函數(shù)形式，彌合參辨率無關生成，如圖12。其關鍵創(chuàng)新包括：基于神經算子（FNO）來源：上海人工智能創(chuàng)新中心、中國商飛上海飛機設計研究院（2）模型技術方案算子反向求解ODE重構翼型。翼型參數(shù)化環(huán)形拓撲，并變換坐標系，如圖13。訓練過程使用流匹配算法進行來源：上海人工智能創(chuàng)新中心、中國商飛上海飛機設計研究院編輯精度方面，點調整誤差小于2.75*10^{-7}，編輯耗時為10~505.創(chuàng)新情況：FuncGenFoil結合了前沿AI技術與工程需求通過微調隱碼實現(xiàn)近零誤差，使工程師能夠通過交互式界面優(yōu)化AI（2）模式創(chuàng)新情況統(tǒng)設計流程。通過生成任意分辨率的翼型，無縫對接CAD/CAM系師可以通過交互界面與AI協(xié)同優(yōu)化設計，結合領域知識與生成模型的先驗經驗，使CFD驗證輪次減少50%，大幅降低算力成本；該框證（如光滑度達標），避免缺陷設計；作為首款函數(shù)空間模型，F(xiàn)uncGenFoil開啟了連續(xù)、任意分辨率的翼型生成范式，為氣動設計6.應用實效：（2）行業(yè)痛點解決成效FuncGenFoil顯著縮短了翼型設計的迭代周期。以往需要數(shù)月完反復修改模型以適配不同制造精度要求，極大降低了人工后處理和案的多樣性，為新型翼型的創(chuàng)新設計提供了更廣闊的（三）輕工業(yè)1.案例名稱：2.案例實施單位：3.案例背景：將風扇風量提升5%。傳統(tǒng)設計依賴工程師經驗，需經歷參4.案例詳述：非專家難以直接應用。天洑軟件通過智能優(yōu)化設計軟件AIPOD，對天花板距離等），結合仿真模擬與智能算法，在2天內自動生成61種優(yōu)化方案。最終方案將風量提升20%，遠超客戶預期。AIPOD還天洑軟件以“AI驅動工業(yè)設計革命”為核心理念，通過將人工（2）軟件平臺AIPOD是天洑軟件自主研發(fā)的工業(yè)級智能優(yōu)化平臺，核心功能統(tǒng)和可視化分析，如圖14。多學科優(yōu)化算法集成遺傳算法、粒子群算法、神經網絡等AI技術，支持多目標、多約束優(yōu)化。參數(shù)化建模來源：南京天洑軟件有限公司關鍵設計變量共7個，如圖15，包括設計來源：南京天洑軟件有限公司AIPOD智能優(yōu)化流程通過算法驅動與自動化工具實現(xiàn)高效設計模型參數(shù)或通過非參數(shù)化變形技術定義設計變量，集成CAE工具鏈型構建，利用AIAgent進行智能采樣，生成初始訓練數(shù)據集，構建），CAD系統(tǒng)驗證工程可行性。五是知識融合與迭代，集成專家規(guī)則庫系。來源：南京天洑軟件有限公司（4）關鍵指標參數(shù)23來源：南京天洑軟件有限公司5.創(chuàng)新情況：完成61種方案的自動優(yōu)化，風量提升20%，參數(shù)敏感性智能仿真與算力優(yōu)化。仿真加速技術方面，通過GPU并行和模型降階，將單方案CFD仿真時間從8小時縮短至2小時，支撐全流程自動化迭代。閉環(huán)自動化方面，實現(xiàn)“參數(shù)化建模工業(yè)AI底座與價值對齊。平臺化能力方面，AIPOD內置工業(yè)AI底座，支持跨行業(yè)場景快速遷移。風扇案例中的參數(shù)化建模與優(yōu)（2）模式創(chuàng)新情況企業(yè)實踐-技術轉化”閉環(huán)。高校課程開設，科研機構合作：與江蘇6.應用實效：的葉片設計與性能優(yōu)化。用戶方面，已覆蓋全國300+制造企業(yè)，包（2）解決行業(yè)痛點直接經濟效益方面，廣東某風扇研制企業(yè)縮短研發(fā)周期、無需引進頂級專家研發(fā)成本減少近百萬，風量提升20%，銷售額提升百（4）示范推廣價值（四）汽車工業(yè)1.案例名稱：2.案例實施單位：3.案例背景：4.案例詳述：5%以內；另一方面結合原始點云坐標數(shù)據，成功復現(xiàn)了與仿真結果耗時冗長的有限元分析來獲取印痕圖特征數(shù)據。單次仿真通常需要4-6小時的計算時間，而完整的設計迭代往往需要進行數(shù)十次這樣的仿真。更關鍵的是，設計參數(shù)（如胎冠中心?。≧1）、胎冠總弧高交試驗設計方法越來越難以滿足現(xiàn)代輪胎多目標優(yōu)化的需求。點，通過對HyperMesh的腳本開發(fā)，大幅提升了網格劃分的整體效對數(shù)值指標和三維網格圖像兩種模型預測目標創(chuàng)造性地采用了參數(shù)--數(shù)值回歸將三個設計參數(shù)和性能指標構建了基于采用徑向基函數(shù)（RBF）的SVR回歸模型，并通過自動化流程完成了調參等復雜工來源：中化信息技術有限公司（2）技術方案是由于仿真流程上生成印痕圖會使用某一壓應力閾值對所形成的的壓應力分布圖進行剪裁難以通過簡單的機器學習模型進行擬合和很大困難。所以本方法考慮到實際印痕圖仿真中采用的流程。不采用直接從設計參數(shù)生成印痕圖的端到端的模型構建方法，而是通過來源：中化信息技術有限公司對于變形后點云的預測，在測試數(shù)據上表現(xiàn)良好，R2指標均接近于1（大于0.9999）。相對的對于壓應力的預測相對表現(xiàn)較差來源：中化信息技術有限公司可視化對比結果顯示于圖20。這種創(chuàng)新的建模方法既保留了參數(shù)化來源：中化信息技術有限公司達9000倍。大幅降低了計算資源消耗降低了。這些突破性的改進使5.創(chuàng)新情況：整耗時巨大。案例通過HyperMesh腳本自動化開發(fā)，將網格前處理模型架構層面，案例創(chuàng)新性地提出雙模態(tài)預測體系。一是參數(shù)-數(shù)值回歸模型，基于徑向基函數(shù)（RBF）的SVR模型，精準預測5），率提升9000倍，使得多目標優(yōu)化和容差性能分析（如參數(shù)公差對性），（2）模式創(chuàng)新情況“仿真-預測-優(yōu)化”全流程智能解決方案，實現(xiàn)設計范式和服務模式兩大突破。一是設計范式變革，工程師輸入參數(shù)后，2秒內即可獲取印模式升級，通過標準化，將高門檻的仿真技術轉化為“仿真即服務”著降低技術門檻。6.應用實效了重點優(yōu)化。通過對HyperMesh軟件的腳本開發(fā)，實現(xiàn)了胎面網格縮到1分鐘完成，單個方案的網格劃分總時間從2.5小時減少到1.5胎冠總弧高和行駛面寬三個關鍵設計參數(shù)與五項印痕性能指標建立映射關系。通過自動化調參流程，模型的預測誤差控制在2%以內。率提升達9000倍，同時大幅降低了計算資源消耗。這一突破使得多真驗證的高效流程，大幅減少CAE仿真的仿真?zhèn)€數(shù)。這套解決方案CAE代理模型的標準流程和方法，可以與滾阻，形變，壓力分布等其他關鍵性能指標的仿真相結合，并配合多目的遺傳算法進行優(yōu)化，