從有限元仿真分析FEA到人工智能AI你知道多少？

 有限元分析（FEA，FiniteElementAnalysis），是利用數學近似的方法對真實物理系統（幾何和載荷工況）進行模擬，還利用簡單而又相互作用的元素，即單元，就可以用有限數量的未知量去逼近無限未知量的真實系統。

 人工智能與有限元

 谷歌的AlphaGo與柯杰的大戰已經結束，而DeepMind承諾的50分棋譜也已經公布，而作為當前最先進的計算機“技術”，有限元方法有沒有與機器學習（人工智能）進一步結合并碰發出絢麗的“火花”呢？？

 答案是肯定的?。?！

什么是人工智能

 人工智能（ArtificialIntelligence），英文縮寫為AI。它是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。人工智能是計算機科學的一個分支，它企圖了解智能的實質，并生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。人工智能從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，可以設想，未來人工智能帶來的科技產品，將會是人類智慧的“容器”。

 機器學習是人工智能的一個分支，簡單地說，就是通過算法，使機器能從大量歷史數據中學習規律，從而對新的樣本做智能識別或對未來進行預測。

 常見的機器學習算法如：

 神經網絡（NeuralNetwork）

 支持向量機(SupportVectorMachines，SVM)Boosting

 決策樹（DecisionTree）

 隨機森林（RandomForest）

 貝葉斯模型（BayesianModel）等。

 早期的機器學習算法由于受到理論模型和計算資源的限制，一般只能進行淺層學習，只在搜索排序系統、垃圾郵件過濾系統、內容推薦系統等地方有所應用。

 而之后發生的幾件事，掀起了深度學習的浪潮。一件是2006年，加拿大多倫多大學教授Hinton和他的學生Salakhutdinov在Science上發表了一篇文章，揭示了具有多個隱層的神經網絡（即深度神經網絡）優異的學習性能，并提出可以通過“逐層初始化”技術，來降低深度學習網絡訓練的難度；

 第二件事是在2012年底，GeoffHinton的博士生AlexKrizhevsky、IlyaSutskever利用卷積神經網絡（ConvolutionalNeuralNetwork，CNN）在圖片分類的競賽ImageNet上，擊敗了擁有眾多人才資源和計算資源的Google，拿到了第一名。

 如今機器學習已深入到包括語音識別，圖像識別，數據挖掘等諸多領域并取得了矚目的成績。

 有限元法的發展簡史

 有限元方法（FEA）即有限單元法，它是一種數值分析(計算數學)工具，但不是唯一的數值分析工具。在工程領域還有其它的數值方法，如：有限差分法、邊界元方法、有限體積法。深圳市有限元科技有限公司是一家有十年有限元分析項目經驗的高科技企業，公司代理國外多款著名有限元軟件，并提供軟件的銷售與培訓業務，另研發出多款行業有限元通用軟件，并秉承以最高質量的產品和最高質量的服務滿足客戶的各種需求的服務理念，致力于為客戶提供一站式有限元整體解決方案，目前已為全國超過500家企業提供有限元分析服務。如需購買有限元軟件或咨詢服務請聯系電話：13632683051，咨詢QQ：4006046636。

 有限單元法已成為一種強有力的數值解法來解決工程中遇到的大量問題，其應用范圍從固體到流體，從靜力到動力，從力學問題到非力學問題。事實上，有限單元法已經成為在已知邊界條件和初始條件下求解偏微分方程組的一般數值方法。

 有限單元法在工程上的應用屬于計算力學的范疇，而計算力學是根據力學中的理論，利用現代電子計算機和各種數值方法，解決力學中的實際問題的一門新興學科。它橫貫力學的各個分支，不斷擴大各個領域中力學的研究和應用范圍，同時也在逐漸發展自己的理論和方法。

 神經網絡與力學

 其實，在深度學習浪潮掀起之前，力學和工程領域早已開始在計算力學研究中結合神經網絡模型，開發出更優的算法，一個典型的例子便是有限元神經網絡模型。

 由于在實際工程問題中存在大量的非線性力學現象，如在結構優化問題中，需要根據需求設計并優化構件結構，是一類反問題，這些非線性問題難以用常規的方法求解，而神經網絡恰好具有良好的非線性映射能力，因而可得到比一般方法更精確的解。

 將有限元與神經網絡結合的方法有很多，比如針對復雜非線性結構動力學系統建模問題，可以將線性部分用有限元進行建模，非線性構件用神經網絡描述（如輸入非線性部件狀態變量，輸出其恢復力），再通過邊界條件和連接條件將有限元模型部分和神經網絡部分結合，得到雜交模型。

 另一種方法是首先通過有限元建立多種不同的模型，再將模態特性（即最終需要達到的設計要求）作為輸入變量，將對應的模型結構參數作為輸入變量，訓練神經網絡，利用神經網絡的泛化特性，得到設計參數的修正值。

 結合MonterCarlo方法，進行多組有限元分析，將數據輸入神經網絡中進行訓練，可以用來分析結構的可靠度。

 已有研究成果

 [1]余凱，賈磊，陳雨強，徐偉。深度學習的昨天、今天和明天[J]。計算機研究與發展，2013，09：1799-1804。

 [2]周春桂，張希農，胡杰，謝石林?；谟邢拊蜕窠浘W絡的雜交建模[J]。振動工程學報，2012，01：43-48。

 [3]費慶國，張令彌?；趶较蚧窠浘W絡的有限元模型修正研究[J]。南京航空航天大學學報，2004，06：748-752。

 [4]許永江，邢兵，吳進良?；谟邢拊?神經網絡-Monte-Carlo的結構可靠度計算方法[J]。重慶交通大學學報(自然科學版)，2008，02：188-190+216。

 未來的一些方向

 1、圖形顯示方面（有限元與AR&VR）

 隨著有限元計算涉及的領域以及計算的規模不斷增大，計算結果的高效、高質量的前后處理也隨之成為了一個問題。

 AR&VR在圖形化數據展示方面，將我們從顯示屏解放出來，可以以一種更加直觀的方式查看計算分析數據，未來在分析結果VR展示方面，會有較大的突破。

 國內也有學者已經展開了相關方面的研究，比如《虛擬現實環境中有限元前后處理功能實現》等論文，有限元虛擬處理技術(FEMVR)也開始逐步進入相關軟件領域，例如：新版MATLAB內置了一些人工智能算法。

 2、有限元與大數據、云計算

 計算規模增大，伴隨著計算機能力的提升，隨之而來的云計算，解脫了對于計算機硬件的束縛，對于可以放開規模與數量的分析計算，有限元與大數據以及云計算的碰撞，對于未來問題的解決，將有一個質的飛躍，量變到質變的直觀體現，在有限元與大數據中會有一個絢麗的展示。

 3、有限元與人工智能

 人工智能作為全球熱的技術，與“古老”的有限元之間，相信可以在老樹上發新芽，而我們可以欣喜的看到，相關的研究也已經開展，期待未來對于現實問題的解決，能有更好的更優的方案。

 4、CAD數據與CAE數據的無縫對接

 目前等幾何分析（IsogeometricAnalysis，IGA）的發展熱度來看，將CAD中用于表達幾何模型的NURBS基函數作為形函數，克服FEA中模型精度損失的問題，實現CAD和CAE的無縫結合，是一個很有前途和潛力的發展方向。

 5、CAE與MBD的深度融合

 未來CAEFEM可能會與多體動力學仿真（MBS）軟件深度整合起來。實際系統中某些運動部件的彈性無法忽略，甚至是主要動力學行為的來源，所以就產生了柔性多體動力學仿真這個需求，這樣只需要定義相關部件的受力和邊界條件，其余的都是內部作用，仿真即節省工作量又較為真實可信。而且現在的確有很多MBS軟件里面可以把部件建成彈性體，如LMSVirtualLab，Simpack等等，但過程沒有那么傻瓜；除了簡單的梁、軸等零件，復雜形狀的零件要依賴FEM軟件事先生成的數據文件。

 6、網格工作的智能化，傻瓜化

 將來對彈性體建?？赡芨由倒?，先把剛性多體系統模型建起來，然后在建模環境（前處理）中直接makebodyflexible，系統可以根據這個部件的形狀、材料、邊界條件等選擇合適的網格類型，并把運動和力的作用點couple到對應的節點（組）上。比如說汽車懸掛系統仿真，在一個工作環境下就能把某個部件的應力校核給做了，而不需要說搞多體建模的人要把邊界力生成一個loadcase再發給專門的FEM工程師去做。

 如何追上有限元的發展

 有限元科技小編認為，任何技術的進步，都要在實踐中展示技術的威力，有限元的發展，會隨著技術的進步，特別是計算機技術的進步，在未來無論是應用軟件的研究還是智能程序的開發，都將有無限的機會與可能。

 我們應該積極學習新技術，新方法，在應用領域，關注有限元相關軟件的新功能。

 1、了解熱點、跟蹤前沿

 2、結合實際拓展應用

 3、掌握自動化相關技術