需求变化时重用仿真数据

想象一下这样的会议：动力总成团队刚刚收到一份疲劳评估报告。新部件的结构应力上限比优化项目开始时设定的要低：新的疲劳数据显示，其安全寿命比最初设计预期的要短。五千次仿真运行、合理的权衡曲线，以及团队准备继续推进的设计方案——但现在这一切都不适用了。

要想了解在新限制下可以取得怎样的成就，只有一个办法——重新进行整个竞选活动。

没有人做错什么。这类变更在任何项目中都是正常现象：当项目范围扩大到新市场时，效率目标会随之调整；当对客户群体有更深入的了解时，工作周期也会重新定义；或者某个单独来看似乎没问题的组件，最终却发现与上游组件存在冲突。优化器完全按照要求执行了任务——但几个月的模拟工作却浪费在回答一个已经过时的问题上。

传统方法难以应对不断变化的目标。

优化工具并非薄弱环节——这些都是成熟的算法，内置于各大CAE厂商的软件中。对于给定的问题（一组需求和一定次数的仿真运行），它们能够有效地搜索满足需求的最佳设计方案。真正的挑战在于，问题本身很少保持不变。

确定需求是工程工作的一部分，需要随着项目的推进进行协商和修订。使用传统的优化器，每次运行都假定需求已经确定，一旦需求发生变化，就无法询问现有方案“这种变化意味着什么？”

唯一的选择是从头开始提出新问题，但这会耗费大量时间和模拟预算。

还有另一种影响，这种影响比浪费的模拟运行更难察觉。在设计评审会上——团队正在权衡新的限制是否真的不可更改，或者是否存在折衷方案——优化结果对正在讨论的问题却只字未提。它们仅仅反映了项目启动时的需求。最终的决定仍然由工程师做出，但他们只能依靠经验和先例，因为要拿出证据来支持这一判断，就需要再进行一次完整的项目。

如果模型是可重复使用的，而不是一次性的，那么会有什么变化呢？

在由国际工程建模、分析和仿真协会 (NAFEMS) 主办的英国 NAFEMS 2026 会议上，Secondmind 展示了一项基准测试，该测试表明如何以不同的方式处理项目中期需求变更：我们将传统的优化器与一种探索性优化器进行了比较，这种探索性优化器使得需求变更成为向同一模型提出的一个新问题，而不是一个全新的项目。

该基准测试采用了一个电机设计问题——六个几何变量，五个性能限制（扭矩、应力、铁损、效率和扭矩波动）——这是非公路车辆和商用车辆制造商在向混合动力和电动动力系统转型过程中日益关注的那种相互作用的参数问题。

该项目最初设定的应力极限为 250 MPa，随后经历了三次需求变更：疲劳审查将应力上限降低至 150 MPa，协商后折衷至 200 MPa，以及热审查将铁损上限设定为 2100 W——这与任何实际项目在多学科审查过程中可能遇到的情况类似。为了确保比较的可重复性，两种方法均使用同一个快速且经过验证的电机有限元求解器替代模型进行测试，该模型基于约 18000 次 JMAG 仿真构建而成。

按照常规方法运行，这四个阶段中的每一个都意味着一次全新的优化活动——一个固定的模拟计划，并承诺完整运行：5000 次运行以建立初始权衡曲线，当应力上限收紧时再运行 5000 次，再次运行以重新协商妥协方案，一旦达到热极限，则运行更多次——总共运行 20000 次模拟，最终结果为 207.5 Nm。

我们展示的替代方法构建了一个设计空间的代理模型。与传统的实验设计 (DoE) 预先设定固定的模拟方案不同，该方法从一个小型种子集开始——该种子集仅足以让模型大致了解设计空间——然后，采样方式变为自适应：在每次小批量模拟之后，模型会利用自身的不确定性来选择下一个模拟点，从而平衡设计空间中那些理解不足的区域和那些可能满足要求的区域，而不是按照预先设定的点列表进行操作。这种针对性使得模拟总数得以大幅减少——仅为传统方法所需模拟次数的一小部分。至关重要的是，该模型还会显示其不确定之处，而不是给出一个自信的错误答案，因此其知识的不足之处始终清晰可见，而非被隐藏起来。

最终结果并非单一的最佳点，而是一张展现可实现目标及其可行性边界的地图。一旦这张地图生成，便可再次查询，而无需额外的模拟成本。降低应力极限，可行域会明显缩小；再次提高应力极限，则会重新出现折衷方案。

每次需求变更时，工程师可以直接从现有模型中获取答案，或者进行少量针对性仿真以进一步优化模型。在相同的四个阶段中，仅使用现有模型，总共进行了 448 次仿真，结果达到 196.5 Nm。而通过增加针对性仿真，结果达到 206.9 Nm（传统方法为…