这是AIE加速工业进化【AI+CAE的现状和未来】系列的第8篇，主要介绍Neural Concept公司和通用汽车合作项目的具体情况。

在NVIDIA的GTC会议上，AI CAE创业公司Neural Concept介绍了他们和通用汽车General Motors合作的基于AI仿真的车辆行人碰撞模拟项目的具体情况，通过构建AI模型代替仿真计算，大幅提升了仿真计算效率，且误差保持在5%至10%之间。

以下内容来自其介绍内容和PPT。

Neural Concept是一个来自瑞士的AI+CAE创业公司，核心产品是提供一个端到端的平台，可以与企业内现有CAX系统集成，处理CAX文件，管理算力基础设施，从而帮企业创建AI仿真模型和Agent。

Neural Concept也在全球开展训练营等活动，培训和赋能CAE数据专家，这些CAE数据专家一方面懂得设计的业务流程，另一方面也懂得数据科学。

具体到合作项目上，行人碰撞安全是很多国家法规要求的重要项目，开展这一项目车企面临很多挑战：

• 不同国家的法律法规不同
• 增加行人保护可能引起更高的成本
• 复杂的测试工况要考虑，如大人和小孩，不同速度，不同角度的碰撞等，需要做非常多的测试

所以项目主要解决的问题就是如何提高测试的效率，通过AI加快测试，缩短周期。

通用汽车当前需要做很多的仿真，这些仿真的计算非常耗时，不同的变量交叉形成上百种工况需要去仿真。同时构建这样的一个仿真计算本身也是很花时间的事情。

项目希望让AI（GNN架构）模型去学习过往的训练数据，训练出一个可以快速预测仿真结果的AI模型，从而替代掉大部分的高精度仿真计算

具体描述问题就是要快速和准确的预测，在不同场景下，头部撞击到引擎盖的损伤情况。

碰撞的不同工况包括：

• 碰撞的位置，法规要求必须针对右边引擎盖上所有绿点进行测试
• 大人或小孩
• 不同标准定义下不同的消费者身体数据

由此带来4组工况以及每个车型超过100个碰撞点的测试。

通用汽车之前积累了13种车型的相关仿真数据，可以用于后续的训练。

具体的模型训练，输入包括：3D几何模型本身，材质信息，撞击坐标系，大人和小孩信息，GTR（Global Technical Regulations，联合国全球技术法规）或NCAP（New Car Assessment Program，新车评价规程）相关技术指标要求，输出则是在不同规章要求下的HIC（头部损伤准则）。

鉴于部分车型数据质量不高，项目最后选择了通用汽车11个车型的4个工况下100个碰撞数据进行训练。

传统的机器学习模型需要结构化数据作为输入，Nueral Concept则使用了自己专有的3D几何深度学习模型，可以直接使用3D几何作为输入，从几何形状中识别特征，而不是仅仅依赖一些参数。

数据训练前先进行了清晰和预处理，并做了划分，使用80%的数据用于训练，20%的数据用于结果测试。训练具体使用的是NVIDIA的A100 GPU，花了12小时。训练使用的平台Nueral Concept Studio部署在GM的私有化Azure租户上。

最终结果是AI预测结果与实际计算间存在5%-10%的差异。得益于AI模型直接从3D几何学习，模型也能够理解复杂的组件交互。

通用汽车之前就曾经尝试过构建机器学习模型去提高仿真速度，但是本次项目的AI模型预测准确率比之前的模型高的多，尤其是在一些可能和其它组件交互的复杂边界处。本次模型的优势还包括：引擎盖上非标记点的碰撞情况也可以轻易预测；通用汽车不必设计每次小的设计修改就重新跑一遍仿真；设计仿真团队各方可以基于模型的预测，决策设计变更方向，开展协同。

项目也还有一些需要提升的点：

• 从CAD 有限元网格直接转为输入CAD设计模型本身
• 基于CAD的用户界面，方便CAD和CAE工程师快速协同
• 模型要给出预测的置信度指标

Nueral Concept也和通用汽车识别了很多其它场景后续可以探索：车辆内部安全、外部空气动力学、电机设计、电池散热片、钣金冲压工艺过程等

Nueral Concept公司之前和其它一些企业合作过一些项目项目，其中电池散热片的模型无须重新训练或微调，可以直接使用。

此外，Nueral Concept公司还和NVIDIA合作了一个水翼船的优化项目。水翼船的设计目标是在纯靠风力作用下速度达到80英里每小时的速度，为此需要优化结构。整个过程涉及多学科仿真，传统仿真计算模式下2-3天只能完成1个方案，而项目AI在45分钟内测试了10000种设计方案，效率大幅提高。最后项目选择的方案使船的阻力升力比提高了12%，并可以将模型嵌入Omniverse平台中看到实时的数字孪生效果。