8 hours video” img_size=”45×45″ woodmart_css_id=”693d2045baf9f” info_box_inline=”no” wd_hide_on_desktop=”no” wd_hide_on_tablet_landscape=”no” wd_hide_on_tablet=”no” wd_hide_on_mobile=”no” responsive_spacing=”eyJwYXJhbV90eXBlIjoid29vZG1hcnRfcmVzcG9uc2l2ZV9zcGFjaW5nIiwic2VsZWN0b3JfaWQiOiI2OTNkMjA0NWJhZjlmIiwic2hvcnRjb2RlIjoid29vZG1hcnRfaW5mb19ib3giLCJkYXRhIjp7InRhYmxldCI6e30sIm1vYmlsZSI6e319fQ==” wd_z_index=”no”][/woodmart_info_box][woodmart_info_box image=”36248″ rounding_size=”” image_alignment=”left” title_tag=”span” title_size=”small” svg_animation=”yes” title=”Step by Step
Workshop” img_size=”45×45″ woodmart_css_id=”688a159e17a64″ info_box_inline=”no” wd_hide_on_desktop=”no” wd_hide_on_tablet_landscape=”no” wd_hide_on_tablet=”no” wd_hide_on_mobile=”no” responsive_spacing=”eyJwYXJhbV90eXBlIjoid29vZG1hcnRfcmVzcG9uc2l2ZV9zcGFjaW5nIiwic2VsZWN0b3JfaWQiOiI2ODhhMTU5ZTE3YTY0Iiwic2hvcnRjb2RlIjoid29vZG1hcnRfaW5mb19ib3giLCJkYXRhIjp7InRhYmxldCI6e30sIm1vYmlsZSI6e319fQ==” wd_z_index=”no”][/woodmart_info_box]
Practice” img_size=”45×45″ woodmart_css_id=”684a682bd5638″ info_box_inline=”no” wd_hide_on_desktop=”no” wd_hide_on_tablet_landscape=”no” wd_hide_on_tablet=”no” wd_hide_on_mobile=”no” responsive_spacing=”eyJwYXJhbV90eXBlIjoid29vZG1hcnRfcmVzcG9uc2l2ZV9zcGFjaW5nIiwic2VsZWN0b3JfaWQiOiI2ODRhNjgyYmQ1NjM4Iiwic2hvcnRjb2RlIjoid29vZG1hcnRfaW5mb19ib3giLCJkYXRhIjp7InRhYmxldCI6e30sIm1vYmlsZSI6e319fQ==” wd_z_index=”no”][/woodmart_info_box][woodmart_info_box image=”36249″ rounding_size=”” image_alignment=”left” title_tag=”span” title_size=”small” svg_animation=”yes” title=”All Simulation
Documents” img_size=”45×45″ woodmart_css_id=”693d205bcadfe” info_box_inline=”no” wd_hide_on_desktop=”no” wd_hide_on_tablet_landscape=”no” wd_hide_on_tablet=”no” wd_hide_on_mobile=”no” responsive_spacing=”eyJwYXJhbV90eXBlIjoid29vZG1hcnRfcmVzcG9uc2l2ZV9zcGFjaW5nIiwic2VsZWN0b3JfaWQiOiI2OTNkMjA1YmNhZGZlIiwic2hvcnRjb2RlIjoid29vZG1hcnRfaW5mb19ib3giLCJkYXRhIjp7InRhYmxldCI6e30sIm1vYmlsZSI6e319fQ==” wd_z_index=”no”][/woodmart_info_box]
几十年来,高保真工程仿真一直是现代设计的基石——它功能强大、精度高,但通常速度慢、复杂且计算成本高。这限制了仿真技术在快速迭代设计周期中的应用深度。.
但如今,情况正在迅速变化: Abaqus人工智能 以及其他数据驱动型工具的功能远不止于自动化重复性任务。它们正成为基于物理的求解器不可或缺的合作伙伴,将机器学习与经典力学相结合,从而释放出曾经看似科幻的功能。.
传统 Abaqus 求解器与现代 AI 模型之间的协同作用,正将仿真从后期验证步骤转变为交互式、生成式协作。其技术范围涵盖从嵌入 UMAT 的神经构成模型到能够编写整个工作流程的 LLM 代理,, Abaqus人工智能 工作流程的改进使仿真速度更快、更智能、更易于使用。.
本文拨开迷雾,重点介绍了人工智能正在以五种令人惊讶的方式重塑工程仿真——这些方法得到了近期研究和实际开源项目的支持。.
要点 1:用于加速有限元分析的代理模型和降阶模型 (S/ROM)
人工智能最直接的影响体现在计算速度上,但真正令人震惊的是其提升的规模。我们说的不是10%或20%这样的小幅提升。由人工智能驱动的代理模型,基于高保真求解器的数据进行训练,能够带来几个数量级的速度提升。.
- 用于模拟压铸硬化过程的深度学习代理模型取得了成功 速度提升约 10,000 倍 与传统的 Abaqus 模型相比(Abio 等人,2022)。.
- 在对风力涡轮机结构进行复杂的非线性动力学模拟时,人工智能模型给出了一个结果。 300倍加速 (Simpson 等人,2022 年)。.
- 对于静态弹性问题,图神经网络(GNN)计算出的解近似为 0.1秒, 与大约 20秒 完整的 Abaqus 解决方案(Gladstone 等人,2024)。.
这种加速水平具有变革性意义,因为它弥合了长期以来将高保真仿真限制在设计部门的“延迟差距”。对于数字孪生等实时应用而言,完整 Abaqus 解决方案的延迟是不可接受的。因此,人工智能代理是…… 因果依赖 使这些系统正常运行的前提条件。.
人工智能通过提供近乎即时的结果,将模拟从取证或设计阶段的工具转变为物理资产的实时运行神经中枢。.
希望将人工智能直接集成到 CAE 工作流程中的工程师可以探索以下内容: 机械工程人工智能工具培训包, 这表明现代人工智能助手如何能够自动执行预处理、加快仿真任务速度并提高整体工程生产力。.
要了解更多关于这个领域的信息,您可以阅读“加速计算力学:使用 Abaqus 进行代理建模”这篇文章通过各种案例研究,全面解释了这种方法。.
要点二:Abaqus AI驱动的本构模型和材料模型(UMAT/VUMAT集成)
使用人工智能来近似计算是一回事, 结果 模拟过程;而将人工智能直接嵌入求解器核心计算中,则是更激进的一步。这正是用户自定义材料子程序正在发生的事情(UMAT/VUMAT)在 Abaqus 等软件中。.
本类别重点介绍如何利用用户材料子程序(Abaqus/Standard 使用 UMAT,Abaqus/Explicit 使用 VUMAT)将数据驱动的材料模型(称为神经网络本构模型,NNCM)直接嵌入到 Abaqus 求解器内核中。这些子程序就像钩子一样,允许工程师使用数学方程定义自定义的材料行为。.
这里是 Abaqus人工智能 改变了游戏规则。通过将神经网络或其他机器学习架构与有限元求解器的传统框架相结合,工程师可以开发出…… 人工智能驱动的构成模型 它直接从实验或模拟数据中学习。该模型无需手动构建方程式,即可识别隐藏的材料模式,从而显著提高预测精度和计算效率。.
研究人员现在正用训练有素的神经网络取代传统的方程式。求解器不再使用应力应变公式,而是调用一个人工智能模型。 学习 根据数据分析材料的性能。.
该领域的一项关键突破是Suh等人(2023)开发的PyTorch-Abaqus框架,它创建了一个无缝的工作流程,可以将最先进的AI模型注入到高性能的Fortran环境中。以往,为隐式求解器编写这些子程序的最大挑战之一是需要手动编写一致的雅可比矩阵——这是一项复杂且容易出错的任务,但对于数值稳定性至关重要。.
一项重大的技术进步……自动将训练好的 PyTorch 模型的权重和偏差转换为通用的 FORTRAN 代码……这项技术解决方案大大加快了 NNCM 研究从学术概念验证到可复现的工业级实现的转变。.
该框架真正的创新之处在于利用了 PyTorch 的自动微分 (AD) 功能。 自动地 生成数值精确且稳定的雅可比矩阵。这解决了实现中的一个主要瓶颈,并确保了隐式牛顿-拉夫逊格式的稳健二次收敛性,这是数据驱动材料建模的理想目标,它既能保证速度,又能保证稳定性。.
要了解更多关于这个领域的信息,您可以阅读“AI驱动的本构模型和材料模型(UMAT/VUMAT和USDFLD/VUSDFLD集成)”这篇文章通过各种案例研究,全面解释了这种方法。.
尽管 Abaqus 仍然是一款基于物理的求解器,但机器学习方法可以显著提高疲劳寿命预测等领域的预测质量。一个实际的例子是: 机器学习金属疲劳裂纹预测教程, 这表明,数据驱动模型可以通过预测复杂载荷历史下的裂纹扩展来补充有限元模型。.
one hour video” img_size=”45×45″ woodmart_css_id=”68dcff53ad121″ info_box_inline=”no” wd_hide_on_desktop=”no” wd_hide_on_tablet_landscape=”no” wd_hide_on_tablet=”no” wd_hide_on_mobile=”no” responsive_spacing=”eyJwYXJhbV90eXBlIjoid29vZG1hcnRfcmVzcG9uc2l2ZV9zcGFjaW5nIiwic2VsZWN0b3JfaWQiOiI2OGRjZmY1M2FkMTIxIiwic2hvcnRjb2RlIjoid29vZG1hcnRfaW5mb19ib3giLCJkYXRhIjp7InRhYmxldCI6e30sIm1vYmlsZSI6e319fQ==” wd_z_index=”no”][/woodmart_info_box][woodmart_info_box image=”36248″ rounding_size=”” image_alignment=”left” title_tag=”span” title_size=”small” svg_animation=”yes” title=”Step by Step
Workshop” img_size=”45×45″ woodmart_css_id=”688a159e17a64″ info_box_inline=”no” wd_hide_on_desktop=”no” wd_hide_on_tablet_landscape=”no” wd_hide_on_tablet=”no” wd_hide_on_mobile=”no” responsive_spacing=”eyJwYXJhbV90eXBlIjoid29vZG1hcnRfcmVzcG9uc2l2ZV9zcGFjaW5nIiwic2VsZWN0b3JfaWQiOiI2ODhhMTU5ZTE3YTY0Iiwic2hvcnRjb2RlIjoid29vZG1hcnRfaW5mb19ib3giLCJkYXRhIjp7InRhYmxldCI6e30sIm1vYmlsZSI6e319fQ==” wd_z_index=”no”][/woodmart_info_box]
Practice” img_size=”45×45″ woodmart_css_id=”684a682bd5638″ info_box_inline=”no” wd_hide_on_desktop=”no” wd_hide_on_tablet_landscape=”no” wd_hide_on_tablet=”no” wd_hide_on_mobile=”no” responsive_spacing=”eyJwYXJhbV90eXBlIjoid29vZG1hcnRfcmVzcG9uc2l2ZV9zcGFjaW5nIiwic2VsZWN0b3JfaWQiOiI2ODRhNjgyYmQ1NjM4Iiwic2hvcnRjb2RlIjoid29vZG1hcnRfaW5mb19ib3giLCJkYXRhIjp7InRhYmxldCI6e30sIm1vYmlsZSI6e319fQ==” wd_z_index=”no”][/woodmart_info_box][woodmart_info_box image=”36249″ rounding_size=”” image_alignment=”left” title_tag=”span” title_size=”small” svg_animation=”yes” title=”All Simulation
Files” img_size=”45×45″ woodmart_css_id=”685922617e775″ info_box_inline=”no” wd_hide_on_desktop=”no” wd_hide_on_tablet_landscape=”no” wd_hide_on_tablet=”no” wd_hide_on_mobile=”no” responsive_spacing=”eyJwYXJhbV90eXBlIjoid29vZG1hcnRfcmVzcG9uc2l2ZV9zcGFjaW5nIiwic2VsZWN0b3JfaWQiOiI2ODU5MjI2MTdlNzc1Iiwic2hvcnRjb2RlIjoid29vZG1hcnRfaW5mb19ib3giLCJkYXRhIjp7InRhYmxldCI6e30sIm1vYmlsZSI6e319fQ==” wd_z_index=”no”][/woodmart_info_box]
要点三:优化和设计自动化(拓扑、形状、参数化)
人工智能长期以来一直被用于设计优化,通过系统地调整参数来寻找略微更优的解决方案。如今,它的角色正在向更具创造性的方向发展。诸如深度强化学习(DRL)之类的技术——这种人工智能范式曾成功驾驭围棋等复杂游戏——正被用于探索广阔的设计空间并创造全新的解决方案。.
这些人工智能代理并非仅仅进行优化,而是学习一种构成优秀设计的“策略”。这与传统方法截然不同,传统方法只是简单地探索一个固定的、预定义的设计空间。.
人工智能正在学习 规则 好的设计就像游戏AI学习哪些走法能带来胜利一样。这使其能够“以最优方式决定在序列中放置或移除材料的位置”,从而创造出人类工程师可能永远无法想到的解决方案。.
- 利用深度强化学习(DRL),Srinivasan等人(2024)开发了一种智能体,该智能体优化了车辆侧梁的碰撞安全性设计,使其能量吸收能力提高了约 40%.
- Xu 等人 (2023) 采用“生成式主动学习”框架,智能地设计和优化 3D 打印骨支架的结构,平衡多个相互竞争的性能目标。.
这标志着一个重大转变。人工智能不再仅仅是计算器,而是设计过程中积极主动、富有创造力的合作伙伴,能够生成全新的解决方案,而不仅仅是对现有方案进行微调。.
要了解更多关于这个领域的信息,您可以阅读“优化与设计自动化(Abaqus中的拓扑、形状、参数化研究)”这篇文章通过各种案例研究,全面解释了这种方法。.
one hour video” img_size=”45×45″ woodmart_css_id=”68dcff53ad121″ info_box_inline=”no” wd_hide_on_desktop=”no” wd_hide_on_tablet_landscape=”no” wd_hide_on_tablet=”no” wd_hide_on_mobile=”no” responsive_spacing=”eyJwYXJhbV90eXBlIjoid29vZG1hcnRfcmVzcG9uc2l2ZV9zcGFjaW5nIiwic2VsZWN0b3JfaWQiOiI2OGRjZmY1M2FkMTIxIiwic2hvcnRjb2RlIjoid29vZG1hcnRfaW5mb19ib3giLCJkYXRhIjp7InRhYmxldCI6e30sIm1vYmlsZSI6e319fQ==” wd_z_index=”no”][/woodmart_info_box][woodmart_info_box image=”36248″ rounding_size=”” image_alignment=”left” title_tag=”span” title_size=”small” svg_animation=”yes” title=”Step by Step
Workshop” img_size=”45×45″ woodmart_css_id=”688a159e17a64″ info_box_inline=”no” wd_hide_on_desktop=”no” wd_hide_on_tablet_landscape=”no” wd_hide_on_tablet=”no” wd_hide_on_mobile=”no” responsive_spacing=”eyJwYXJhbV90eXBlIjoid29vZG1hcnRfcmVzcG9uc2l2ZV9zcGFjaW5nIiwic2VsZWN0b3JfaWQiOiI2ODhhMTU5ZTE3YTY0Iiwic2hvcnRjb2RlIjoid29vZG1hcnRfaW5mb19ib3giLCJkYXRhIjp7InRhYmxldCI6e30sIm1vYmlsZSI6e319fQ==” wd_z_index=”no”][/woodmart_info_box]
Practice” img_size=”45×45″ woodmart_css_id=”684a682bd5638″ info_box_inline=”no” wd_hide_on_desktop=”no” wd_hide_on_tablet_landscape=”no” wd_hide_on_tablet=”no” wd_hide_on_mobile=”no” responsive_spacing=”eyJwYXJhbV90eXBlIjoid29vZG1hcnRfcmVzcG9uc2l2ZV9zcGFjaW5nIiwic2VsZWN0b3JfaWQiOiI2ODRhNjgyYmQ1NjM4Iiwic2hvcnRjb2RlIjoid29vZG1hcnRfaW5mb19ib3giLCJkYXRhIjp7InRhYmxldCI6e30sIm1vYmlsZSI6e319fQ==” wd_z_index=”no”][/woodmart_info_box][woodmart_info_box image=”36249″ rounding_size=”” image_alignment=”left” title_tag=”span” title_size=”small” svg_animation=”yes” title=”All Simulation
Files” img_size=”45×45″ woodmart_css_id=”685922617e775″ info_box_inline=”no” wd_hide_on_desktop=”no” wd_hide_on_tablet_landscape=”no” wd_hide_on_tablet=”no” wd_hide_on_mobile=”no” responsive_spacing=”eyJwYXJhbV90eXBlIjoid29vZG1hcnRfcmVzcG9uc2l2ZV9zcGFjaW5nIiwic2VsZWN0b3JfaWQiOiI2ODU5MjI2MTdlNzc1Iiwic2hvcnRjb2RlIjoid29vZG1hcnRfaW5mb19ib3giLCJkYXRhIjp7InRhYmxldCI6e30sIm1vYmlsZSI6e319fQ==” wd_z_index=”no”][/woodmart_info_box]
Abaqus中人工智能的日益普及凸显了工程分析领域正在发生的更广泛的变革。这些发展是向……转变这一更大趋势的一部分。 仿真工程的未来, 在这个领域,智能求解器、自动化和数据驱动的工作流程重新定义了工程师进行设计和验证的方式。我们将在专门的文章中更详细地探讨这一演变。 仿真工程的未来.
要点 4:你现在可以与你的模拟软件对话了
仿真工作流程中最繁琐且最容易出错的环节之一是设置:创建几何体、定义材料、施加载荷和边界条件以及生成网格。传统上,这个过程需要掌握复杂的软件接口和脚本语言方面的专业知识。如今,大型语言模型(LLM)有望实现这一过程的完全自动化。.
Farhad Davaripour 开发的开源项目 FEA_Assisted_Agent 就是一个引人注目的例子。它将逻辑逻辑模型(LLM,通过 OpenAI API)连接到 Abaqus,从而生成并执行功能代码。该智能体通过其 Python 脚本接口和 MCP 服务器与 Abaqus 通信,使其能够将简单的英语命令转换为完整的仿真设置。.
例如,用户可以简单地要求代理执行以下操作:“创建悬臂梁网格并施加载荷。” LLM 会生成必要的 Python 脚本,在 Abaqus 中运行设置,并生成模型。.
这彻底改变了无障碍访问的方式,使工程师和科学家能够专注于工程问题本身,而不是软件操作的复杂性。它大幅降低了准入门槛,并实现了以往需要数小时人工操作的工作流程自动化。.
要点五:人工智能正在学习智能地“加速”模拟过程
一些最有价值(也最耗费计算资源)的模拟涉及预测长期行为,例如疲劳寿命或裂纹扩展。使用传统求解器逐步运行这些模拟可能需要数天甚至数周时间。一种创新的混合方法巧妙地解决了这个问题,它让人工智能和物理求解器协同工作。.
现代人工智能模型能够捕捉到远超传统经验公式的非线性疲劳行为。对于那些对实用、即用型工作流程感兴趣的读者,我们的 机器学习金属疲劳裂纹预测软件包 提供完整的实践教程,指导如何使用真实的工程数据集构建数据驱动的裂纹扩展预测模型。.
Miranda等人(2025)开发的用于疲劳裂纹预测的“交错物理-机器学习框架”就是一个典型的例子。其工作原理如下:
- Abaqus 运行: 高保真求解器运行几个小的模拟步骤,以生成关于应力场和裂纹扩展的精确局部数据。.
- 人工智能学习: 利用这些新鲜的高质量数据训练深度神经网络,以学习当前状态与下一个裂纹增量之间的关系。.
- 人工智能预测: 训练好的 AI 模型随后“快速推进”模拟,无需完整的求解器即可快速预测裂纹在后续许多步骤中的扩展方式。.
- Abaqus 更正: 系统会定期重新启用完整的 Abaqus 求解器,以检查 AI 的预测结果,纠正任何偏差,并生成新数据来改进 AI 模型,从而实现下一次飞跃。.
这种巧妙的交错方法避免了预先生成庞大且全面的数据集。人工智能可以实时学习,并以物理求解器作为可靠的指导,从而使人工智能能够应对模拟领域一些最困难、最耗时的挑战。.
结论
将人工智能集成到工程仿真中,其意义远不止于提升效率。从实现实时数字孪生的速度,到嵌入材料模型的基本物理原理,人工智能正在与传统求解器建立强大而互惠的伙伴关系。.
它正逐渐成为创意设计伙伴、智能自动化代理和解决计算量巨大的问题的巧妙策略师。.
这并非用人工智能取代物理学,而是对其进行增强。这些突破的核心在于将数据驱动的智能深度集成到模拟的核心架构中,从而创造出一个远超各部分之和的整体。.
由此产生了一类新型的仿真工具,它们不仅可以预测未来,还能积极地从现在学习,有望重新定义工程创新的速度和范围。.
那些及早接受这一转变的人将会发现自己站在工程设计的最前沿——物理学和智能在每个模型中融合。下一代仿真技术已经到来,而且 Abaqus人工智能 正在引领潮流。.
随着这些人工智能驱动的工具变得越来越强大和富有创造力,人类工程师的角色将如何随之演变?
结构化调查结果表: 以下是所有已识别的来源和资源的摘要(标题、作者、年份、类型、类别、网址)。可下载的 CSV/JSON 最后还提供了这些元数据。.
研究论文和资料库
| 标题 | 作者 | 年 | 类型 | 类别 | URL |
|---|---|---|---|---|---|
| 基于机器学习的压铸硬化过程代理模型(22MnB5) | Abio等人. | 2022 | 期刊(材料) | 1. 代理模型 | DOI |
| 基于机器学习的固体力学降阶模型(线性/非线性) | Tannous等人. | 2025 | 期刊(AMSES) | 1. 代理模型 | (开放获取) |
| 基于网格的图神经网络代理模型求解偏微分方程 | Gladstone等人. | 2024 | 期刊(科学报告) | 1. 代理模型 | DOI |
| 复合材料(损伤)的多尺度代理模型 | Yan等人. | 2020 | 期刊(Compos. B) | 1. 代理模型 | DOI |
| FE-PINNs:基于物理信息的FE神经代理 | 苏尼尔和希尔斯 | 2024 | 预印本(arXiv) | 1. 代理模型 | DOI |
| 用于可塑性(水平集)的 PyTorch-Abaqus UMAT 框架 | Suh等人. | 2023 | 《材料力学杂志》 | 2. AI材质模型 | 通过代码提供 |
| 基于机器学习的多尺度复合框架(GRU UMAT) | 周和塞姆纳尼 | 2025 | 期刊(工程计算) | 2. AI材质模型 | Springer链接 |
| Abaqus UMAT 中的 LSTM 晶体可塑性 | He等人(arXiv) | 2024 | 预印本(arXiv) | 2. AI材质模型 | DOI |
| 综述:人工神经网络在结构模型(粘弹性)中的应用 | Lourenço等人. | 2022 | 期刊(金属) | 2. AI材质模型 | DOI |
| 深度学习拓扑优化(元素移除) | 邱杜杨 | 2021 | 期刊(材料设计) | 3. 优化 | DOI |
| 机器学习赋能的多目标设计(GAD-MALL) | 徐等人. | 2023 | 期刊(自然通讯) | 3. 优化 | DOI |
| 基于强化学习的侧梁设计优化 | Srinivasan 等人. | 2024 | 预印本(arXiv) | 3. 优化 | arXiv:2411.09499 |
| TRUNet:3D拓扑优化网络 | Koeppe等人. | 2020 | 期刊(TOG) | 3. 优化 | DOI |
| RL 用于梯度超材料设计(能量收集) | Rosafalco等人. | 2023 | 期刊(科学报告) | 3. 优化 | DOI |
| 交错物理-ML疲劳裂纹扩展(PBDL) | Miranda等人. | 2025 | 期刊(npj 计算数学) | 6. 损害预测 | DOI |
| 船舶实时数字孪生(反向有限元分析) | 魏等人. | 2024 | 期刊(JMSE) | 7. 数字孪生(相关) | DOI |
| Abq_2_ThirdPartyLibrary(存储库) | 约翰·C·苏 | 2019 | GitHub 代码库(Python) | 1. 代理模型 | GitHub |
| 复合材料损伤预测(repo) | Karthikeyan等人. | 2025 | GitHub 代码库(Python) | 1. 代理模型 / 6. 损伤 | GitHub |
| hml(混合机器学习) | shayansss | 2024 | GitHub 代码库(Python/Fortran) | 1. 代理模型 | GitHub |
| ABAQUS_NN | 徐亨硕 | 2023 | GitHub 仓库(PyTorch) | 2. AI材质模型 | GitHub |
| 各向异性_NN_UMAT | T·塔杰丁 | 2022 | GitHub 代码库(Fortran) | 2. AI材质模型 | GitHub |
| ABAQUS_ANN_constitutive_model | T·古利克斯 | 2018 | GitHub 代码库(Fortran) | 2. AI材质模型 | GitHub |
| 生成式设计 | 维亚切斯拉夫·达尼洛夫 | 2024 | GitHub 代码库(Python) | 3. 优化 | GitHub |
| 冲压模具优化-PCB对准 | mfsungeun | 2024 | GitHub 仓库(笔记本) | 3. 优化 | GitHub |
| AuflexiMOP-with-ABAQUS | c0sogi | 2023 | GitHub 代码库(Python) | 3. 优化 | GitHub |
| FEA辅助代理 | F. 达瓦里普尔 | 2025 | GitHub 代码库(Python) | 5. 仿真自动化 | GitHub |
| Abaqus 批处理作业提交脚本 | tufailmab | 2025 | GitHub 代码库(Python) | 5. 仿真自动化 | GitHub |
| abaqus_to_paraview | xusjtuer | 2025 | GitHub 代码库(Python) | 5. 后期处理 | GitHub |
更多资源
-
机械工程人工智能工具 – 一套完整的培训方案,展示如何将现代人工智能助手、代码生成器和自动化工具应用于机械设计、CAE 和仿真工程。.
-
机器学习金属疲劳裂纹预测 – 一个实用的、循序渐进的教程,教你如何使用工程数据集构建和验证用于疲劳裂纹扩展预测的机器学习模型。.
