Одно лишь число проектных переменных не определяет объём данных, необходимый для обучения модели машинного обучения, прогнозирующей результаты инженерного моделирования с помощью компьютера (CAE). Согласно материалу, опубликованному Semiconductor Engineering 3 сентября 2026 года, более важным фактором является характер отклика, который пытается изучить модель: непрерывные и гладкие отклики легче прогнозировать, чем результаты, изменяющиеся при пересечении порога или содержащие быстро осциллирующие сигналы.
Материал основан на четырёх исследованиях столкновений автомобилей. В таком рабочем процессе каждый проектный эксперимент представляет собой полный явный расчёт столкновения, поэтому построение обучающей выборки является наиболее затратной частью до получения модели, способной оценивать новые конструкции за секунды вместо часов.
Число переменных не является достаточным показателем
Сравнение двух исследований показывает, что размер набора данных не находится в прямой зависимости от числа проектных переменных. Исследованию конструкции бокового порога электромобиля потребовалось в четыре раза больше экспериментов, чем исследованию безопасности пассажиров, состоявшему из 25 экспериментов, хотя в первом исследовании использовалось более простое представление, включавшее толщины двух панелей и положение одной из них, тогда как в исследовании пассажиров изменялись несколько переменных системы удержания, например трение манекена о ремень безопасности, момент срабатывания датчика ремня и положение скользящей петли.
Материал также не выявил прямой связи между размером модели или интенсивностью нагрузки и необходимым числом экспериментов. Решающий фактор проявился при обучении предикторов на одном и том же наборе из 100 экспериментов и с использованием одних и тех же трёх проектных переменных. Прогнозирование массы конструкции порога достигло показателя прогностической способности 0,98, тогда как при прогнозировании числа повреждённых аккумуляторных ячеек показатель составил 0,64.
Характер отклика определяет сложность обучения
Объяснение этого различия связано с физикой. Масса представляет собой гладкий и почти монотонный отклик, зависящий от толщины панели, тогда как число повреждённых ячеек является целым значением, возникающим при превышении определённого порога напряжения, приводящего к внутреннему короткому замыканию. Небольшое геометрическое изменение может перевести ячейку из состояния без повреждения в повреждённое состояние или не привести к этому, вынуждая модель обучаться множеству отдельных границ.
Та же закономерность повторилась в исследовании лобового столкновения, состоявшем из 60 экспериментов. Ошибки прогнозирования положений проникновения по сравнению с анализом методом конечных элементов (FE) составляли от 0,9% до 12,6%, тогда как ошибки прогнозирования ускорений в точках крепления сиденья достигали 16,8%. Материал связывает это с тем, что проникновение является более гладким перемещением, тогда как ускорение представляет собой вторую производную перемещения и содержит высокочастотные компоненты.
Богатые выходные данные не всегда означают необходимость большего объёма данных
Исследование лобового столкновения даёт ещё один, на первый взгляд неочевидный, результат. Предикторам для базовых значений потребовались все 60 экспериментов, однако предикторы двумерных кривых и результаты трёхмерных полей обучались всего на 20 экспериментах. Эти поля включают перемещение и пластическую деформацию в трёх точках интегрирования по толщине и на каждом временном шаге.
Возможное объяснение, приведённое в материале, состоит в том, что один эксперимент предоставляет предиктору поля значительно больше обучающих данных по сравнению с предиктором, работающим с одним числовым значением. Эксперимент даёт одно число для максимального проникновения в области для ног, но одновременно предоставляет пространственно взаимосвязанное поле по всей модели и во все моменты времени.
Что практически меняется в планировании экспериментов?
Предлагаемое практическое правило заключается в том, чтобы планировать кампанию моделирования с учётом наименее гладкого отклика, а не наиболее сложной формы выходных данных. Прежде чем выделять весь бюджет на расчёты, материал рекомендует начать с пилотного этапа и проанализировать предварительные данные.
- Изучить корреляционную матрицу и диаграммы рассеяния, чтобы определить переменные, влияющие на каждый отклик.
- Использовать показатель прогностической способности, который отслеживает линейные и нелинейные зависимости по шкале от 0 до 1, чтобы оценить сложность отклика до обучения полноценного предиктора.
- Изучить кривую обучения, связывающую объём данных с точностью, чтобы понять, принесут ли пользу ещё 20 экспериментов или производительность уже вышла на плато.
- Связывать каждый прогноз с его границами ошибки: если прогноз выходит за указанные границы или пределы собственного доверительного интервала, его следует рассматривать как сигнал к проведению нового расчёта, а не как надёжный ответ.
- Использовать карты важности проектных переменных, чтобы сократить затраты на переменные со слабым влиянием и перенаправить эксперименты на значимые переменные.
Материал показывает, что разница между кампанией из 25 экспериментов и кампанией из 100 экспериментов может означать четырёхкратное увеличение времени явного расчёта и числа календарных дней. В то же время чрезмерное сокращение данных приводит к провалу валидации и потере доверия к подходу, тогда как их чрезмерное увеличение означает оплату экспериментов, ненужность которых выявила бы кривая обучения.
В практическом примере предикторы использовались как модели поверхности отклика для управления оптимизацией с помощью алгоритма имитации отжига на протяжении 500 итераций за несколько минут: прогнозирование критериев травм занимало секунды вместо запуска полного моделирования для каждой итерации.
Чтение certi.news
Основная ценность здесь заключается не в обещании, что модели машинного обучения отменят моделирование, а в том, что они предлагают более эффективный критерий распределения бюджета экспериментов: сложность физической цели важнее числа входов или богатства выходных данных. Однако приведённые результаты взяты из спонсируемого материала и описывают конкретные исследования без полных методологических подробностей в доступном тексте; поэтому правила выбора объёма данных следует рассматривать как отправную точку для экспериментов и валидации, а не как замену независимой инженерной проверке или расчёту случаев, находящихся за пределами доверительных интервалов.