今天拜访几位企业的朋友，探讨数值仿真的应用。果不其然，其中一位对我抛出了那个CAEer永生都绕不过的问题：
“你们的仿真结果准吗？”
自从毕业进入工业界以来，已经在无数场合有许多人问过我这样的问题，借此写文总结一下个人观点，与大家一同探讨。
首先，这是个无法直接回答yes or no的问题，这就好比问“ChatGPT的回答靠不靠谱?”一样——有的人靠ChatGPT写的论文拿了全班第一，有的人觉得他的回答甚是无趣，甚至还会造假和误导。CAE也是如此，自始至终，都只是一种好用的工具。工具本身是好用的，但是否发挥了很好的作用，取决于使用者是否恰当的使用在合适的场景中。
有时候，讨论数值仿真的准确性，是否有意义？
准确性往往要通过实验来验证的，但很多时候，仿真之所以被需要，就是因为实验代价巨大，压根没法做。比如，我过去在学校搞科研，做的课题是“大飞机撞击核电站”，就从来没人问过我准不准的问题，因为谁也不会真的去找一架飞机来撞核电站，以此来验证我的仿真的准确性（希望千万别有人这么干）。
飞机和核电站都很受伤...
而如果设计的实验本身就是为了用于和仿真结果对标，由于实验的设置都非常仔细的尽可能与仿真设置一致，这样的仿真结果准确度往往是非常高的。比如，虽然无法直接做飞机撞击核电站的实验，但我们可以做金属圆柱体撞击混凝土板的实验，以此与仿真对标，验证材料参数和设定是否合理。
这也是我们实际仿真工作中最常用的验证方法，用相对简单的实验，作为仿真的Benchmark。为做复杂仿真奠定基础。
“仿不准”的客观因素
我们可以很自信的说，对于Benchmark, 我们模拟的非常准确。但当用于更为复杂的模型时，的确会存在一些客观因素，导致仿真的精确性无法评价，甚至仿不准(而其中绝大部分都与仿真工程师无关，但仿真工程师却几乎100%承担了这些质问),仅仅以我目前所从事的消费电子产品行业为例，这些因素包括但不限于：
1
材料参数不稳定：
尤其是注塑类的产品，塑料原材料本身不同批次之间就有差异，加上注塑参数的不同设定，均可能导致材料的真实性能与原材料供应商所提供的规格书上差异较大。并且规格书往往不会提供材料的应力应变曲线，仅提供杨氏模量，密度，断裂伸长率等基础信息，为了获取更详细的数据，我们往往还需要自己制备材料样条，做一定数量的样条测试，以对材料性能有深入的了解，这时测试的方法也会导入一定的误差。而实际的注塑件形状各有不同，真实的材料性能又与样条测试结果有所不同，并且会随着温度，湿度均发生一定的变化…
当然，通过结合模流分析，可以更为准确的考虑注塑工艺对材料性能的影响。但这样做，会增加仿真的复杂度，需要花费更长的时间，在实际工作中，需要考虑是否有这个必要性。
注塑产品，往往涉及的工程塑料牌号很多，而确保材料参数性能的稳定性，是需要原材料供应商，采购经理，工艺工程师共同努力合作去管控的，如果没有一个配合良好的团队，仿真部门只能有苦说不出。所以，我们的仿真部门，如今也参与甚至主导着材料的验证工作，建立并维护着材料数据库。
2
设计变更频繁：
仿真越早介入设计，发挥的作用就越大，这一点是毋庸置疑的。如今，我们的仿真绝大部分应用于项目早期的概念设计阶段，此时方案的快速迭代+简化模型，本身就没有实验验证的条件。等到相对详细，可以打样做测试的时候，有时仿真工程师想插播做一些实验对比，但会被告知打样的版本并不是仿真的那一版，而是根据我们仿真后优化的建议修改后的版本，因为项目太赶，所以直接打样验证了，有时候，仿真任务紧，我们也不再纠结再做一版来验证了。
因此，我们一直与配合的工程师强调，做好版本管控。但我相信，即便每个公司都有非常完美的流程，但工作是人做的，实际工作中，由于项目时间紧，资源有限，这样的情况一定是更为常见的。
因此，就难免会出现不知情的项目组其他成员疑惑“你的仿真结果怎么和实验对不上呢？”殊不知，仿真和实验所用的3D模型本来就不一致了。
3
实验条件有限：
尽管大家都用实验对标，但实验本身的准确性也是一言难尽的。尤其面对一些新的实验需求时，可能缺乏足够的实验条件和环境，但一时也没有更好的解决方案；还有一些物理参数，本身就是很难测量的，比如，测量温度时，如果使用热电偶测量，会加强局部的热传导效应，从而影响测量点的温度，而用热成像仪，又有精度问题和更为严格的使用环境要求。
或者，就是一些简单的边界条件设定，比如夹持住部件的一端，到底夹持位置在哪里，是否发生了滑移？如果仅仅通过语言沟通或者图片，可能会产生一些误解。
所以仿真工程师，如果可以，一定要亲自去看看实验，尽量告知仿真与实验在条件设置上的差异，和因此可能带来的对结果的影响。
4
计算资源有限：
精度更高的算法往往对计算资源要求也会更高，我当然知道网格划分更细，采用二阶单元，开双精度会比粗网格，一阶单元，单精度的计算精度更高，但硬件和软件许可的双重限制，需要我们平衡好效率和精度之间的关系，针对不同问题，做出合适的选择。
其实，计算资源永远都是不足的，因为一旦你迅速解决了这个问题，就会有更多的仿真任务会出现了。比如我们过去只做结构分析，后面扩展到流固热耦合的电子散热仿真，光学仿真等，而当进入优化这个领域后，需要的算力就更多了。
除此之外，还有生产制造过程的公差管控，后处理工艺的影响等因素，都有可能导致仿真结果与实际结果存在差异性。
最后的最后，才有可能是一些人为的设置出错，但往往这种错误会导致计算不收敛或者非常明显的异常，有一定的工程背景就很容易被发现并及时更正。一名成熟的CAE工程师不应当在最终报告中犯这种错误，因此尽管我们仿真部门人员不多，但我们仍会在每个报告发出之前互相校对，避免因为低级错误而降低仿真的可信度。
可见，以上绝大部分客观因素，都是与整个产品研发生产过程相关的。
因此“仿真准不准？”或者“仿真是否具有可信度”这个问题，与其问一名仿真工程师，不如问一位研发部的负责人，因为仿真的可信度有多高，直接反映的是一个研发部门的水平有多高，整个团队协同配合的程度多高。
当然，另一方面，作为一名仿真工程师，应当懂设计，懂材料，懂工艺，会沟通，积极主动地融入到整个研发过程各个环节中，让仿真这个工具发挥更大的价值。
精度，效率，成本——一场拉锯战
除了实际工作中存在“仿不准”的客观因素，实际上更重要的是，我们仿真的目的是什么？仿真的目的不是追求准确性（尽管我们希望尽可能准确，但他不是目的），仿真的目的是帮助我们更好更快更省的设计好产品。
精度，效率，成本，永远是一场拉锯战, 往往很难兼顾。因此，如果一位汽车行业的CAE从业者，航空行业的从业者和我这位从事消费类电子产品的CAEer坐在一起，大概对精度会有完全不同的看法。航空业的小伙伴更看重可靠性，其他都可以先靠边站站，汽车行业的小伙伴最卷，既要精度，又要效率，还得省钱，着实佩服（所以许多先进的仿真技术都是先从汽车行业应用开始的）。
而在我目前所从事的消费类电子产品行业，我觉得排名是创新>效率=成本>追求精度。当然，不是说准确性不重要，而是当你只有半天时间，和十分有限的license和计算资源时，我更倾向于用10%的时间去解决90%的问题。例如下面这个例子中，我们的目的是了解下面三款设计中，谁能承受更多次的弯折测试？如果时间足够，我们大可以去做材料测试，然后输入非常精确的材料模型，建立详细的线材模型，花费许多时间研究怎么计算更准确。但实际上我们仅花了一两个小时就完成了分析，并选出了方案一是三个方案中最佳的。最终的实验也验证了我们的判定是正确合理的。
这里，我们仅追求相对的准确，而不追求绝对的数值，可以让我们省下>90%的时间（模拟现实世界工作量真的非常巨大）。
省下的时间用来做什么呢？
当然是用来创新啦！快速的通过仿真验证一些有意思的想法，并且快速给出改善的方向。比如我们在耳机的头带设计中，就通过快速的仿真结合人体工程学数据，从几个维度对耳机的舒适性进行初步评估（例如：耳机总体尺寸，佩戴时与人脸贴合度，夹紧力偏差等），在初次打样前，就完成了外形曲线的设计迭代。应用到了最终的产品中。
耳机产品概念设计的迭代（通过仿真）及最终产品
说到底还是对人的信任
尽管说了这么多，但我想，其实提问的人，绝大部分也多多少少了解以上的原因。
但为什么总还会有这样的问题？
刚到公司时，作为唯一的一名仿真工程师，也确实顶着不小的心理压力，在“仿真到底准不准”的质疑中，不停地用一次次的数据和行动证明，也不断给别人介绍，应该如何正确看待和运用仿真。如今，我们有了自己的小小团队，依旧要求每个人重视你的每一份报告，给出的每一个建议，树立自己的长期个人品牌很重要。
一点小小的总结和建议：互相信任，真诚沟通，帮工程师梳理清晰的需求，请他们支持并提供足够的数据；最好当面或电话沟通结果，避免看报告产生一些误会；结论发布前互相校对。
当然，也更希望对CAE尚不那么了解的人，尝试多一些了解，把他当做一个好用的工具，合理的运用他，而不是纠结于他准不准。
