ARTICLE · 1130287
当有限元仿真遇上本体论:如何自动从文档与模型中挖掘可用知识?
当有限元仿真遇上本体论:如何自动从文档与模型中挖掘可用知识?
数值仿真技术如有限元分析（FEA）是当前工程设计实践中的核心工具。随着产品复杂度不断提升，仿真被更频繁地用于验证和优化产品强度及其他性能；对于力学行为无法通过现有数学方程充分描述的复杂产品，需要先通过有限数量的离散单元完成离散化建模，再依托结构力学方程完成求解。 然而，搭建高效、可靠的有限元仿真离不开全面的专家知识。Wriggers 等人指出，这一问题对非算法类知识型任务的影响尤为突出：这类任务不仅需要高素质专业人员参与，还会拉高分析环节的时间预估与成本。在企业中，这类仿真知识往往要么集中在少数经验丰富的仿真工程师手中，要么零散分散在过往产品开发的各类文档当中。 产品开发不同阶段的分析目标和要求存在差异：设计早期需要快速完成尺寸估算与受力分析，开发后期则需要开展详细的复杂有限元分析，完成产品的虚拟验证。尤其是设计早期，配合设计流程开展的仿真通常需要产品设计师完成，而这类人员普遍缺乏足够的FEA经验。与此同时，分析模型的创建是整个分析过程中最耗时的环节，且对用户经验的依赖度极高。经验不足引发的建模错误会导致错误的设计决策，最终造成产品开发过程中成本高、周期长的迭代返工。 为解决上述问题，本文提出一种全新的基于本体的方法，旨在从现有仿真模型和已完成开发的文本文档中自动获取仿真知识，搭建集中式知识库，并将其应用到FEA辅助系统当中，为经验不足的仿真用户提供支持，帮助其搭建可靠的有限元分析模型，最终推动可靠FEA更高效、更广泛地应用于产品开发。 要实现仿真知识的自动获取与结构化表达，需要融合数据挖掘、文本挖掘与本体知识表示三类技术。 数据挖掘的目标是通过应用机器学习、模式识别和统计学方法，从数据库中识别并提取高层关系或模式，识别出的关系或模式被称为元模型。常见的元模型包括由离散分散数据集推导得到的连续函数曲线（回归模型）和整体决策树（分类模型）。在工程领域，数据挖掘已经应用于板-体积金属成形的设计辅助、灵敏度分析、稳健设计优化等场景，通过挖掘试验数据和仿真数据得到的函数关系，可以预测成形力等目标参数，为新产品的可制造性评估提供支撑。 文本挖掘则面向非结构化的文本文档。仿真文档如计算报告、指南、会议与期刊文献通常以非结构化文本形式存在，无法直接用于数据挖掘。文本挖掘通过计算语言学与统计方法，从这类文档中自动提取仿真知识并完成结构化处理。该技术此前已广泛应用于搜索引擎信息检索、网页信息抽取、抄袭检测、医疗与基因组信息学、专利分析与技术路线图、工业设备故障时间分析、能源工程技术文献分析等领域。 在知识表示层面，从文档中提取或是通过专家访谈得到的知识需要经过形式化处理，以机器可读的结构化形式存储在知识库中，才能被工程辅助系统自动处理。常见的知识表示形式包括规则型（if-then 关系）、约束型（变量间非定向关系）、框架和语义网络等。本体知识表示则融合并延伸了上述表示形式的优势。 根据Gruber 的定义，本体是对共享概念化的明确规范，也就是以机器可读的方式定义领域的通用认知。本体通过形式化的术语与公理定义实现知识的统一理解，既支持通过推理完成一致性检查，也能依托推理机制从现有知识库中发现新的关系。本体通常采用描述逻辑（如网络本体语言OWL）进行形式化表示，分为TBox和ABox两部分：TBox包含类等通用术语以及类之间的对象属性关系，构成领域的概念层级；ABox则包含类的具体实例。依托本体的语言学特性，它尤其适合映射从自然语言文档中获取的知识。 本文提出的方法整体分为三个核心环节：通过文本挖掘处理仿真文本文档、通过结构化分析处理仿真模型与CAD产品模型、最终构建本体知识库并提供定向查询服务。 整体流程的第一步是对仿真文档开展文本挖掘处理。研究团队在RapidMiner与Python环境中适配了文本分类与信息抽取流程：首先通过文本分类将仿真文档自动划分为分析类型、仿真任务、目标产品零件等预定义类别，便于从海量文本库中定位目标章节；核心的信息抽取环节先通过词性标注（采用自然语言工具包NLTK）为文本中的词汇标注词性，再依托自定义的仿真领域标签库，利用命名实体识别技术自动标注有限元类型、产品零件、模型类别、仿真结果、几何简化、接触定义、载荷等仿真相关术语。 在此基础上，研究团队定义了大量正则表达式，以通用的词性标签与实体标签作为占位符，匹配各类句式结构，提取实体之间的语义关系。针对同一文档中描述多个仿真模型的情况，团队还开发了专用的正则表达式，识别模型引入与复述的标志性短语，按模型划分整理提取到的信息。最终，所有提取出的信息都会被替换为统一的标准词汇，生成结构化数据集，既可以作为数据挖掘的训练集推导元模型，也可以直接导入本体知识库。 第二步是对仿真模型与CAD模型开展结构化分析。对于有限元仿真模型，利用ANSYS Workbench的报告生成工具，提取接触设置（接触类型、约束公式、Pinball半径等）、材料属性、单元类型与参数、仿真结果（如米塞斯应力最大值）、结果收敛性数据，以及APDL脚本命令与参数，经正则表达式处理后导入本体。对于CAD产品模型，则从物料清单中提取零件与装配的标识和层级关系，从模型树中提取几何简化操作（如圆角插入、孔径修改、孔特征删除、零件删除等），将设计侧的修改信息同步映射到本体中，实现设计与仿真知识的关联。 第三步是本体知识库的构建与知识服务提供。本体包含预定义的基础类结构，涵盖元素、FEA模型、规则、接触等核心类别，所有从文档和模型中提取的子类与实例都会自动关联到对应基础类上，并建立双向语义关系，例如“零件”与“FEA模型”之间同时存在“models”和“modelled_by”的反向关系。 为实现知识的复用，该方法设计了模型特征匹配机制：通过对比单元类型、模型简化方式、接触条件等特征，自动将实际工程仿真模型与从标准指南中提取的通用模型类关联，使实例模型继承标准模型的全部知识。 知识最终通过SPARQL 1.1查询语言对外提供服务。系统配备图形化用户界面，用户通过下拉列表选择查询对象与关系，系统自动生成查询语句并返回结构化结果。用户可以查询特定零件对应的仿真模型、单元设置、接触参数、建模规则、APDL脚本、结果参数、参考文档等各类信息，也可以通过查询生成新的数据集，用于后续的数据挖掘分析。 为验证方法的有效性，研究团队以绞车系统的结构力学分析为案例开展应用研究。案例针对绞车系统中的起重机门架进行有限元建模，知识库的知识来源包括过往绞车系统的CAD与FEA模型库，以及VDI 2230螺栓连接仿真指南、焊缝连接仿真相关期刊与会议文献。 应用结果表明，该方法能够自动从上述来源中提取完整的仿真知识，构建对应的本体知识库。在新的提升载荷需求下，经验不足的用户可以通过查询知识库，快速获取模型简化方案（删除非关键零部件、替换为边界载荷）、网格划分参考、螺栓与焊缝的建模规则及参数、结果验证方法等知识，高效完成中面模型与局部细节子模型的建立。 从计算效率来看，信息抽取是最耗时的环节，以VDI 2230以第2部分这类长篇指南文档为例，完成全部知识提取工作约需要8分钟，较短文档或结构化仿真模型的处理耗时会更低。与此同时，该方法的应用对模型命名规范有一定要求，文本文档中的图片仍需要手动关联至本体实例，未经过文本挖掘处理的引用文档也需要手动挂载。 总体而言，该基于本体的方法实现了仿真知识的自动化获取与结构化管理，为经验不足的FEA用户提供了有效的建模支持。未来该方法可进一步集成到ANSYS EKM仿真数据管理系统中，也可扩展应用至仿真后处理合理性校验、其他物理场（声学、电磁场）仿真以及多体动力学分析等更多领域，复用基础本体结构后，仅需适配领域特定的仿真设置即可实现快速迁移。 往期精彩推文 DeepMat智能编程助手R2025b V1.2更新！新增支持火山引擎智能体与AI调试功能！ 波场自动化模拟的多智能体协同仿真系统 DeepSeek接入Codex实用教程 OpenClaw（小龙虾）：本地AI智能体框架 部署及避坑全教程 中国科技期刊卓越行动计划期刊名单汇总 DeepMat：多智能体驱动的MATLAB-COMSOL智能仿真平台 大语言模型驱动有限元仿真新进展：ALL-FEM 面向有限元方法的智能体微调大模型 有限元方法八十年：诞生、演进与未来 Kiro+COMSOL-MATLAB 联合开发全流程实操 导师为何对Introduction“火力全开”？因为它是你论文的敲门砖
一、研究背景与问题提出
二、核心技术基础
三、基于本体的仿真知识获取与提供方法
四、方法验证与未来展望
物理信息神经网络（PINN）在计算固体力学中的应用：数值框架与应用
PhysicsNeMo：NVIDIA 基于机器学习的多物理场求解器部署全教程
2025年《国际期刊预警名单》发布暨2020-2024年预警期刊汇总
DeepMat智能编程助手：“所见即所得”的自然语言交互式编程新体验
郑州大学举办“共建环郑大科创圈系列活动”，央视报道我团队科研成果引关注
Python与MATLAB的科学计算之争:Python会取代MATLAB么？
【黑科技】DeepSeek双模式AI赋能SolidWorks智能建模：交互指导+自动化宏全解析