最近一段时间，由于一些事情搞得个人精力不太集中，很长时间没有更新公众号了，实在是非常抱歉。
偶然看到一个创世纪的时间表：
10-43秒，十维宇宙分列成一个四维宇宙和一个六维宇宙，六维宇宙崩塌而思维宇宙则爆炸式膨胀，此时温度为1032度；
10-35秒，大统一作用力崩解；
10-9秒，电弱对称崩解，温度为1015度；
10-3秒，夸克开始凝聚，中子和质子出现，温度为1014度；
……
上述的物理量，大部分都无法直接测量，但这个时间表示目前众多科学家的普遍共识。因为这个时间表里面的每一个数字背后，都是一堆严密的数学公式的演算和推理。
CAE的工具软件的原理也很类似，利用数值计算或者解析的方式来模拟和仿真实际的工程问题。而在目前的企业研发活动中，CAE也逐渐被企业所广泛应用。在产品功能设计分析中，CAE仿真能验证设计功能，确保产品设计的合理性，减少设计成本，缩短设计和分析的循环周期；在产品制造前预先发现潜在的问题，模拟各种试验方案，减少试验时间和经费，进行事故分析，查找事故原因。“虚拟样机”作用在很大程度上替代了传统设计中资源消耗极大的“物理样机验证设计”过程，采用优化设计，找出产品设计最合适方案，提高研发的可靠性，缩短了研发周期，降低材料的消耗或成本。
然而国内CAE工作才刚刚起步，CAE准确性无法保证导致“仿真不真”，CAE更多的只是设计参考或者只是提供一张彩色的图片，根本无法取代全部或部分试验，难以体现其应有价值。
在实际软件推广过程中，很多客户都有这样的担心，一见面通常的问题就是：“你这个工具精度如何？”
如果某一个CAE工具在实践中已经被大量使用，基本上可以说明，该工具的物理模型没有太大的问题，如果使用该软件得到仿真的结果和实验相差甚远，比较可行的办法应该是找找误差的原因，而不是质疑这个工具软件本身的准确性。工具软件说到底，只是一个工具，而对工具的使用，更多是人的因素。
我们是不是可以分析一下误差产生的原因：
CAE模型的原理是否正确，CAE模型工况是否和实验工况一致；
CAE模型的处理和简化是否合理，是否存在一个或者多个被忽略的主要因素；
材料物性，载荷等相关边界条件是否准确；
数据库信息是否适用于当前模拟场景；
是否做过CAE参数的敏感性分析（网格形式，网格数，时间步长等），以选择最合理的CAE参数。
这就需要我们要把仿真的结果和实验数据做比对，分析，找出误差的原因，并对CAE模型进行更新和验证，直到模型被V& V（关于V&V，即是Verification和Validation，这在前面的文章已经讨论过了，就不再罗嗦）。在欧美日等一些CAE技术比较先进的企业，虚拟试验平均取代了80%以上的物理试验，在某些行业甚至做到了完全取代真实试验。在一个先进企业仿真部门的平均时间分配情况是进行仿真建模和分析工作<50%，进行V&VCAE仿真验证及试验工作>50%，这也强调了V&V的重要性。对于一个产品来说，从整机到单一物理特性单元，每一个级别都需要建立CAE仿真模型，而每一个级别也需要进行物理试验对模型进行验证。
对于正向研发的企业来说，上述V&V项目就显得非常的重要了。CAE的目的就是大幅度减少实验数量——既然可以用软件来做实验了，如果软件仿真可信度高的话，实际的物理实验势必会大量减少，从而达到缩短研发周期，降低研发成本的目的。所以CAE模型的V&V是CAE仿真成为虚拟实验的关键。
国际上的先进企业，一般都有专门的V&V团队或者部门，他们对仿真模型进行V&V，然后标准化后并发布全公司进行正向研发，CAE贯穿于从概念设计，详细设计、样机及工艺等研发的全部过程，真正实现“虚拟空间探索，物理世界验证”这样一个高效的研发体系。
所以CAE工作绝不是买一个软件，然后雇一个博士来做一些彩色的图片那么简单，V&V的路上，也一样是荆棘密布，步步是坑。
我一贯的观点，要从CAE的根本原理出发，仿真数据一样要解决原理问题。显然数据和原理的结合度就成了V&V的关键。原理的价值，在于提高仿真模型可靠性，便于知识的标准化，使得知识可流转和可重用等等。然而CAE软件种类繁多，掌握原理意味着企业需要引进大量的高端人才，而人才的高额费用会让很多企业望而却步。
工程问题最后都是靠工程数据说话的，原理用得少，并不意味着仿真模型的精度低。当然如果仿真数据和原理结合不深也可以得到高精度的仿真模型，多少有一点运气的成分——没有足够的案例来消除模型判断不确定性。数据分析之所以难度大，正是因为我们总是工作在数据条件不理想的条件之中。
理想很丰满，现实很骨干，又一次遇到同样的问题。换一个思维，或许我们也不必排斥原理应用比较浅的V&V模型，而是设法扬长避短，把它们用在合适的地方。
如果我们仿真的目标只是为了从仿真的模型提示一个改进的方向，我们就不必追求仿真的精度，而是了解某些参数或者参数组合和结果的对应关系，最终结果还是有人来判断。
或者我们可以监控某些变量，这些变量或者变量组合相对于实际结果是不是显示趋势性的变化。当我们数据量不足的情况下，通过多次迭代，持续改进。这其实就是小范围内有方向的试错，也可以得到高精度的仿真模型。
甚至可以使用V&V的软件，现有的V&V软件可以自动的尝试许多的简单模型，并且从中选优，计算机比人快，如果形成V&V算法，适用性就非常强了。这种适应性很强的归纳出来的仿真模型，可靠性取决于数据样本基数。
但是，这些并不会改变我从根本CAE原理出发的观点，如果企业到了一定的规模，负责CAEV&V 的部门，依然要雇佣一些专家，在仿真模型的V&V过程中，更多的从模型的原理出发，参数尽量要有物理意义，这样可以提高仿真模型的可靠性，可以解释性，从而便于企业进行仿真数据的积累，标准化，分类，仿真流程化，提高知识的重用性，慢慢形成企业自身的仿真体系。
