行业周报｜CAE工作流正在被重新定义：智能体、物理AI与网格验证 原创

🔥 今日关注

1️⃣ 适创科技发布工业智能体，CAE工作流迎来新范式

8月21日深圳，适创科技2026年用户大会以"新程涌现，众智同行"为主题，正式展示从自主CAE向工业智能体的技术跃迁。创始人郭志鹏提出"总经理与团队"架构：大模型负责理解任务与资源调度，十年积累的物理求解器、工艺知识库作为底层能力层提供支撑。

现场发布的SupreXI设计智能体可将DFM分析从24小时压缩至1.5小时，模具方案生成从72小时缩短至3小时。目前已在长安、极氪、奇瑞等企业产线迭代应用。

📌 关注点：国产CAE从"工具替代"进入"智能增强"阶段，DFM分析效率提升一个数量级，对铸造/压铸领域的工作流有实质性影响。

🔗 涉及方向：铸造仿真、一体化压铸、工艺优化、AI+CAE

📖 来源：中国日报网、同花顺财经（2026.08.25-26）

2️⃣ 索辰科技半年报：营收增长27%，物理AI成新增长极

8月26日晚间，索辰科技披露2026半年报：营收7274万元（同比+26.83%），研发投入8480万元（占营收116.59%）。

在研项目覆盖结构/流体/电磁/光学/声学及多物理场求解，同时向人工智能、数字孪生、具身智能延伸。

重点产品进展："大圣"智能体支持自然语言驱动建模-网格-求解全流程；"行者"平台利用多物理场引擎生成训练数据，服务于机器人具身智能场景。

📌 关注点：头部国产CAE企业的研发投入强度（研发/营收>100%）反映行业仍处于高投入期，物理AI作为独立产品线出现，值得关注其落地效果。 🔗 涉及方向：多物理场仿真、AI Agent、数字孪生、航空航天

📖 来源：证券日报（2026.08.27）

3️⃣ 国产CAE蓝皮书发布：市场规模49.2亿，国产化率不足20%

8月28日，《国产自主工业仿真软件发展蓝皮书(2025-2026)》简版发布。核心数据：2024年中国CAE市场49.2亿元（连续多年增速14%+），整体国产化率不足20%，航空/船舶/高端芯片领域不足15%。

三大前沿方向被明确为国产突破点：

① AI深度融合仿真（数小时→分钟级）

② 云仿真转型（降低中小企业使用门槛）

③ 数字孪生+实时仿真

📌 关注点：国产CAE现状与路径，电磁/结构仿真国产进展较快，多物理场/大规模非线性求解仍是短板。

🔗 涉及方向：国产替代、云仿真、高性能计算

📖 来源：中国工业新闻网（2026.08.28）

🧩 今日技术

【网格无关性验证：从工程实践角度的几个要点】

网格加密到什么程度才算够用？这个问题没有统一答案，取决于所关注的物理量类型、精度要求以及计算资源约束。

以下是实际项目中几个容易被忽略的点：

一、收敛判据的选择

工程上常用的相对变化量判据（相邻两次网格加密结果差异<5%）适用于大多数静力/热分析场景。

但对于应力集中区域、疲劳寿命评估等对局部梯度敏感的问题，建议将阈值收紧至2%-3%。

学术论文中ASME/AIAA推荐的GCI（Grid Convergence Index）方法可提供更严格的定量评价。

二、单元类型的影响

同一几何模型采用不同单元策略，结果差异可能超过30%：

• 薄壁结构、弯曲主导问题：六面体/四边形映射网格优于四面体，二阶单元在弯曲刚度上的表现明显优于一阶；
• 接触问题：接触面网格密度直接影响压力分布精度，建议主从面网格尺寸比控制在1:1~2:1范围内；
• 显式动力学：一阶减缩积分配合沙漏控制是常规选择，需关注沙漏能与内能比值（>10%时结果可信度存疑）。

三、常见误区

① 局部收敛≠全局收敛：全局云图看着稳定，但应力集中点或温度梯度大的区域可能仍未收敛。建议选取2-3个特征位置/路径进行交叉验证。

② 边界条件的耦合效应：加密网格后，接触状态、对流换热系数分布等可能随之改变，此时单纯比较目标量的数值变化已无法区分"网格收敛"与"边界条件漂移"。

③ 自动收敛工具的局限性：Workbench的Convergence功能基于局部误差估计进行自适应加密，对于接触非线性、材料非线性等问题，建议配合手动全局加密交叉验证。

四、实操建议

项目时间充裕时，至少完成三套密度（粗/中/细）的系统性对比；项目紧张时，针对关键区域做局部加密验证，并明确标注未验证区域的置信度。

建立自己领域的网格密度经验库（按工况类型归档），可在后续项目中显著缩短前处理周期。

📌 今日案例

【AI加速电池热管理仿真——Batt-AI引擎的技术路径】

背景：

新能源汽车快充功率持续提升（当前主流车型已达350kW级），动力电池热管理设计的迭代周期被大幅压缩。

传统CFD流程中，单个Pack级热失控蔓延仿真的前处理（网格修复）+求解（瞬态迭代）往往需要数小时至数天，难以满足多方案快速比对的需求。

痛点：

• 仿真周期长，前期概念设计阶段难以覆盖足够的方案空间；
• 冷板流道拓扑优化依赖参数化建模（流道宽度、角度、间距），非参数化的异形流道探索成本过高；
• 部分企业涉及核心热管理数据，云端传输与存储面临合规约束。

技术方案：

佳研近期发布的Batt-AI加速引擎，采用几何深度学习结合物理信息神经网络（PINN），构建传统CFD求解器的代理模型。

输入端接受冷板流道CAD几何（支持任意拓扑）、电芯生热率MAP图、入口边界条件；

输出端在10分钟内生成Pack级温度场、流速场云图及关键指标（最高温度点、最大温差、进出口压降）。

关键技术指标：

工程启示：

该案例的核心价值不在于"替代CFD"，而在于重新划分工作流的分工：AI代理模型承担前期方案初筛与快速趋势判断（分钟级），高保真求解器用于最终方案的精确验证（小时级）。这种分层策略在电池热管理、电子散热、流体优化等需要大量方案迭代的场景中具有普适性。对于数据积累较充分的企业（历史仿真case数>50），具备落地可行性。

🔍 趋势观察

【工业智能体的工程落地现状】

过去一年，适创SupreXI、索辰"大圣"、西门子Simcenter PhysicsAI Generate等产品相继亮相，共同指向一个趋势：AI在CAE领域的应用从单点工具（智能网格、自动后处理）向全流程串联的智能体形态演进。

从已公开的信息看，当前落地的智能体主要聚焦于两类场景：

• 设计类任务：DFM检查、方案生成、参数初选（如SupreXI将模具方案生成压缩至3小时）；
• 制造类任务：工艺参数推荐、缺陷诊断、在线检测（如SupreHub面向压铸生产现场的闭环控制）。

值得关注的制约因素：

① 行业依赖性强——目前公开案例集中在铸造/压铸领域，跨行业迁移需要重新积累领域知识与训练数据；

② 结果可解释性——工程设计对"为什么是这个方案"的要求高于消费互联网，纯端到端的黑盒模型在工程场景中的接受度有限；

③ 数据门槛——高质量标注数据的获取成本较高，PINN等方法通过嵌入物理约束降低数据需求，但对模型构建能力要求更高。

短期来看，重复性高、规则明确的环节（标准工况求解、报告模板生成、网格初划）会率先被自动化；涉及工程判断的环节（边界条件简化策略、失效模式识别、多目标权衡）仍依赖工程师经验。两者之间的分工边界会随着数据积累和模型能力逐步外移。

💬 今日讨论

大家日常做仿真时，耗时占比最高的环节是哪一个？

① 建模与几何清理

② 网格划分与质量调整

③ 边界条件设置

④ 求解收敛调试

⑤ 后处理与结果分析

⑥ 结果验证（仿真vs实验对标）

⑦ 其他（欢迎补充）