CN117852315B - 用于确定计算机辅助工程的初始条件的方法及相关设备 - Google Patents

Abstract

本发明实施例提供了一种用于确定计算机辅助工程的初始条件的方法及相关设备，涉及计算机仿真技术领域，其中，方法包括：利用预设拉丁超立方采样算法在各历史输入变量的取值范围内进行采样，获得均匀分布的多个采样点的多维坐标，将各多维坐标输入至历史仿真系统，获得各多维坐标各自对应的仿真结果数据，基于各采样点的多维坐标及其各自对应的仿真结果数据，获得预设初始条件生成模型，将接收到的当前初始条件生成指令中的当前多维坐标输入至预设初始条件生成模型中，获得与当前多维坐标对应的仿真结果数据，并将当前多维坐标对应的仿真结果数据确定为初始条件，当前多维坐标包括多个维度的当前坐标参数。本发明提高了CAE仿真的效率和精度。

Description

用于确定计算机辅助工程的初始条件的方法及相关设备

技术领域

本发明涉及计算机仿真技术领域，特别是涉及一种用于确定计算机辅助工程的初始条件的方法及相关设备。

背景技术

随着计算机辅助工程（Computer Aided Engineering，CAE）技术（以下简称CAE）的不断发展，CAE仿真已成为各行业不可或缺的技术手段。在CAE仿真的过程中，需要以初始条件为基础进行迭代求解，从而获得仿真结果。因此，作为CAE仿真过程中的重要环节，初始条件的设置精度直接影响到仿真过程的效率和精度。

但是，现有初始条件的设置方式，多是将技术人员根据设计经验给定一个估计值作为初始条件的统一参数，例如，在对经过网格剖分的平面进行初始条件设置时，各网格的初始条件参数均被设置为同一个给定的估计值。显然，在真实条件下，一个平面内不同区域的网格的初始条件参数应当存在差异性，这就使得在基于现有配置方式获得初始条件的残差加高，进而导致在进行迭代求解时存在残差的大幅波动的风险，增加了迭代次数。并且，在初始条件的残差过高时，还会由于无法收敛导致求解失败。可见，现有的初始条件设置方式降低了CAE仿真的效率和精度。

发明内容

本发明实施例的目的在于提供一种用于确定计算机辅助工程的初始条件的方法及相关设备，以实现提高CAE仿真的效率和精度。具体技术方案如下：

一种用于确定计算机辅助工程的初始条件的方法，所述方法包括：

利用预设拉丁超立方采样算法在各历史输入变量的取值范围内进行采样，获得均匀分布的多个采样点的多维坐标，所述多维坐标包括多个维度的坐标参数，一个所述维度对应一个所述历史输入变量，一个所述维度的坐标参数为所述维度对应的一个所述历史输入变量的数值；

将各所述采样点的多维坐标输入至历史仿真系统，获得各所述多维坐标各自对应的仿真结果数据，所述历史仿真系统为基于历史基准仿真配置文件对初始仿真系统进行配置后获得的，所述历史基准仿真配置文件中包括各所述历史输入变量；

基于各所述采样点的多维坐标及其各自对应的所述仿真结果数据，对初始条件生成模型进行训练，获得预设初始条件生成模型；

将接收到的当前初始条件生成指令中的当前多维坐标输入至所述预设初始条件生成模型中，获得与所述当前多维坐标对应的仿真结果数据，并将所述当前多维坐标对应的仿真结果数据确定为初始条件，所述当前多维坐标包括多个所述维度的当前坐标参数。

可选的，所述利用预设拉丁超立方采样算法在各历史输入变量的取值范围内进行采样，获得均匀分布的多个采样点的多维坐标，所述多维坐标包括多个维度的坐标参数，包括：

获得多个历史仿真配置文件，各所述历史仿真配置文件中均包括各所述历史输入变量，各所述历史仿真配置文件除各所述历史输入变量的数值不同外，其他配置参数均相同；

对各所述历史输入变量：获得各所述历史仿真配置文件中该历史输入变量的数值，并基于各所述数值中的最大值和最小值生成该历史输入变量对应的所述取值范围；

将各所述历史输入变量、接收到的采样指令中的采样数量和各所述历史输入变量各自对应的所述取值范围输入至所述预设拉丁超立方采样算法中，获得均匀分布的各所述采样点的多维坐标。

可选的，所述基于各所述采样点的多维坐标及其各自对应的所述仿真结果数据，对初始条件生成模型进行训练，获得预设初始条件生成模型，包括：

将一个所述采样点的多维坐标及其对应的所述仿真结果数据确定为一条训练数据，获得初始训练数据集；

将所述初始训练数据集拆分为训练数据集和测试数据集，利用所述训练数据集和所述测试数据集对所述初始条件生成模型进行训练，获得所述预设初始条件生成模型，所述预设初始条件生成模型的输入为多维坐标，输出为所述多维坐标对应的仿真结果数据。

可选的，所述历史基准仿真配置文件为清除各所述历史输入变量的数值的所述历史仿真配置文件。

一种用于确定计算机辅助工程的初始条件的系统，所述系统包括：

采样模块，用于利用预设拉丁超立方采样算法在各历史输入变量的取值范围内进行采样，获得均匀分布的多个采样点的多维坐标，所述多维坐标包括多个维度的坐标参数，一个所述维度对应一个所述历史输入变量，一个所述维度的坐标参数为所述维度对应的一个所述历史输入变量的数值；

仿真模块，用于将各所述采样点的多维坐标输入至历史仿真系统，获得各所述多维坐标各自对应的仿真结果数据，所述历史仿真系统为基于历史基准仿真配置文件对初始仿真系统进行配置后获得的，所述历史基准仿真配置文件中包括各所述历史输入变量；

模型训练模块，用于基于各所述采样点的多维坐标及其各自对应的所述仿真结果数据，对初始条件生成模型进行训练，获得预设初始条件生成模型；

条件设定模块，用于将接收到的当前初始条件生成指令中的当前多维坐标输入至所述预设初始条件生成模型中，获得与所述当前多维坐标对应的仿真结果数据，并将所述当前多维坐标对应的仿真结果数据确定为初始条件，所述当前多维坐标包括多个所述维度的当前坐标参数。

可选的，所述采样模块被设置为：

获得多个历史仿真配置文件，各所述历史仿真配置文件中均包括各所述历史输入变量，各所述历史仿真配置文件除各所述历史输入变量的数值不同外，其他配置参数均相同；

对各所述历史输入变量：获得各所述历史仿真配置文件中该历史输入变量的数值，并基于各所述数值中的最大值和最小值生成该历史输入变量对应的所述取值范围；

将各所述历史输入变量、接收到的采样指令中的采样数量和各所述历史输入变量各自对应的所述取值范围输入至所述预设拉丁超立方采样算法中，获得均匀分布的各所述采样点的多维坐标。

可选的，所述模型训练模块被设置为：

将一个所述采样点的多维坐标及其对应的所述仿真结果数据确定为一条训练数据，获得初始训练数据集；

将所述初始训练数据集拆分为训练数据集和测试数据集，利用所述训练数据集和所述测试数据集对所述初始条件生成模型进行训练，获得所述预设初始条件生成模型，所述预设初始条件生成模型的输入为多维坐标，输出为所述多维坐标对应的仿真结果数据。

可选的，所述仿真模块中的所述历史基准仿真配置文件为清除各所述历史输入变量的数值的所述历史仿真配置文件。

一种用于确定计算机辅助工程的初始条件的设备，所述设备包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现如上述任一种所述的用于确定计算机辅助工程的初始条件的方法。

一种计算机可读存储介质，当所述计算机可读存储介质中的指令由用于确定计算机辅助工程的初始条件的设备的处理器执行时，使得所述用于确定计算机辅助工程的初始条件的设备能够执行如上述任一种所述的用于确定计算机辅助工程的初始条件的方法。

本发明实施例提供的用于确定计算机辅助工程的初始条件的方法及相关设备，可以通过配置利用拉丁超立方采样算法获得均匀分布的多个多维坐标，并通过历史仿真系统获得各多维坐标各自对应的仿真结果，随后基于各多维坐标及其各自对应的仿真结果进行模型训练，获得预设初始条件生成模型，提高了预设初始条件生成模型输出的仿真结果数据的精度。并且，通过将预设初始条件生成模型生成的当前多维坐标对应的仿真结果数据确定为初始条件，使得本发明相较于现有将估计值作为初始条件的方式，降低了初始条件的残差，减少了后续迭代求解过程中的迭代次数和求解失败的风险。可见，本发明提高了CAE仿真的效率和精度。

当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种用于确定计算机辅助工程的初始条件的方法的流程图；

图2为本发明的一个可选实施例提供的采样空间的示意图；

图3为本发明的一个可选实施例提供的一种获得历史仿真系统和仿真结果数据的流程图；

图4为本发明的一个可选实施例提供的预设初始条件生成模型的输出结果与真实仿真结果的比对示意图；

图5为本发明实施例提供的一种用于确定计算机辅助工程的初始条件的系统的框图；

图6为本发明实施例提供的一种用于确定计算机辅助工程的初始条件的设备的框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供了一种用于确定计算机辅助工程的初始条件的方法，如图1所示，该用于确定计算机辅助工程的初始条件的方法包括：

S101、利用预设拉丁超立方采样算法在各历史输入变量的取值范围内进行采样，获得均匀分布的多个采样点的多维坐标，多维坐标包括多个维度的坐标参数，一个维度对应一个历史输入变量，一个维度的坐标参数为维度对应的一个历史输入变量的数值。

需要说明的是，在实际应用场景下，上述预设拉丁超立方采样算法可以是基于拉丁超立方抽样（Latin hypercube sampling，LHS）方法构建的一种从多元参数分布中近似随机抽样的算法。由于LHS方法具有确保样本点在多个变量不同水平上均匀分布的特点，因此，本发明通过配置上述预设拉丁超立方采样算法对各历史输入变量的取值范围进行采样，获得均匀分布的多个采样点的多维坐标，从而避免由于采样点过于集中导致的模型输出精度低的问题。

可选的，在本发明的一个可选实施例中，上述利用预设拉丁超立方采样算法获得多维坐标的实现过程可以是：假设历史输入变量分别为马赫数、温度和压力。其中，马赫数（mach）的取值范围为0至0.5马赫，温度（tempreture）的取值范围200至400摄氏度，压力（pressure）的取值范围为100000至200000帕。则预设拉丁超立方方法采样根据各历史输入变量的取值范围生成如图2所示的采样空间，并输出该采样空间内均匀分布的多个采样点的多维坐标，其中各采样点为如图2所示的采样空间中不同颜色的圆点。则输出的多维坐标的维度可以表示为（马赫数，温度，压力）。

需要说明的是，在实际应用场景下，上述采样点中包括各网格的多维初始条件参数，多维初始条件的参数的维度与多维坐标的维度一致，且参数的数值与上述坐标参数一致。例如，假设一个多维坐标为（马赫数20，温度30，压力40），则该采样点内各网格的多维初始条件参数均为（马赫数20，温度30，压力40）。

S102、将各采样点的多维坐标输入至历史仿真系统，获得各多维坐标各自对应的仿真结果数据，历史仿真系统为基于历史基准仿真配置文件对初始仿真系统进行配置后获得的，历史基准仿真配置文件中包括各历史输入变量。

需要说明的是，在实际应用场景下，上述基于历史基准仿真配置文件对初始仿真系统进行配置获得历史仿真系统，并根据多维坐标获得对应的仿真结果数据的过程，可以是：

如图3所示，为获得历史仿真系统和仿真结果数据的流程图：

步骤S301，向初始仿真系统导入历史基准配置文件的几何模型，并触发步骤S302。

步骤S302，对集合模型进行网格划分，获得多个离散单元，触发步骤S303。

步骤S303，设置几何模型和离散单元的数值计算模型，并触发步骤S304。

步骤S304，根据历史基准配置文件中边界条件参数，设置几何模型和离散单元的边界条件，并触发步骤S305。

步骤S305，根据多维坐标设置几何模型和离散单元的初始条件，并触发步骤S306。

步骤S306，基于完成设置的几何模型和离散单元进行求解，并触发步骤S307。

步骤S307，基于求解结果，输出仿真结果数据。

可选的，在本发明的一个可选实施例中，上述仿真结果数据可以是以图形或表格的形式输出的数据组，例如：云图、应力分布图、应力数据表等。

需要说明的是，在实际应用场景下，由于上述历史输入变量和上述历史基准仿真配置文件均为历史仿真过程中产生的数据，其自身的精度较高，因此，本发明通过配置基于上述历史输入变量和上述历史基准仿真配置文件进行相关的数据计算，在提高对历史数据的利用率的同时，也提高了后续获得的预设初始条件生成模型输出的初始条件的精度。

需要说明的是，在实际应用场景下，为了保证最终确定的初始条件满足当前仿真的需求，上述历史基准仿真配置文件的仿真类型应于当前仿真的仿真类型一致，例如，当前仿真的仿真类型为“对管道两端流速、压力、温度的仿真”，则历史基准仿真配置文件的仿真类型也应当为“对管道两端流速、压力、温度的仿真”，其差别仅在于边界条件中参数的差别。

S103、基于各采样点的多维坐标及其各自对应的仿真结果数据，对初始条件生成模型进行训练，获得预设初始条件生成模型。

需要说明的是，在实际应用场景下，由于上述多维坐标是均匀分布的，且各多维坐标对应的仿真结果数据均是基于历史基准仿真配置文件生成的，因此，本发明通过配置基于均匀分布的多维坐标及其各自对应的仿真结果数据对初始条件生成模型进行训练，提高了获得的预设初始条件生成模型输出的仿真结果数据的精度，进而提高了最终获得的初始条件的精度。

S104、将接收到的当前初始条件生成指令中的当前多维坐标输入至预设初始条件生成模型中，获得与当前多维坐标对应的仿真结果数据，并将当前多维坐标对应的仿真结果数据确定为初始条件，当前多维坐标包括多个维度的当前坐标参数。

需要说明的是，在实际应用场景下，上述初始条件是指在仿真过程中，用于模型进行仿真求解时的初始参数，例如，在对“管道入口处的流速、压力和温度”进行仿真时，需要设定的管道入口处各点的初始流速值、初始压力值和初始温度值即为上述初始条件。在完成上述初始条件设置后，会基于上述初始条件进行迭代求解，从而获得包括在目标设定工况下的管道入口处的流速仿真结果、压力值仿真结果和温度值仿真结果。

需要说明的是，在实际应用场景下，上述当前初始条件生成指令可以是基于当前仿真配置文件中的初始条件生成的触发指令。其中当前多维坐标的坐标参数为当前仿真配置文件中的初始条件中记载的多个维度的初始参数。

需要说明的是，在实际应用场景下，残差（residual）表征了实际值与预测值之间的差异程度。而上述预设初始条件生成模型是由多维坐标和各自对应的仿真结果数据训练后获得的，这就使得预设初始条件生成模型根据当前多维坐标输出的仿真结果数据与真实条件下的实际值的差异程度，小于当前多维坐标与真实条件下的实际值的差异程度。因此，本发明配置将预设初始条件生成模型根据当前多维坐标输出的仿真结果数据确定为初始条件，利用当前多维坐标对应的仿真结果数据残差小的特点，降低了基于当前多维坐标对应的仿真结果数据进行后续迭代求解过程中残差出现大幅波动的风险，减少了迭代次数。

本发明利用拉丁超立方采样算法获得均匀分布的多个多维坐标，并通过历史仿真系统获得各多维坐标各自对应的仿真结果，随后基于各多维坐标及其各自对应的仿真结果进行模型训练，获得预设初始条件生成模型，提高了预设初始条件生成模型输出的仿真结果数据的精度。并且，通过将预设初始条件生成模型生成的当前多维坐标对应的仿真结果数据确定为初始条件，使得本发明相较于现有将估计值作为初始条件的方式，降低了初始条件的残差，减少了后续迭代求解过程中的迭代次数和求解失败的风险。可见，本发明提高了CAE仿真的效率和精度。

可选的，利用预设拉丁超立方采样算法在各历史输入变量的取值范围内进行采样，获得均匀分布的多个采样点的多维坐标，多维坐标包括多个维度的坐标参数，包括：

获得多个历史仿真配置文件，各历史仿真配置文件中均包括各历史输入变量，各历史仿真配置文件除各历史输入变量的数值不同外，其他配置参数均相同；

对各历史输入变量：获得各历史仿真配置文件中该历史输入变量的数值，并基于各数值中的最大值和最小值生成该历史输入变量对应的取值范围；

将各历史输入变量、接收到的采样指令中的采样数量和各历史输入变量各自对应的取值范围输入至预设拉丁超立方采样算法中，获得均匀分布的各采样点的多维坐标。

需要说明的是，在实际应用场景下，为了保证最终确定的初始条件满足当前仿真的需求，上述历史仿真配置文件的仿真类型应于当前仿真的仿真类型一致，例如，当前仿真的仿真类型为“对管道两端流速、压力、温度的仿真”，则历史仿真配置文件的仿真类型也应当为“对管道两端流速、压力、温度的仿真”，其差别仅在于初始条件中参数的差别。

需要说明的是，在实际应用场景下，对于用于仿真不同模型的历史仿真配置文件，可以具有相同维度的历史输入变量，但历史输入变量对于不同模型的仿真结果的关联性是不同的，因此，为了避免不同模型的相同输入变量的关联性影响后续预设初始条件生成模型的精度，需要确保各历史仿真配置文件除各历史输入变量的数值不同外，其他配置参数均相同。

可选的，基于各采样点的多维坐标及其各自对应的仿真结果数据，对初始条件生成模型进行训练，获得预设初始条件生成模型，包括：

将一个采样点的多维坐标及其对应的仿真结果数据确定为一条训练数据，获得初始训练数据集；

将初始训练数据集拆分为训练数据集和测试数据集，利用训练数据集和测试数据集对初始条件生成模型进行训练，获得预设初始条件生成模型，预设初始条件生成模型的输入为多维坐标，输出为多维坐标对应的仿真结果数据。

需要说明的是，在实际应用场景下，上述初始条件生成模型可以是基于科学计算框架（pytorch）构建的模型。其构建和训练方式有多种，在此示例性的提供一种：根据实际应用场景的需求，定义初始条件生成模型的输出层和隐藏层层数，并设置激活函数δ。

定义第l层的输出为：/>，其中，/>为初始条件生成的l维系数矩阵，/>为第l-1层的输出，/>为l维的偏置矩阵。/>和/>可以是一种自适应动量的随机优化方法（Adaptive momentum，Adam）通过反向传播计算获得。

定义损失函数为输出数据与值的均方误差（Mean Squared Error，MSE）：，其中，n为训练数据的总数，i为第i个训练数据的标号，/>为初始条件生成模型输出的第i个训练数据中的多维坐标对应的仿真结果，/>为第i个训练数据中的仿真结果。

本领域技术人员可以理解的是，在实际应用场景下，上述将初始训练数据集拆分为训练数据集和测试数据集是通过K折交叉验证的方式对初始条件生成模型进行训练的，由于K折交叉验证可以确保所有数据都被训练和验证，提高了模型的训练精度。

本发明的研发人员经过研究和仿真测试，获得的预设初始条件生成模型的输出结果与真实仿真结果的比对示意图如图4所示。其中图4左侧图片为真实云图，图4右侧图片为预设初始条件生成模型输出的云图，两云图的相似性较高，可见上述预设初始条件生成模型的输出精度高。

可选的，历史基准仿真配置文件为清除各历史输入变量的数值的历史仿真配置文件。

与上述方法实施例相对应地，本发明还提供了一种用于确定计算机辅助工程的初始条件的系统，如图5所示，该用于确定计算机辅助工程的初始条件的系统包括：

采样模块501，用于利用预设拉丁超立方采样算法在各历史输入变量的取值范围内进行采样，获得均匀分布的多个采样点的多维坐标，多维坐标包括多个维度的坐标参数，一个维度对应一个历史输入变量，一个维度的坐标参数为维度对应的一个历史输入变量的数值；

仿真模块502，用于将各采样点的多维坐标输入至历史仿真系统，获得各多维坐标各自对应的仿真结果数据，历史仿真系统为基于历史基准仿真配置文件对初始仿真系统进行配置后获得的，历史基准仿真配置文件中包括各历史输入变量；

模型训练模块503，用于基于各采样点的多维坐标及其各自对应的仿真结果数据，对初始条件生成模型进行训练，获得预设初始条件生成模型；

条件设定模块504，用于将接收到的当前初始条件生成指令中的当前多维坐标输入至预设初始条件生成模型中，获得与当前多维坐标对应的仿真结果数据，并将当前多维坐标对应的仿真结果数据确定为初始条件，当前多维坐标包括多个维度的当前坐标参数。

可选的，上述采样模块501被设置为：

获得多个历史仿真配置文件，各历史仿真配置文件中均包括各历史输入变量，各历史仿真配置文件除各历史输入变量的数值不同外，其他配置参数均相同；

对各历史输入变量：获得各历史仿真配置文件中该历史输入变量的数值，并基于各数值中的最大值和最小值生成该历史输入变量对应的取值范围；

将各历史输入变量、接收到的采样指令中的采样数量和各历史输入变量各自对应的取值范围输入至预设拉丁超立方采样算法中，获得均匀分布的各采样点的多维坐标。

可选的，上述模型训练模块503被设置为：

将一个采样点的多维坐标及其对应的仿真结果数据确定为一条训练数据，获得初始训练数据集；

将初始训练数据集拆分为训练数据集和测试数据集，利用训练数据集和测试数据集对初始条件生成模型进行训练，获得预设初始条件生成模型，预设初始条件生成模型的输入为多维坐标，输出为多维坐标对应的仿真结果数据。

可选的，上述仿真模块502中的历史基准仿真配置文件为清除各历史输入变量的数值的历史仿真配置文件。

本发明实施例还提供了一种用于确定计算机辅助工程的初始条件的设备，如图6所示，该用于确定计算机辅助工程的初始条件的设备包括：

处理器601；

用于存储处理器601可执行指令的存储器602；

其中，处理器601被配置为执行指令，以实现如上述任一种的用于确定计算机辅助工程的初始条件的方法。

本发明实施例还提供了一种计算机可读存储介质，当计算机可读存储介质中的指令由用于确定计算机辅助工程的初始条件的设备的处理器执行时，使得用于确定计算机辅助工程的初始条件的设备能够执行如上述任一种的用于确定计算机辅助工程的初始条件的方法。

本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种用于确定计算机辅助工程的初始条件的方法，其特征在于，所述方法包括：

利用预设拉丁超立方采样算法在各历史输入变量的取值范围内进行采样，获得均匀分布的多个采样点的多维坐标，所述多维坐标包括多个维度的坐标参数，一个所述维度对应一个所述历史输入变量，一个所述维度的坐标参数为所述维度对应的一个所述历史输入变量的数值；

将各所述采样点的多维坐标输入至历史仿真系统，获得各所述多维坐标各自对应的仿真结果数据，所述历史仿真系统为基于历史基准仿真配置文件对初始仿真系统进行配置后获得的，所述历史基准仿真配置文件中包括各所述历史输入变量；

基于各所述采样点的多维坐标及其各自对应的所述仿真结果数据，对初始条件生成模型进行训练，获得预设初始条件生成模型；

将接收到的当前初始条件生成指令中的当前多维坐标输入至所述预设初始条件生成模型中，获得与所述当前多维坐标对应的仿真结果数据，并将所述当前多维坐标对应的仿真结果数据确定为初始条件，所述当前多维坐标包括多个所述维度的当前坐标参数。

2.根据权利要求1所述的方法，其特征在于，所述利用预设拉丁超立方采样算法在各历史输入变量的取值范围内进行采样，获得均匀分布的多个采样点的多维坐标，所述多维坐标包括多个维度的坐标参数，包括：

获得多个历史仿真配置文件，各所述历史仿真配置文件中均包括各所述历史输入变量，各所述历史仿真配置文件除各所述历史输入变量的数值不同外，其他配置参数均相同；

对各所述历史输入变量：获得各所述历史仿真配置文件中该历史输入变量的数值，并基于各所述数值中的最大值和最小值生成该历史输入变量对应的所述取值范围；

将各所述历史输入变量、接收到的采样指令中的采样数量和各所述历史输入变量各自对应的所述取值范围输入至所述预设拉丁超立方采样算法中，获得均匀分布的各所述采样点的多维坐标。

3.根据权利要求1所述的方法，其特征在于，所述基于各所述采样点的多维坐标及其各自对应的所述仿真结果数据，对初始条件生成模型进行训练，获得预设初始条件生成模型，包括：

将一个所述采样点的多维坐标及其对应的所述仿真结果数据确定为一条训练数据，获得初始训练数据集；

将所述初始训练数据集拆分为训练数据集和测试数据集，利用所述训练数据集和所述测试数据集对所述初始条件生成模型进行训练，获得所述预设初始条件生成模型，所述预设初始条件生成模型的输入为多维坐标，输出为所述多维坐标对应的仿真结果数据。

4.根据权利要求2所述的方法，其特征在于，所述历史基准仿真配置文件为清除各所述历史输入变量的数值的所述历史仿真配置文件。

5.一种用于确定计算机辅助工程的初始条件的系统，其特征在于，所述系统包括：

采样模块，用于利用预设拉丁超立方采样算法在各历史输入变量的取值范围内进行采样，获得均匀分布的多个采样点的多维坐标，所述多维坐标包括多个维度的坐标参数，一个所述维度对应一个所述历史输入变量，一个所述维度的坐标参数为所述维度对应的一个所述历史输入变量的数值；

仿真模块，用于将各所述采样点的多维坐标输入至历史仿真系统，获得各所述多维坐标各自对应的仿真结果数据，所述历史仿真系统为基于历史基准仿真配置文件对初始仿真系统进行配置后获得的，所述历史基准仿真配置文件中包括各所述历史输入变量；

模型训练模块，用于基于各所述采样点的多维坐标及其各自对应的所述仿真结果数据，对初始条件生成模型进行训练，获得预设初始条件生成模型；

条件设定模块，用于将接收到的当前初始条件生成指令中的当前多维坐标输入至所述预设初始条件生成模型中，获得与所述当前多维坐标对应的仿真结果数据，并将所述当前多维坐标对应的仿真结果数据确定为初始条件，所述当前多维坐标包括多个所述维度的当前坐标参数。

6.根据权利要求5所述的系统，其特征在于，所述采样模块被设置为：

获得多个历史仿真配置文件，各所述历史仿真配置文件中均包括各所述历史输入变量，各所述历史仿真配置文件除各所述历史输入变量的数值不同外，其他配置参数均相同；

对各所述历史输入变量：获得各所述历史仿真配置文件中该历史输入变量的数值，并基于各所述数值中的最大值和最小值生成该历史输入变量对应的所述取值范围；

将各所述历史输入变量、接收到的采样指令中的采样数量和各所述历史输入变量各自对应的所述取值范围输入至所述预设拉丁超立方采样算法中，获得均匀分布的各所述采样点的多维坐标。

7.根据权利要求5所述的系统，其特征在于，所述模型训练模块被设置为：

将一个所述采样点的多维坐标及其对应的所述仿真结果数据确定为一条训练数据，获得初始训练数据集；

将所述初始训练数据集拆分为训练数据集和测试数据集，利用所述训练数据集和所述测试数据集对所述初始条件生成模型进行训练，获得所述预设初始条件生成模型，所述预设初始条件生成模型的输入为多维坐标，输出为所述多维坐标对应的仿真结果数据。

8.根据权利要求6所述的系统，其特征在于，所述仿真模块中的所述历史基准仿真配置文件为清除各所述历史输入变量的数值的所述历史仿真配置文件。

9.一种用于确定计算机辅助工程的初始条件的设备，其特征在于，所述设备包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现如权利要求1至4中任一项所述的用于确定计算机辅助工程的初始条件的方法。

10.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的指令由用于确定计算机辅助工程的初始条件的设备的处理器执行时，使得所述用于确定计算机辅助工程的初始条件的设备能够执行如权利要求1至4中任一项所述的用于确定计算机辅助工程的初始条件的方法。