开源智能工业软件技术白皮书 2024

读万卷书！

前言

**结构是工业装备、工程设施发挥使役功能的载体。**设计位于结构创成链条的最前端，决定着结构性能的原始基因；优化则是结构设计的核心宗旨和永恒目标。结构优化分为三个层次，从简单到复杂依次是尺寸优化、形状优化和拓扑优化。拓扑优化旨在通过求解相应的数学规划问题以确定设计域内材料（或孔洞）的最优布局，具有比尺寸优化和形状优化更大的设计自由度。近年来，拓扑优化不仅在装备的早期概念阶段和初步设计阶段发挥了重要作用，其实际应用范围也被推广至热、声学、流体、材料设计和其他多物理学科。

**随着增材制造技术的发展，拓扑优化专用软件已成为航空航天、汽车等工程装备创新设计的必备工具。**几乎所有主流 CAE/CAD 软件均集成了结构优化及拓扑优化模块，并在相关功能的开发投入了重要资源和力量。而需要指出的是，目前工业界和学术界中较为通用的结构拓扑优化软件或模块均为国外公司开发，且由于受限于软件底层采用的拓扑优化算法，存在缺乏显式几何信息、需要大量人工后处理等痛点问题。

2022 年 7 月,在开放原子开源基金会指导下，成立了开源工业软件工作委员会（OpenAtom openCAX）（以下简称“工委会”），致力于构建一个国际化的开源工业软件工具链，推动我国开源生态有序发展，加速工业软件关键核心技术的积累和产业商用的迭代，为工业软件开源使用者、开发者、研究者提供国际化交流平台。

**本白皮书的主要目的是阐述开源的背景和必要性，给出开源结构优化软件的发展思路和技术路线，探索开源盈利模式。**并通过介绍开源集成平台，给出拓扑优化软件协同研发的具体实例。引导和激发工业软件研发企业、服务厂商、用户企业等主体投身开源，构建开放、共享、协作的研发与应用生态，打造中国特色 CAE 软件产品化路径。

本白皮书分为五个部分。第一部分介绍结构优化引擎；第二部分介绍结构优化引擎技术路径；第三部分介绍结构优化开源框架；第四部分介绍结构优化核心技术及优势；第部分介绍结构优化软件应用方案。

一、结构优化引擎

结构优化是一种基于数学建模和计算机仿真的工程优化方法，其主要思想是通过优化结构的形状和材料分布，使得结构的性能最优化[1]。在工程设计领域，结构优化已经被广泛应用于飞行器、汽车、建筑、机械等领域，以实现结构轻量化、强度提高和成本降低等目标。

以移动可变形组件为核心的结构拓扑优化算法，采用由显式参数描述其几何的、能够在设计空间中自由移动并变形的组件作为描述结构拓扑的设计基元。根据问题需求，拟采用欧拉格式下的超椭球函数或拉格朗日格式下的封闭星形 NURBS 曲面对组件进行描述。

基于上述描述，结构组件的几何参数（如长度、宽度、位置、倾斜角度等）或几何表面均可直接得到。继而，仅需通过优化这些几何参数以驱动组件发生移动、变形、相交和融合等变化达到拓扑优化目的。

由于设计变量仅为每个组件的几何参数（三维情形下，每个组件仅有 9 个设计参数），优化问题求解规模较传统算法将大幅降低。同时，利用这些几何信息，也可对结构特征尺寸、倾斜角度等制造约束进行直接控制，并且便于后续开展与CAD 系统的无缝融合。

二、结构优化引擎技术路径

本软件的预期目标主要包括以下几个方面：

（1）实现结构的轻量化、强度提高和成本降低等目标。

（2）提供高效、可靠的拓扑优化算法，支持多种常见的模型文件格式。

（3）提供直观、简洁的用户界面，方便用户操作和理解。

（4）提供国产高质量的拓扑优化软件，降低工程设计成本。

**技术方案：**基于开放式的软件架构体系，搭建控制台分级调用的软件体系，将 CAD、CAE 和拓扑优化等模块进行深度融合与集成，打通各模块间的技术壁垒，实现该软件从几何模型的建立、有限元设置及求解、拓扑优化和几何重构及光滑化等功能的完美融合。

**算法功能：**拓扑优化设置功能、有限元文件（inp 文件）和拓扑优化文件（opt 文件）解析功能，多种高效拓扑优化算法（MMC 方法、离散变量方法、变密度法等）、生成优化报告功能。

**对外接口：**几何文件的创建及导入接口，有限元文件的创建及导入接口、有限元求解器接口、后处理接口（可视化与光滑化）等。

三、结构优化开源框架

主要包括应用层、核心层、高性能计算层、数据匹配层四个层级，算法框架图如下：

图 1.核心算法框架图

3.1 应用层

采用郭旭教授等独创的移动可变形组件方法[2]及软件工具，已成功应用于大型客车减重优化设计、风机主机架减重设计、空间站相机一体化支架轻量化设计、载人飞船密封舱整体壁板结构轻量化设计等诸多企事业单位代表性场景。

3.2 核心层

各模块功能具体介绍如下：

**（1）文件生成及检查模块：包含对有限元网格信息文件（inp）、优化信息文件（opt）相关参数的检查。**有限元文件的检查主要为单元类型与后处理是否匹配，场输出、载荷、边界条件是否可求解。优化文件的检查则针对优化问题的维度是否匹配有限元网格，响应（即目标函数、约束函数）是否可求解，优化设置是否合理，如：组件尺寸非零、组件个数非零、响应域非空等。

图 2. 文件生成及检查模块

**（2）结构构型更新模块：获得优化所需信息以后，自动解析优化参数并分配内存，并在设计域中按用户输入生成指定数量及尺寸的组件。**之后，计算组件拓扑描述函数和结构密度场。当组件的个数、尺寸发生变化时，其所表征结构的密度场也随之发生变化，随着组件的移动与变形，结构构型也随之更新。

图 3. 结构构型更新模块

（3）结构分析模块：当获得整个模型的密度场以后，通过求解有限元线性代数方程组，即可得到模型的位移场，进而获得用户所需要的响应，即目标函数值和约束函数值。

图 4. 结构分析模块

（4）灵敏度计算及优化求解模块：通过构造拉格朗日方程，求解伴随方程并运用链式法则得到目标函数、约束函数对设计变量的灵敏度[3]，代入 MMA、SQP 等优化求解器获得新的设计变量。通过反复更新设计变量，以达到改变结构构型并最终实现结构拓扑优化设计的目的。

图 5. 灵敏度计算模块

图 6. 优化求解模块

（5）优化结果输出模块：当达到预先设定的收敛条件时，优化进程终止，程序会自动输出优化结果，包括网格模型、结构拓扑、性能指标等数据，用于光滑化后处理。

3.3 高性能计算层

（1）统一处理尺寸/形状/拓扑三类设计变量的高效灵敏度分析发展适用于结构综合力学响应和多类型设计变量的通用半解析灵敏度分析算法，研究其在不同差分步长选取策略下的计算精度、效率、稳定性，针对不同类型目标/约束函数研究其高效数值实现技术，实现多类型设计变量灵敏度分析的标准化。在此基础上研发具有自适应性的灵敏度分析模块。

（2）适用于单机环境的大规模复杂结构响应分析的高效数值算法针对大规模结构分析与优化问题，研发解耦结构描述与结构分析的多分辨率方法、基于 GPU 加速技术、并行和多重网格技术的结构显式描述与大规模稀疏线性方程求解算法，实现灵活高效的拟荷载回代求解，提出与子结构构成树的海量数据管理及周游技术相结合的分布式灵敏度分析算法，有效提升单机求解结构优化设计问题的规模和效率。

3.4 数据匹配层

系统环境：Windows10、11

开发环境：Visual Studio 2019

代码标准：C++14，python 3.6

硬件支持：CPU：Intel 酷睿，内存：8G 及以上，硬盘：4G 以上。

四、结构优化核心技术及优势

4.1 基于移动可变形组件的结构拓扑优化算法

不同于传统优化方法采用像素方式描述结构拓扑，基于移动可变形组件的结构拓扑优化算法采用由显式参数描述其几何的、能够在设计空间中自由移动并变形的组件作为描述结构拓扑的设计基元。根据问题需求，拟采用欧拉格式下的超椭球函数或拉格朗日格式下的封闭星形 NURBS 曲面对组件进行描述。基于上述描述，结构组件的几何参数（如长度、宽度、位置、倾斜角度等）或几何表面均可直接得到。

继而，仅需通过优化这些几何参数以驱动组件发生移动、变形、相交和融合等变化达到拓扑优化目的。由于设计变量仅为每个组件的几何参数（三维情形下，每个组件仅有 9 个设计参数），优化问题求解规模较传统算法将大幅降低。同时，利用这些几何信息，也可对结构特征尺寸、倾斜角度等制造约束进行直接控制，并且便于后续开展与 CAD 系统的无缝融合。

4.2 基于离散变量的结构拓扑优化算法

像素点描述的拓扑优化的数学本质是非线性整数规划。在序列近似规划框架下，将充分利用拓扑优化的数学特征，基于正则对偶原理开发出离散变量结构拓扑优化方法[5, 6]，获得可直接制造的“黑白”设计。将利用该算法效率与连续变量方法相当的特点，使用统一数学规划框架求解多约束问题。同时，清晰的“黑白”结构可以方便提取结构几何信息，进一步有效处理可制造性约束。

4.3 结构拓扑优化组件模块集成技术

针对结构拓扑优化计算功能研发需求，基于插件技术动态集成结构有限元分析、优化算法库、光滑曲面重建与几何参数化、网格生成引擎、可视化等基础模块。项目研究还将开发核心算法的共性接口，基于“算法+模式”思路集成结构拓扑优化中的优化模型定义、灵敏度分析、密度/灵敏度过滤、MMC 等算法模块，构建算法模块与数据之间的全级别开放接口，建立灵活便捷的动态集成环境，支持本项目多类创新算法的集成与自由切换。

4.4 结构拓扑优化组件模块测试验证与应用示范

以重大装备和产品为应用示范对象，基于研发的软件平台开展拓扑优化设计，对各版本软件的共性功能和特性功能进行测试验证，建立详尽的测试日志和报告并及时反馈，形成测试－研发闭环。同时，结合装备研制开展应用示范。

五、结构优化软件应用方案

该拓扑优化软件旨在解决各种复杂的工程问题，且具备可二次开发、可共享、可开源等特点，重点强调其他合作者可以基于本开源软件完成工作，以促进更多人参与并贡献于该项目。

本开源拓扑优化软件具有以下特点：

1. 模块化设计：软件采用了模块化的设计，使得不同的功能可以独立开发和维护。这意味着其他合作者可以基于现有的模块进行扩展和改进，以满足不同的需求。

2. 可定制化：软件提供了丰富的参数设置和配置选项，允许用户根据自己的需求定制设计域、不可设计域、优化方法等。这意味着其他合作者可以根据不同的应用场景和问题领域，定制化地使用本软件，从而解决各种不同类型的问题。

3. 可扩展性：软件的设计允许其他合作者方便地添加新的算法和功能，从而不断丰富软件的功能和应用范围。这意味着其他合作者可以基于现有的架构，扩展软件的功能，以满足不同的需求。

在本开源有限元软件项目中，其他合作者可以基于本软件完成以下工作：

1. 优化算法开发：其他合作者可以通过在现有的模块上添加新的算法，改进现有的算法，或者设计新的计算方法，以提高软件的计算效率、精度和稳定性。

2. 多物理场开发：其他合作者可以根据自己的研究领域和需求，基于本软件定制化开发适用于特定领域的算法。例如，可以基于软件的框架开发结构力学、热传导、流体力学等领域的算法，从而拓展软件在不同应用领域的适用性。

3. 材料模型开发：其他合作者可以根据不同的材料性质和行为，开发新的材料模型，包括线性和非线性材料模型，以满足不同问题的需求。这对于解决复杂的材料行为和本构关系的问题尤为重要。

4. 用户界面和可视化工具：其他合作者可以通过改进用户界面和可视化工具，提升软件的易用性和用户体验。可以基于现有的用户界面设计新的交互功能，实现更友好的图形化界面，方便用户进行模型设置、求解和结果可视化等操作。

5. 文档和教程编写：其他合作者可以贡献编写文档和教程，帮助新用户快速上手使用软件，并更好地理解软件的功能和使用方法。这对于促进软件的传播和推广，吸引更多用户和贡献者参与到项目中，具有积极的影响。

6. 测试和验证：其他合作者可以进行软件的测试和验证，发现并修复软件中的潜在 bug 和问题，确保软件的稳定性和可靠性。测试和验证工作对于软件的持续改进和质量保障非常重要，可以帮助软件更好地适应不同的应用场景和问题领域。

7. 社区参与和支持：其他合作者可以积极参与软件的社区，包括讨论论坛、邮件列表、社交媒体等，提供技术支持、解答问题、分享经验和交流合作。这有助于形成一个活跃的社区，促进合作者之间的合作和交流，从而不断推动软件的发展和完善。

通过以上的合作工作，其他合作者可以共同推动本开源拓扑软件的发展，使其更加强大、稳定、易用，并满足不同领域和问题的需求。同时，合作者也将获得软件使用和贡献的权益，共同分享软件的发展成果和社区的价值。我们欢迎广大合作者的积极参与和贡献，共同推动本开源拓扑优化软件在科学、工程和学术研究中的应用和发展。

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

所有资料 ⚡️ ，朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》，扫码获取~

👉[CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享**（安全链接，放心点击）**]👈

​

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。
• 内容：
  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
    - L1.4.1 知识大模型
    - L1.4.2 生产大模型
    - L1.4.3 模型工程方法论
    - L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
• 内容：
  • L2.1 API接口
    - L2.1.1 OpenAI API接口
    - L2.1.2 Python接口接入
    - L2.1.3 BOT工具类框架
    - L2.1.4 代码示例
  • L2.2 Prompt框架
    - L2.2.1 什么是Prompt
    - L2.2.2 Prompt框架应用现状
    - L2.2.3 基于GPTAS的Prompt框架
    - L2.2.4 Prompt框架与Thought
    - L2.2.5 Prompt框架与提示词
  • L2.3 流水线工程
    - L2.3.1 流水线工程的概念
    - L2.3.2 流水线工程的优点
    - L2.3.3 流水线工程的应用
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
• 内容：
  • L3.1 Agent模型框架
    - L3.1.1 Agent模型框架的设计理念
    - L3.1.2 Agent模型框架的核心组件
    - L3.1.3 Agent模型框架的实现细节
  • L3.2 MetaGPT
    - L3.2.1 MetaGPT的基本概念
    - L3.2.2 MetaGPT的工作原理
    - L3.2.3 MetaGPT的应用场景
  • L3.3 ChatGLM
    - L3.3.1 ChatGLM的特点
    - L3.3.2 ChatGLM的开发环境
    - L3.3.3 ChatGLM的使用示例
  • L3.4 LLAMA
    - L3.4.1 LLAMA的特点
    - L3.4.2 LLAMA的开发环境
    - L3.4.3 LLAMA的使用示例
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
• 内容：
  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

学习计划：

• 阶段1：1-2个月，建立AI大模型的基础知识体系。
• 阶段2：2-3个月，专注于API应用开发能力的提升。
• 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
• 阶段4：4-5个月，专注于高级模型的应用和部署。

这份完整版的所有 ⚡️ 大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

全套 《LLM大模型入门+进阶学习资源包》↓↓↓ 获取~

👉[CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享👈

​