计算机辅助工程（CAE）的世界正在不断发展。该领域的下一步是什么？就像在其他行业一样，大数据，物联网（IoT），机器学习和数字孪生也将带来重大变化，其他新兴技术也将发生重大变化。

通过云和容器使HPC资源亲民化

曾经HPC和仿真资源只能通过大量的前期投入进行使用，而现在工程师可以轻松获取并使用。云技术在仿真软件的亲民化中起着重要作用，因为它可以远程访问且拥有强大的计算能力。基于云的HPC资源还消除了对昂贵的硬件和软件的投资需求，同时提供了比常规（通常是昂贵的）软件许可更为灵活的定价模式。

云计算可能在其中扮演着最主要的角色，但软件容器的引入也推动了HPC的亲民化以及更广泛的接受度。完全生产就绪的容器捆绑了操作系统、库和工具，以及应用代码和用户的数据，甚至可以容纳支持整个复杂的工程和科学工作流程的工具。这些容器被设计成可以在内部部署或在云端部署，极大地缩短了部署时间。

下一阶段的发展可能会带来精简的用户界面和集成的模拟工作流程，使软件更加方便用户使用。此外，随着软件公司进一步摆脱传统的定价模式，它们也可能会提供培训和模板等资源的开放访问。

利用机器学习超越基于物理的模拟方法

传统的基于物理学的模拟模型是基于预设规则的。但获取大数据（例如由物联网设备产生的数据）意味着有可能训练人工神经网络，产生预测性的仿真模型。这种将机器学习应用于仿真环境的做法将有助于大幅缩短求解时间，同时保留传统求解器的大部分精度。

在未来几年，我们无疑会看到深度学习组件被集成到仿真中，既可以对真实系统进行建模，也可以训练额外的人工智能驱动的组件。同时，由于机器学习需要如此多的数据，组织也很可能会努力解决与这些数据的生成以及和管理有关的问题。

上图说明了一个典型的模拟样本在30万个训练步骤后，地面真实流场（左）和预测流场（右）之间的差异。

最近有案例研究探讨了使用深度学习来预测稳态流体流动的意义。该研究证实，更大的数据集可以更快地训练神经网络，提高人工神经网络预测能力的准确性。虽然生成如此大的数据量需要大量的开销，但可以通过在云端并行运行许多HPC模拟来抵消。

基于对象和过程的数字孪生的广泛应用

数字孪生的概念从上世纪60年代就已经出现了；美国宇航局曾使用数字孪生来模拟和评估阿波罗13号上的条件。由于工业物联网(IIoT)的出现，数字孪生在过去十年中开始受到了更多的关注。而随着传感器和其他物联网技术的成本不断下降，将有可能在整个过程和系统中建立更复杂的模拟。

如今，关键物理资产的数字孪生已经在制造业中无处不在，更强大的仿真技术使得数字孪生的定义和作用得到了扩展，其中不仅包括为物理对象创建孪生，还包括为这些对象的设计、测试和生产系统创建孪生。

创建数字孪生的某些方面仍然具有挑战性。例如，由于每个数字孪生体都是独一无二的，因此没有 "现成 "的解决方案来有效地构建它们。尽管像ANSYS这样的软件供应商正越来越多地采用专门用于创建这些与传感器实时交互的复杂模拟的工具，但它们的大部分构建仍然是临时完成的。随着数字孪生在各行各业的普及，这一趋势很可能会在未来几年继续获得增长甚至加速。