A Multi-AI-agent Framework Enabling End-to-end Finite Element Analysis for Solid Mechanics Problems

背景

有限元分析（Finite Element Analysis, FEA）是解决固体力学问题最重要的数值模拟方法。然而，在实际工程应用中，FEA 面临着显著的门槛与挑战。首先，对于入门级用户而言，掌握 FEA 软件的操作和理论具有陡峭的学习曲线。其次，由于关键模拟组件（如边界条件、载荷工况和求解变量）定义错误，极易导致虚假或错误的模拟结果。

通常情况下，解决现实世界中的复杂工程问题需要积累多年的工程经验。这种对专家经验的依赖限制了 FEA 技术的普及效率，并阻碍了计算力学教育的普及。为了应对这些痛点，研究人员提出了一种基于大语言模型（LLM）的多智能体框架，旨在通过自然语言指令自动化完成从模型构建到结果可视化的全流程。

核心内容

本文介绍了 AbaqusAgent，这是一个基于大语言模型的多智能体框架，专门用于固体力学分析。该框架旨在降低使用 Abaqus（全球最广泛使用的 FEA 软件包之一）进行分析的门槛，通过将用户的自然语言指令转化为可执行的 FEA 分析及结果可视化。

架构设计

AbaqusAgent 由六个核心智能体（Agents）组成，涵盖了标准 FEA 分析中所有必要的预处理和后处理步骤：

1. Interpreter Agent（解释器智能体）：负责解析用户的自然语言指令，理解用户的意图和需求。
2. Architect Agent（架构师智能体）：负责规划分析的整体架构，确定几何模型、材料属性及基本的物理设置。
3. Input Writer Agent（输入文件编写器智能体）：根据架构设计，生成 Abaqus 所需的输入文件（.inp 文件），确保语法正确且逻辑完整。
4. Runner Agent（运行器智能体）：负责调用 Abaqus 求解器执行计算任务，并监控运行状态。
5. Reviewer Agent（审查员智能体）：对生成的模型、输入文件及运行结果进行审查，识别潜在的错误或不合理之处，并提供反馈以优化流程。
6. Visualizer Agent（可视化智能体）：负责处理和分析计算结果，生成直观的可视化图表或报告，帮助用户理解模拟结果。

验证与性能

研究团队对 50 种不同类型的固体力学问题进行了广泛验证。结果显示，AbaqusAgent 实现了 86% 的整体成功率。这一数据表明，该框架在处理多样化工程问题时具有高度的鲁棒性和可靠性。

功能延伸

除了自动化分析流程，AbaqusAgent 还旨在推动人机交互范式的变革。它使得 FEA 能够无缝集成到由 AI 驱动的优化流程和材料表征工作流中，从而形成一个闭环的智能工程解决方案。

关键要点

• 多智能体协作：框架采用六个专用智能体（解释器、架构师、输入编写器、运行器、审查员、可视化器）协同工作，覆盖了 FEA 的全生命周期。
• 自然语言驱动：用户只需提供自然语言指令，系统即可自动生成模型、编写输入文件、执行计算并展示结果，极大简化了操作流程。
• 高成功率：在 50 个固体力学案例的验证中，整体成功率达到 86%，证明了其在实际工程场景中的有效性。
• 降低学习门槛：通过自动化处理复杂的边界条件、载荷定义等易错环节，显著降低了 FEA 的使用难度，有助于计算力学教育的普及。
• 集成优化能力：该框架不仅用于单次分析，还为后续集成 AI 赋能的结构优化和材料特性表征工作流奠定了基础。
• 开源与可复现：相关代码已公开，促进了学术界的进一步研究和应用。

意义与影响

AbaqusAgent 的提出标志着工程仿真领域向智能化迈出了重要一步。其意义主要体现在以下几个方面：

1. ** democratization of Simulation（仿真民主化）**：通过降低技术门槛，使得非资深工程师甚至学生也能进行高质量的固体力学分析，扩大了 FEA 的应用人群。
2. 提升工程效率：自动化流程减少了人工编写输入文件和调试模型的时间，加速了从设计到验证的迭代周期。
3. 减少人为错误：通过审查员智能体的介入和标准化的生成流程，有效降低了因边界条件或载荷定义错误导致的模拟失败风险。
4. 推动 AI 与科学计算融合：该框架展示了 LLM 在专业科学计算领域的应用潜力，为人机交互提供了新的范式，并为未来构建更复杂的 AI-empowered 工程工作流（如自动优化、材料发现）提供了基础架构。

总之，AbaqusAgent 不仅是一个工具，更是连接自然语言理解与专业工程模拟的桥梁，有望重塑固体力学分析的工作方式。