研究背景
在新能源汽車的熱管理仿真研究中，神經網絡訓練技術常被應用于系統降階建模。通過這一方法，可以構建出高效準確的代理模型，進而用于控制策略的優化、系統性能的預測與評估，以及實時仿真等任務，有效提升開發效率并降低計算成本。
雖然神經網絡的強大能力離不開大數據的驅動，但在現實世界中，收集足夠規模的真實數據卻是一項常見且艱巨的挑戰。數據匱乏極大地制約了模型的性能與發展。為此，我們常常需要借助仿真的力量來“創造”數據，填補這一空白。所采用的蒙特卡洛仿真方法，猶如一個強大的“數據發生器”，它通過建立數學模型并執行大量隨機模擬，能夠經濟、高效地生成逼近現實的仿真數據集，從而為神經網絡的訓練提供堅實的數據支撐，破解了數據短缺的困局。
接下來將以AMESim中的自帶空調系統的蒙特卡洛仿真案例展開介紹。
蒙特卡洛仿真
第一步：將需要蒙特卡洛仿真的部分提取出來
第二步：邊界參數定義
在SIMULATION窗口下，進入Study Manager界面，定義系統的出入輸出變量。
第三步：蒙特卡洛仿真定義
進入Study Manager-Studies界面，新建Monte Carlo，并定義相關參數。Study setting下Sample Method中選擇Latin Hypercube；Parameter中Number of runs定義的是該seeds下計算的數據組數量，此處設置為2000；Seeds的定義則是為了貴部不同seeds之間的數據重復。
第四步：研究參數定義
Study parameter definition中定義輸入參數。其中參數的分布類型可以選擇uniform(均勻分布)與Gaussian（高斯分布）。對于流量信息、壓縮機轉速等信息，可使用均勻分布。對于溫度信息（如蒸發器的進風溫度），可使用高斯分布。如下圖所示本案例將三個變量均設置為Uniform（均勻分布）。其中壓縮機轉速設置的參數為2000±1500轉范圍內波動。
針對輸出參數，可以通過勾選來決定是否對該參數進行研究。此案例中全部勾選，對所有參數進行研究。
?第五步：開始仿真
點擊右上角的Start Run開始蒙特卡洛計算。
最后，對計算的結果查看并導出。選中Study_1 Monte Carlo右鍵，選擇Log file對仿真數據查看。
同時，也讓可以點擊Add Plot 選擇需要查看的數據，如下圖所示。其中下方的Individual Plots是將選擇的數據，每個單獨顯示；All in one Plot是將所有的數據一個圖中顯示，如下圖左下角所示。
數據導出則是在Plot中選擇Save datahuo Export? to csv。
總結
以上是Monte Carlo 仿真在 AMESim 中的具體應用方法。在面向整車熱管理的神經網絡訓練任務中，蒙特卡洛仿真能夠有效彌補訓練樣本不足的瓶頸問題。通過大量隨機抽樣與概率模擬，它可生成覆蓋多工況、多參數的合成數據集，從而為數據驅動的建模方法提供充分的學習素材。然而需注意的是，在開展蒙特卡洛仿真之前，必須確保所使用的整車熱管理模型具備足夠的精度與可靠性，以保證仿真輸出結果符合物理實際。只有在模型置信度較高的前提下，基于仿真所生成的數據才能有效支撐神經網絡訓練，進而獲得泛化能力強、可應用于實際控制與優化場景的可靠代理模型。下一篇文章中，我們將進一步介紹如何利用蒙特卡洛仿真所生成的數據集，進行神經網絡的結構設計、訓練與驗證。
