Odyssee是海克斯康工业软件旗下的一款跨学科、跨领域、跨专业的软件产品，基于机器学习模型，能够实现秒级实时的CAE静态、动态仿真、图像识别、智能预测等，显著缩短计算分析周期，提高生产效率。对于车身结构的动态特性（振动传递函数）的研究，一般是通过试验手段或者有限元仿真方法。但试验的方法无论在时间成本还是金钱成本方面都比较高，采用有限元分析方法计算车身结构的振动传递函数，例如使用MSC Nastran进行相关的计算和预测，可以降低时间和试验投入成本。Odyssee软件能够根据试验结果或有限元计算结果进行模型的训练和学习，来预测车身结构的动态特性，从而进一步缩短仿真时间，并可用于研究设计参数灵敏度以及参数的优化。
在新的车身结构开发初期，设计工程师需要尽快知道当前设计车身结构的动态特性。使用传统有限元方法进行求解，面临网格剖分、边界条件设置、模型装配、求解计算等一系列的工作，几轮迭代下来也需要几天的时间。因此有限元仿真分析往往跟不上现在快速产品设计迭代的脚步。而使用基于机器学习的仿真工具Odyssee，可以在前期通过已有的设计经验和仿真结果训练代理模型，针对新的车身结构设计，能够实现秒级的动态特性仿真预测，从而加快了车身结构研发速度，帮助设计工程师快速完成前期的预测。
Odyssee包含了两个重要模块：Odyssee CAE和Odyssee A-EYE。Odyssee CAE是一个独特而强大的以CAE为中心的创新平台，而Odyssee A-EYE是一个独特而强大的基于图像的机器学习解决方案。机器学习+CAE仿真是未来仿真的一种趋势。
• 使用了Odyssee 2022.2进行测试的过程中，需要准备以下文件：X.csv,Y.csv,XN.csv, Y_exact.csv。
• 首先打开Odyssee软件，在其中生成DOE数据，算法采用Optimal Latin HyperCube方法，DOE的样本点数目为100个，生成9个设计参数d1、d2、……、d9的样本空间。
• 针对生成的DOE样本空间，进行改善DOE数据。通过将Number Of new points设置为20，并点击Improve DOE，在上述100个样本空间点基础上生成新增20组数据。保存生成的DOE数据为X.csv文件。
• 将DOE文件中每组参数生成相应的Nastran计算文件，并在Nastran中进行计算，完成后提取相应节点位移随时间变化曲线，形成Y.csv文件。
• 将X.csv和Y.csv文件作为输入参数文件和输出参数文件导入到Odyssee中进行机器学习，如下图。
• 针对新参数的预测，可以将XN.csv文件导入到Odyssee中，进行预测。针对本案例，学习及预测的时间为~2s，预测结果如下图所示。
• 针对本次测试的问题，可以选用不同的机器学习算法进行学习和预测，Odyssee中包含的机器学习算法如下：
• 通过对比不同的机器学习算法，针对本模型最优ROM算法为POD_ARBF，针对三个验证数据的结果与Nastran计算结果对比如下：
• 针对不同时刻的输入变量灵敏度分析结果如下：
