机器学习技术如何帮助工程师设计更好的产品
自20世纪50年代初以来,机器学习(ML)已经从播放一个简单的跳棋游戏,以极高的算法,帮助人类从预测喷气发动机的剩余使用寿命(RUL)到生产自动驾驶汽车。近年来,ML已允许公司自动检测到Powerlines的损坏,预测在线购买产品的最佳时间,甚至建立有效的欺诈检测系统,所有人都在加入我们的生活方便和安全。利用这些技术资本化并将它们纳入现有的Altair产品允许工程师以更聪明的方式工作,加快设计和生产时间。
当使用ML提供不同的解决方案时,存在多种技术,用于不同的问题,并且考虑如何在工程界中使用ML,了解不同的方法和方法是重要的。在其最简单的组织中,两个主要类别受到监督和无人监督,每个类别都有自己的目标和用途。在这些方法的伞下,可以探索一系列应用程序,以提供更快的工作流程,优化的设计以及更准确的预测。bob电竞官方
虽然将此技术集合在工程领域相对较新,但Altair开始在此空间中跳跃,以便为其用户提供所需的工具。例如,采用CAD任务和3D设计。ML可以作为一个有力的工具来帮助这一学科,最终导致优化的制造方法和更准确的模拟方法。
在构建CAE / CAD模型时,能够搜索类似的形状可能非常有用。通过选择零件,现在可以搜索类似的形状Altair HyperWorks™,保存用户的时间和精力。进一步走一步,零件聚类将采用包含的所有部分并群集它们的形状相似度,允许用户在构建中查看所有群集。
ML还可以帮助模拟的准确性。将ml纳入Altair Acusolve™通过实现物理信息的数据驱动的ML模型,导致改善空气动力学预测。这在研究空气动力学流体与深神经网络(DNN)结合时,这产生了对流动分离的更准确预测。
通过将校正项附加到控制流体流程的方程并运行几个模拟以获得伴随优化来实现该过程,以获得训练数据。然后在生成的训练数据中识别关键学习功能,并用于训练和测试校正项的DNN模型。
实验(DOE)方法的设计允许工程师创建变量,响应和目标,以获得最佳的设计结果。当与传统的ML预测模型结合使用时,这导致预测的KPI。最近,ML方法和工程软件的进步使得能够使通往精确轮廓图的物理预测,实时表示在视觉上。
通过利用现场预测ML模型,工程师可以在设计不同的组件和零件时,在不使用求解器时,可以探索更多选项,从而节省时间和资源。这最终会产生更高的质量结果,然后可以用于在整个设计过程中进行更明智的决策。
在优化中,有时希望但不可能定义完全反映专家要求的约束。这可能导致设计不像预期运行的设计。ML使用户能够设置主观约束,以确保已培训以复制专家意见的设计。例如,在汽车行业中,这可能是一个巨大的优势。
在一个Altair的主要客户之一的项目中,成功地使用ML方法来创建一个经过崩溃负荷的加强支架的概念设计。采样设计空间以避免发生碰撞事件后的任何折叠模式,然后使用模式群集以更容易地标记它们。
然后可以基于所需的形状来分类这些设计,并用于教导机器学习模型。通过这样做,可以在优化中结合专业偏好,从而导致更快的设计周期和改进的设计。
Altair Designai.使团队能够通过使用现有的设计和模拟数据,并扩展内部专业知识,开始增强产品设计。Altair DesignAI是一个可以在Altair One上访问的云本地解决方案,可以帮助组织在产品开发过程中bob电竞在线节省时间和金钱。bob电竞在线Altair One允许用户快速查找和下载Altair和合作伙伴软件,解决您的模拟和数据分析技术以及可伸缩的HPC和云资源的协作访问,所有在一个地方。
Altair解决方案和机器学习技术的这些进步使其能够以更有效的方式工作,更快地产生结果。通过结合基于物理、模拟驱动的设计和基于机器学习的人工智能驱动的设计,用户能够在开发周期的早期有效地识别高潜力的设计,并拒绝低潜力的设计。
为具有不同技能组的人设计,我们的桌面的预测分析和ML解决方案有助于用户快速生成来自数据的可操作的见解。快速构建预测和规定性模型,可轻松解释和量化数据中的见解。通过本地部署模型或将其导出到共同的商业智能(BI)工具来应用和分享洞察。数据科学家依靠Altair有效地建立强大而有洞察力的预测模型,以提高业务决策。