physicsAI：面向仿真工程師的機器學習工具
本站編輯：admin發(fā)布時間:2024-03-08 09:44:49
Simulation+AI ？
企業(yè)的仿真工程師大部分時間都是在面對相似的模型。例如空調管路CFD，汽車保險杠CAE的仿真工作，通過DOE設計迭代，不斷的優(yōu)化尺寸參數(shù)，產品外形，從而使得管路流動阻力減小，風速均勻性提高，或者結構的輕量化、安全性和耐久性的提高。
通常項目完成后，計算服務器上的大量結果文件會被刪除，即使做了備份，也很少有機會被再次利用。而每次來了一個新項目，仿真工程師從幾何清理，網(wǎng)格劃分，求解分析這個流程又會做一遍。
有沒有可能，當設計部門給出一個新的設計，仿真工程師立刻預測結果？
physicsAI利用仿真的歷史數(shù)據(jù)作為機器學習的訓練樣本，每當輸入新的CAD數(shù)據(jù)或面網(wǎng)格，快速預測出壓力、溫度、應力、變形等場值結果。
physicsAI 的價值
基于幾何深度學習，無需手工參數(shù)化。（許多CAE模型參數(shù)化很困難，而且手工制作的參數(shù)集可能不是更佳的）。
無需用戶編程或編輯腳本。
可以在面網(wǎng)格或 CAD 上直接預測，省略了復雜的建模流程。
比仿真求解器快得多的預測速度，并支持設計探索。
可以基于任意物理場的仿真預測（結構、流體、電磁等）。
physicsAI 的使用
安裝HyperWorks Desktop v2023 版本。
支持Nvidia GPU訓練，至少8G以上的顯存。
訓練時間和樣本的數(shù)量以及每個樣本的網(wǎng)格數(shù)量有關，小模型訓練半小時，大的模型可能超過一天。
支持本地或遠程HPC訓練樣本。
訓練樣本需要.h3d .fem .rad仿真結果格式, 預測可以用 parasolid 或面網(wǎng)格。
physicsAI 的訓練參數(shù)
Epochs：模型訓練的迭代次數(shù)
Early Stopping / Patience：如果模型在迭代后沒有改進，提前停止訓練
Learning Rate：訓練中每次迭代的步長（越大越快，但可能無法收斂）
Width：控制可學習模式的復雜性
Depth：控制可學習的模式的復雜性以及信息在本地傳播的距離。（對訓練時間影響較大）
