Optimalizace návrhu a simulace pomocí AI/ML a metamodelování se software Ansys

Ponořte se do světa, kde AI/ML proměňují pravidla hry v optimalizaci produktů z nejrůznějších průmyslových odvětví.

Ansys AI.png

Úvod do optimalizací s programy Ansys

Umělá inteligence (AI) a strojového učení (ML) se čím dál tím častěji uplatňují při návrhu, vývoji nebo optimalizaci nejrůznějších výrobků v celé řadě průmyslových odvětví od leteckého a automobilového průmyslu až po výrobu spotřební elektroniky. Použití AI/ML, pro optimalizaci, výrazně rozšiřuje možnosti optimalizací, zkvalitňuje výsledky a snižuje časovou náročnost celé optimalizace a tím i celého vývoje oproti manuálním nebo i automatizovaným metodám bez AI/ML. Ve většině případů optimalizace založená na AI/ML využívá simulační modely, které byly vytvořeny klasickými simulačními nástroji (CAE nebo CAD).

Program Ansys optiSLang, nástroj pro optimalizaci modelů a integraci procesů, v sobě implementuje optimalizační metody založené na AI/ML, pomocí kterých je možné automaticky najít optimální nebo robustní řešení a eliminovat tak pomalé manuální hledání tohoto optimálního řešení. Optimalizace v optiSLangu jsou řízeny algoritmy založenými na AI/ML, který automaticky vybírají nejvhodnější optimalizační techniky, přičemž optimalizační techniky mohou také využívat AI/ML.

Co je metamodel?

Základem optimalizace v optiSLangu je metamodel, který je, zjednodušeně řečeno, model modelu. Výhoda použití metamodelu spočívá v nižší výpočetní náročnosti oproti plnému modelu. Metamodely jsou v OptiSLangu vytvářeny automaticky, bez nutnosti jakéhokoliv zásahu uživatele. Metamodely jsou následně optiSLangem využity pro rychlé optimalizace a testování robustnosti návrhu.

Metamodely nejsou nic nového a běžně se používají již delší dobu. Pro návrh metamodelu, klasickými metodami, je potřeba mít k dispozici velké množství vstupních dat. V případě, že požadovaná data nejsou k dispozici z předchozích experimentů, měření nebo z jiných zdrojů nebo jsou neúplná nebo nedostatečně popisují model, je možné buď chybějící data interpolovat, nebo provést další testy nebo měření. Interpolace sama o sobě není ideální řešení, zejména v případě nelineárních systémů, protože v podstatě provádí odhad hodnoty mezi dvěma body a dodatečná měření, která by pomohla určit chybějící hodnoty, jsou v mnoha případech velice nákladná. 

Další možností je chybějící data získat pomocí simulací. Provedení tisíců simulací s cílem nalezení optimálního řešení může být náročné a zdlouhavé. Při doplnění simulací o techniky AI/ML, které interpolují pomocí neuronových sítí, je možné získat požadovaná data s minimálním počtem spuštěných simulací.

Jak optiSLang využívá AI/ML

Jak již bylo zmíněno, pro provedení citlivostních analýz, je potřeba provést velké množství simulací. Manuální nastavování je nejen časově náročné, ale hodnoty jsou dosazovány náhodně, takže se v podstatě řešení hledá naslepo. Pokud je citlivostní analýza řízená pomocí AI/ML dojde k výraznému zrychlení a zjednoduší provedení analýzy, protože řízená analýza pomocí AI/ML umožňuje eliminovat náhodné nastavování vstupních parametrů, které mohou počítat nepotřebné výsledky. Takto lze nejen zvýšit efektivitu simulací, ale i díky nižšímu množství výsledků, je možné lépe porozumět návrhu a vlivu jednotlivých parametrů.

Jak již bylo řečeno, tak nalezení vhodného metamodelu může zabrat mnoho času a navíc s rostoucím počtem parametrů modelu se zvyšuje doba potřebná k natrénování algoritmu AI/ML. Proto optiSLang přišel metodou nazvanou Metamodel of Optimal Prognosis (MOP). MOP je ve své podstatě ML algoritmus, který umožňuje najít nejvhodnější způsob sestavení metamodelu a jeho nastavení. Algoritmus umožňuje automatickou filtraci důležitých parametrů a zanedbání nedůležitých parametrů. Algoritmus v základní verzi pracuje se skládáními hodnotami (0D). Jeho rozšířené varianty mohou pracovat se signály (signal MOP) nebo vícerozměrnými poli (field MOP).

 Sestavení metamodelu1.png

Princip činnosti MOP algoritmu, který umožňuje najít nejlepší způsob sestavení metamodelu

Mimo základního MOP algoritmu je možné použít Adaptive Metamodel of Optimal Prognosis (AMOP). Jak již název napovídá, AMOP je adaptivní verzí předchozího algoritmu. To znamená, že po provedení několika simulací, AMOP automaticky vytvoří MOP pro výstupy a následně určí oblasti, kde je přesnost metamodelu dostatečná, a oblasti, by bylo možné dalšími simulacemi zpřesnit chování metamodelu. Na základě tohoto posouzení AMOP automaticky provede další simulace s vhodným nastavením. Výhodou použití algoritmu MOP nebo AMOP je to, že uživatelé nepotřebují uživatelé znalosti AI/ML.

Jednodušší plánování experimentů

OptiSLang obsahuje několik metod pro plánování experimentů (DOE), od klasických deterministických DOE, které jsou vhodné pro modely s několika parametry, až po pokročilejší, jako je Latin Hypercube Sampling (LHS), který je vhodnější pro modely s větším množstvím parametrů.

Vzhledem k tomu, že algoritmy MOP, signal MOP, field MOP a AMOP jsou datově nezávislé, je možné použít data z DOE, simulací nebo jiných zdrojů k sestavení MOP. Kromě toho algoritmy MOP vyhodnocují různé přístupy použité při sestavování metamodelu, tím že porovnávají hodnoty koeficientu prognózy (CoP). Na základě CoP následně MOP vybere nejlepší metamodel.

Algoritmus MOP vyhodnocuje CoP2.png 

Algoritmus MOP vyhodnocuje CoP, aby vybral nejlepší metamodel

Optimalizační úlohy mívají 20 nebo více parametrů, které mohou být nastavovány. Jedná se o parametry, které popisují například geometrii, zatížení a další vlastnosti modelu. Nastavit všechny vhodné hodnoty vstupních parametrů a jejich kombinace je časově velice náročné a nalezení optimálního řešení může být zdlouhavé. Analýza citlivosti MOP tyto analýzy urychluje tím, že určí, které parametry mají na výstup největší vliv a zaměří se pouze na ně. Toto zjednodušení výrazně urychluje sestavování metamodelu.

 AMOP při simulacích vyhodnocuje důležitost parametrů 3.png

AMOP při simulacích vyhodnocuje důležitost parametrů a pracuje pouze s těmi nejdůležitějšími, čímž zkracuje dobu simulace a zvyšuje efektivitu.

Optimalizace na jedno kliknutí

Různé optimalizační algoritmy jsou vhodné pro různé úlohy. Pro nezkušeného uživatele může být obtížné rozhodnout, který algoritmus má použít. Tomuto rozhodnutí se lze vyhnout při použití optiSLangu, který obsahuje optimalizační algoritmus Ansys One Click Optimizer (OCO). OCO vybírá nejen vhodnou metodu pro sestavení metamodelu, ale také vybírá nejdvornější optimalizační algoritmus. 

Vzestup AI/ML v produktech Ansys

Společnost Ansys neustále inovuje své produkty i v oblasti umělé inteligence. Inovace zrychlují a zjednodušují simulace a optimalizace.

Od podzimu 2023 jsou k dispozici technologie Ansys AI+. Například Ansys optiSLang AI+ rozšíří možnosti generování metamodelů založených na AI/ML, o nichž se píše v tomto blogu. Dále bude následovat Ansys Granta MI AI+ s moduly ML pro vytváření materiálových metamodelů.

Autor článku
Ing. Petr Pichlík, Ph.D.
Ing. Petr Pichlík, Ph.D.
+420 601 391 139 pichlik@techsoft-eng.cz

Další články

28. 6. 2024

Jak začít s PyFluentem?

Ansys poskytuje přímý přístup k základním složkám těchto postupů pomocí aplikačního programovacího rozhraní (API), což…

21. 3. 2024

Jak na výpočty svařovaných konstrukcí

Přemýšlíte, jak efektivně převést vaše CAD modely tvořené ohýbanými profily a plechy do přesného a funkčního…

Nezávazná poptávka

Nezávazná poptávka
Odesláním formuláře berete na vědomí zásady zpracování osobních údajů.