L’épine dorsale architecturale de la modélisation et de la simulation évolue rapidement pour répondre à la demande des clients pour des conceptions de produits très précises générées avec une plus grande vitesse. L’intégration d’apprentissage en profondeur – un sous-ensemble d’apprentissage automatique et d’intelligence artificielle – permet aux logiciels de simulation d’apprendre de manière autonome à résoudre des défis de conception complexes qui se traduisent par de meilleurs produits.
Lee apprentissage inaugure une nouvelle ère de simulation démocratisée qui perturbera presque toutes les industries. Cela permettra à presque n’importe qui – même ceux qui ont une formation en ingénierie limitée – d’exécuter des simulations en offrant un ensemble simple de paramètres et en demandant au logiciel de simuler un objet.
Devenant compatible en profondeur au cours de la prochaine année, les outils de simulation amélioreront la façon dont les ingénieurs innovent de nouveaux produits, ce qui leur permet de livrer des produits plus rapidement que jamais tout en réduisant les coûts.
Amélioration de la productivité et de la conception du produit
Lorsque les utilisateurs exécutent un solveur de simulation, il y a environ 1 000 paramètres de paramètres différents qu’ils doivent sélectionner, allant de la définition de l’état initial à la condition aux limites pour configurer le solveur d’éléments finis. Une fois que les utilisateurs ont effectué leurs sélections, ils exécutent la simulation et le logiciel fonctionne de manière optimale.
Voici le problème: les ingénieurs doivent déterminer lequel des innombrables paramètres de paramètres différents aidera à exécuter le logiciel le plus efficacement. La simulation consommera énormément de temps s’ils ne sont pas en mesure de trouver l’aiguille dans la botte de foin.
Pour améliorer la productivité, les moteurs logiciels embarqués en profondeur seront formés pour surveiller et suivre comment les ingénieurs utilisent un logiciel de simulation pour résoudre un problème spécifique, comme la conception de l’aile d’un avion. Alors que le programme d’apprentissage en profondeur surveille un échantillon de mille ingénieurs sélectionnant des paramètres de paramètres, le programme d’apprentissage en profondeur fonctionnera de manière similaire, déterminant automatiquement chaque paramètre des solveurs de la simulation. Cela simplifie l’expérience utilisateur en réduisant considérablement sa charge de travail.
Papénage de conception du produit
Certains solveurs logiciels prennent souvent 10 000 heures à fonctionner. Cela signifie que les utilisateurs seraient coincés en attente de plus d’un an tandis que le logiciel résout les équations différentielles partielles de second ordre numériquement à chaque point de maillage à chaque élément fini. Mais que se passe-t-il si le logiciel de simulation pouvait devenir plus intelligent pour s’exécuter plus vite?
En intégrant les logiciels de simulation avec les capacités d’apprentissage en profondeur, le logiciel est éduqué lorsqu’il est introduit dans des scénarios légèrement différents les uns des autres. Cela permet au logiciel de déduire et de traiter la simulation plus tard en utilisant une supposition instruite pour arriver à une solution. Il existe deux approches pour accélérer la simulation, les réseaux de neurones profonds basés sur les données (DNN) et les réseaux de neurones informés en physique (PINN).
Par exemple, après qu’un utilisateur exécute une simulation de dynamique de fluide computationnelle (CFD) pour mesurer pour mesurer Le flux d’air au-dessus d’une sphère, la simulation pourrait également mesurer le flux d’air sur dix autres formes, comme un ovale, carré, triangle, rectangle, etc. Ces modèles DNN basés sur les données nécessitent beaucoup de données d’entraînement pour construire un modèle.
Finalement, les utilisateurs devront simuler une structure de forme impaire – comme un téléphone portable – qui n’est pas l’une des dix géométries différentes sur lesquelles le logiciel CFD a été formé. Le logiciel fera deviner que la forme du téléphone portable est un rectangle et fournira une sortie similaire à celle d’un rectangle. Les modèles PINN informés en physique ne nécessitent pas beaucoup de formation mais comptent sur les modèles de physique pour construire les réseaux de neurones.
En fin de compte, en tirant parti du pouvoir des capacités d’inférence de Deep Learning, le logiciel de simulation fonctionnera beaucoup plus rapidement. Au lieu de nécessiter 10 000 heures pour exécuter une simulation sur un supercalculateur, le solveur peut fonctionner en quelques minutes.
Révolutionnant la conception du produit
Traditionnellement, les conceptions de produits sont créées avec un humain dans la boucle. L’utilisateur génère un dessin de conception (CAD) assisté par ordinateur, puis le logiciel effectue le maillage et la résolution. Il s’agit d’un processus long.
La conception générative fait passer la conception du produit au niveau supérieur. Au lieu qu’un humain dans la boucle soit responsable de la création d’un dessin CAO et de l’exécution de maillage et de simulations, le logiciel d’apprentissage en profondeur créera rapidement des millions de conceptions différentes et nommera quelques choix de premier plan pour la considération des utilisateurs. Par exemple, lors de la conception d’un avion, un utilisateur peut rapidement visualiser et inspecter les conceptions offertes par le logiciel, puis sélectionner l’optimum pour le prototypage.
Optimisation de futures conceptions de produits
Pour surveiller l’efficacité de tout, des actifs déployés sur le terrain aux machines d’usine, les utilisateurs ont traditionnellement exploité un jumeau numérique – un prototype virtuel du système complet d’un actif déployé – basé sur un modèle d’intelligence artificielle / d’apprentissage artificielle basée sur les données. Mais un jumeau numérique d’un atout ne suffit pas. Les utilisateurs ont besoin d’une analyse opérationnelle de Deep Learning mappée au-dessus des données numériques jumelles pour mieux comprendre les performances du produit et la précision de la modélisation de la conduite. Ces données peuvent être utilisées pour optimiser la conception des produits des actifs futurs, des outils de simulation et du support client.
La création de conceptions de produits améliorées sera également réalisée en optimisant l’outil de simulation lui-même via Business Intelligence et Deep Learning. Par exemple, un client qui utilise un outil d’un fournisseur de simulation sur une période de temps pourrait demander au fournisseur de créer une version améliorée et personnalisée de nouvelle génération de l’outil pour résoudre un problème spécifique. Recevoir une collection des simulations du client et son entrée dans un modèle d’apprentissage en profondeur, le fournisseur crée l’outil optimisé qui permet au client de développer des conceptions de produits améliorées.
Poussant les limites de l’ingéniosité
L’intégration de l’apprentissage en profondeur dans les logiciels de simulation promet des avantages majeurs pour les utilisateurs. De la mise en miroir de la prise de décision humaine à la réalisation de rationalisation de type humain à l’intégration des données numériques jumelles, ce logiciel de nouvelle génération améliorera considérablement les performances du produit. Le logiciel de simulation intégré à l’apprentissage en profondeur ouvrira bientôt les vannes de la conception de la simulation à presque n’importe qui, accélérant et simplifiant le chemin d’un produit vers le marché.
