Altair Taiwan Blog

自1950年代初以來，機器學習（ML）已從玩簡單的跳棋遊戲發展為極其先進的算法，可以幫助人類進行各種工作，從預測噴氣發動機的剩餘使用壽命（RUL）到生產自動駕駛汽車。近年來，ML使公司能夠自動檢測電力線的損壞，預測在線購買產品的最佳時間，甚至建立有效的欺詐檢測系統，所有這些都為我們的生活帶來了便利和安全。利用這些技術並將其整合到現有的Altair產品中，可使工程師以更智能的方式工作，從而縮短設計和生產時間。  

使用ML時，有許多技術可以為不同的問題提供不同的解決方案，並且在考慮如何在工程界中使用ML時，重要的是要了解不同的方法和方法。在其最簡單的組織中，有兩個主要類別受到監督和不受監督，每個類別都有其自己的目標和用途。在這些方法的保護下，可以探索和優化各種應用程序，以提供更快的工作流程，優化的設計和更準確的預測。

儘管在工程領域中結合使用這一系列技術相對較新，但Altair已開始在此領域取得飛躍，為用戶提供所需的工具以幫助他們有所作為。以CAD任務和3D設計為例。ML可以作為輔助此學科的強大工具，最終導致優化的製造方法和更準確的仿真。

建立CAE / CAD模型時，能夠 搜索相似的形狀 會非常有用。通過選擇零件，現在可以在Altair HyperWorks™中搜索相似的形狀 ，從而節省了用戶的時間和精力。更進一步， 零件聚類 將採用所有包含的零件，並根據形狀相似性將它們聚類，從而允許用戶查看構建中的所有聚類。 

ML還可以幫助提高模擬的準確性。 通過將ML整合到 Altair AcuSolve™ 中，可以通過實施基於物理的數據驅動的ML模型來改善空氣動力學預測。當結合深度神經網絡（DNN）研究氣動流體流動時，這將產生更精確的流動分離預測。

通過將校正項附加到控制流體流動的方程式中，並在伴隨優化的情況下運行多個模擬以獲得訓練數據，可以實現此過程。然後，在生成的訓練數據中識別關鍵學習特徵，並將其用於訓練和測試DNN模型的校正項。 

實驗設計（DOE）方法使工程師可以創建變量，響應和目標，以獲得可能的最佳設計結果。當與常規ML預測模型結合使用時，這會導致預測KPI。最近，機器學習方法和工程軟件的進步使得進行物理預測成為可能，從而可以實時直觀地顯示出精確的等高線圖。  

通過利用現場預測的ML模型，工程師在設計不同的零件和零件時無需使用求解器即可探索更多選擇，從而節省時間和資源。這最終會產生更高質量的結果，然後可將其用於整個設計過程中做出更明智的決策。

在優化中，有時希望但無法定義完全反映專家需求的約束。這可能會導致設計無法正常運行。ML使用戶能夠設置主觀約束，以確保設計經過培訓可以復制專家的意見。例如，在汽車工業中，這可能是一個巨大的優勢。 

在與Altair的主要客戶之一進行的項目中，機器學習方法成功地用於為承受衝擊載荷的加固支架創建概念設計。對設計空間進行了採樣，以避免發生碰撞事件後出現任何折疊模式，然後將這些模式聚類以更輕鬆地對其進行標記。

然後可以根據所需的形狀對這些設計進行分類，並用於教授機器學習模型。通過這樣做，可以將專家的偏好納入優化中，從而縮短設計週期並改善設計。Altair DesignAI使團隊能夠通過使用現有設計和仿真數據並擴展內部專業知識來開始增強產品設計。Altair DesignAI是可在Altair One上訪問的雲原生解決方案，可幫助組織在產品開發過程中節省時間和金錢。Altair One允許用戶快速找到並下載Altair及其合作夥伴軟件，以解決您對仿真和數據分析技術以及可擴展的HPC和雲資源的協作訪問，所有這些都集中在一處。 
 

Altair解決方案和機器學習技術的這些進步使以更有效的方式工作，更快地產生結果成為可能。通過將基於物理的仿真驅動設計和基於機器學習的AI驅動設計相結合，用戶可以在開發週期的早期有效地識別高潛力設計，並拒絕低潛力設計。

我們基於桌面的預測分析和ML解決方案專為具有不同技能的人們而設計，可幫助用戶從數據中快速生成可行的見解。快速建立預測性和規範性模型，這些模型可以輕鬆地解釋和量化數據中的洞察力。通過本地部署模型或將其導出到通用商業智能（BI）工具來應用和共享該見解。數據科學家依靠Altair來有效地構建強大而有見地的預測模型，以做出更好的業務決策。