工业智能化｜人工智能与仿真的共生

如今，全球各类组织都面临着大规模采用复杂仿真和数据分析方法的挑战。通过创新的计算方法、易于用户使用的工作流程和专有技术整合，Altair 帮助企业利用仿真和数据分析的优势，使任何人（从完全的新手到领域专家）都能充分撬动数据的真正价值。

每当提起人工智能 （AI），机器学习、生成式 AI （genAI） 和合成数据等流行语总是会随之一起出现。然而，这些术语对人工智能的好处只字未提。重要的是要知道，人工智能的采用在现代产品开发中起着至关重要的作用。特别是在人工智能和仿真的交互中，新的应用程序正在涌现，这些应用程序可以加速流程并更好地识别相关性。

虽然人工智能在工程中的重点通常是数据科学的算法开发，但真正的挑战在于识别有附加值的使用案例并收集必要的数据。

探索人工智能优势的决定很大程度上是由高层领导做的，但其成功依赖于建立一个良好的数据收集、处理、清洗和跨传统壁垒访问的政策：包括在工厂内部，与合适的供应商、代理商合作，以及产品保修和维修。同样，设置现实的训练模型，可以在使用历史累积数据时获得更有洞察力的结果，而不是专注于拥有最准确的模型。

在设计和生产组件中使用传统金属和塑料制造工艺的企业正在研究人工智能的价值，以在竞争中脱颖而出。他们往往对如何开始以及所需的技能有同样的担忧，特别是因为人工智能不是一个“开箱即用”的解决方案。它需要良好的数据和良好的监督模型来滋养。

在这里，我们介绍了一种用于制造过程的 AI 驱动的工程方法，然后更深入地研究了定制的大型铸造工作流程，以说明 AI 和仿真的共生关系。在此示例中，AI 用于通过应用机器学习聚类（称为 AI 驱动的专家仿真），从大量仿真数据中轻松识别出最佳设计。

基于几何图形（网格或 CAD 格式），算法可以将这些转换为值，以便可以比较、编辑、聚类几何图形并将其划分为组和类。这使得模型组织更容易，并使建模过程更高效。

利用参数化设计的现有结果，回归分析可用于识别相关性并预测单个值或行为曲线。这样可以填补测试数据中的空白。

基于仿真结果和几何结构，对神经网络进行训练，无需运行新的仿真即可进行行为预测。

使用计算密集型仿真（例如离散元法 （DEM）、计算流体动力学 （CFD） 和有限元分析 （FEA））映射的复杂过程训练神经网络，将其作为降阶模型（ROM）再现系统行为。这使得系统仿真速度显著加快，在某些情况下，速度可提高 1,000 倍，而不会影响精度。这为创新思想和系统性能优化创造了机会。

图 1：Altair® romAI™ 是 Altair® HyperWorks® 设计和仿真平台的一部分，是一个工具箱，可提高系统仿真效率。人工智能和动态系统理论技术的结合实现了卓越的准确性，同时大大减少了计算时间。

基于许多设计变体的仿真结果，使用无监督机器学习方法来创建具有统一行为模式的组。这使得我们可以直观地处理数百次仿真。如下图，最近的一个大规模铸造示例展示了人工智能驱动的方法相对于传统方法的巨大优势。

图 2：使用 AI 理解和优化大型铸件组件的行为

人们对大型铸造的兴趣很广泛，但也存在许多未解决的风险。大型铸件的实施需要非常大的压铸压力机和高水平的精度，以符合性能规格、生产公差和组件质量。虽然genAI为潜在的轻量化设计提供了新的自由度，但必须掌握生产大型复杂几何铸件的日益增加的复杂性。

因此，设计师越来越多地需要将AI和机器学习等新技术应用于他们的方法中，以减轻重量、降低 制造成本并满足性能要求。

一种解决方案是将数据科学与工程相结合的开发过程。Altair 的 AI 驱动的生成式设计工作流程结合了 AI、生成式设计和最新的 CAE 技术。这种经过验证的方法使多学科变体分析成为可能，从而实现高效的、面向生产的巨型铸造结构。它使开发团队能够同时使用数千个仿真来找到最佳解决方案。

为了避免必须单独评估每个设计变体，可以将解决方案空间限制在企业期望的行为模式上，这意味着可以优化所需的性能，而不是单个目标值。AI 支持的生成式设计有助于掌握制造依赖的材料质量与组件行为之间的关系。它允许有效地设计和制造具有众多要求的最复杂的组件。为此，Altair 开发了一个定制的工作流程，使专业知识具有可扩展性。

在任何开发过程中，都必须考虑众多要求，以协调轻量化设计、功能要求和可制造性。

巨型铸造组件的优化过程包括两个阶段。首先从基于线性化载荷情况的拓扑优化开始，以实现有效的材料布置。然后与多学科优化相结合，以评估组件的结构性能，并使用人工智能和机器学习支持的铸造模拟来检查其可制造性。

Altair 强大的且经过验证的生成式设计技术用于最有效地布置材料。在这里，可以为多学科载荷情况推导出最佳载荷路径，包括数百种载荷工况、变量以及铸件的制造约束。

在上述步骤中，将响应面建模（RSM）优化的应用与机器学习相结合，以满足要求，并在非线性碰撞和铸造仿真中为巨型铸造结构提供最优的起筋方向和厚度分布。通过对完整的仿真结果进行聚类和分类，可以克服纯标量、回归类型的目标，并与专家评估进行比较，以优化所需的组件行为。

使用无监督机器学习还可以评估可制造性。在压铸过程的仿真中，它可以识别不同设计变体的均匀性行为，如浇口处的流速或流动前沿等，以及确定浇口几何形状的最佳数量、尺寸和位置等。

图 3 ：产品开发中的 AI 和仿真。应用领域、输入变量、使用的方法、预期结果和优势，以及在 Altair 工具中的实施。

凭借创新的仿真方法、用户友好且以流程驱动的用户界面和专业技术整合，Altair 帮助企业实现仿真、AI 和数据分析的大众化，使专业人士和行业新人都能轻松访问和理解产品，从而减少对物理原型的需求。

作为工程数据分析和 AI 解决方案的领先提供商，Altair 是独一无二的，因为它集 合了两种语言：工程和 AI。Altair 的无代码 AI 解决方案让新手和专家都可以轻松访问机器学习和 AI平台。总而言之，Altair 使任何公司都能实现仿真和数据驱动的转型。