本文简单介绍Simcenter Reduced Order Modeling软件。模型降阶技术是将计算仿真与AI结合的一种非常常用的方式。Simcenter Reduced Order Modeling软件提供了一种将仿真数据进行降阶建模的简单方式。
Simcenter Reduced Order Modeling 是一款通用的模型降阶工具,其支持从多种数据源(包括仿真结果和实验测量数据)创建并导出简化模型。
模型降阶的优势包括:
简化模型
。减少计算量并可选择性降低细节层次。快速计算模型随后可用于设计探索、控制合成与验证,或在模型预测控制器或虚拟传感器中作为预测模型。模拟加速
。当一方可以完全简化时,缩减模型可以替代协同仿真。优化加速
。通过缩减模型迅速找到初始最优设定点,而最终迭代则使用全阶次模型进行。实时运行模式
。采用固定步长求解器和低计算能力运行。嵌入式模型
。例如在控制单元或边缘设备中实现嵌入式部署。硬件在环
。仿真模型的知识产权保护
:降阶模型是一种函数性的数学表示,其不直接涉及物理方程。降阶模拟与来自不同领域的多种方法相关联,包括基于方程的、统计学、线性代数和机器学习等。Simcenter Reduced Order Modeling提供了一系列针对各种数据类型的定制化方法,使用户无需专业领域知识即可构建模型。
创建降阶模型分为三个步骤:收集用于训练和验证模型的数据,拟合降阶模型,以及按选定的格式导出模型。
软件界面围绕这三个步骤构建。
输入
:允许导入数据并执行基本格式化和预处理任务。模型
:允许定义、计算和评估降阶模型。导出
:允许将降阶模型导出到不同应用程序和格式中。创建降阶模型时,首先需新建项目或打开已有项目。项目作为容器,用于存储导入的数据集及降阶模型,其扩展名为.red。这些项目支持保存、重新打开以及在Simcenter用户间共享。
根据输入数据类型的不同(如静态样本、时间序列、状态空间模型、频率响应和2D图像),有多种项目可供选择。特定类型的降阶模型将根据输入数据类型显示。
每种输入数据类型都支持特定的生成降阶模型的方法。
下面是Simcenter Reduced Order Modeling接受的每种输入数据类型及其对应的降阶方法。
响应面模型(RSM)是一种描述输入与输出间代数关系的多项式模型,其能通过输入的多项式函数解决多输入、多输出的问题。
神经网络属于非线性回归器,通过在大型数据集上训练,能够捕捉输入与输出间的非线性关系。针对静态问题,通常仅采用密集层(即全连接层或前馈层)网络。
高斯过程模型是一种非参数概率模型,能够捕捉线性和非线性的输入-输出关系。其特点体现在核函数和噪声水平上。
Simcenter Reduced Order Modeling提供了与静态样本相同的方法,同时也为考虑时间效应的动态模型提供了以下方法:
神经网络作为一类非线性回归模型,在大型数据集上训练后,能捕捉输入与输出间的非线性关系。除适用于静态网络的密集层外,还支持三种动态层类型。
采用时域向量拟合算法,将线性时不变系统嵌入训练数据。由此识别出的LTI系统的传递函数揭示了输入与输出间的关联。
平衡截断法(Balanced Truncation)由Moore首创,是一种用于简化稳定线性多变量系统的技术。该方法依据能量原理,分为两个步骤:首先进行系统平衡化处理,然后保留其中关键状态部分并截断其余部分。
Krylov降阶法是一种匹配矩技术,通过将简化系统的传递函数以多项式形式展开,利用Krylov子空间近似原始系统的状态空间。
最小实现方法(Minimum Realization)旨在去除非贡献状态(如有),因此不影响贡献部分,并恢复一个无精度损失的模型。严格来说,它并非一种简化方法。
Simcenter Reduced Order Modeling提供了一种处理频率响应数据的方法。
Polymax(Peeters等人[引用])是一种基于最小二乘法的频域参数估计方法。该方法主要使用多输入多输出频率响应函数作为其基本数据。
Simcenter Reduced Order Modeling基于一系列图像和元数据,能够从这些图像中提取场数据,并运用以下技术生成降阶模型:
插值POD是一种数据驱动方法,结合了本征正交分解(POD)与插值技术,用于预测不同模型参数下的稳态场变量值。
注:本文内容取自Simcenter Reduced Order Modeling 2404的用户文档。
”
(完)