新一代智能实时仿真软件ODYSSEE

CADLM简介

-CADLM总部位于巴黎,专门从事数据分析和人工智能领域的研究，并把相关技术应用到工程领域，如仿真、优化、工业可靠性分析等。

-CADLM创造性地把人工智能（AI）技术应用CAE仿真中，在CAE中率先实现基于机器学习技术的CAE模拟，能够从数据中学习，预测响应和优化设计参数。使工程师能够快速反馈复杂的工程设计和优化问题

-其创新的基于机器学习的实时参数化设计和优化决策软件包ODYSSEE，是一个强大的平台，包括各种机器学习、数据处理、信号处理、图像处理与识别、数据压缩与融合，以及由优化和稳健性指标补充的系统灵敏度分析。

-ODYSSEE能够从与数学模型和数据挖掘相关的CAE模拟中编译信息，可以非常快速地分析复杂和高度非线性的响应，如碰撞、瞬态动力学和结构分析、CFD等，且与求解器无关，从早期的概念设计到优化和稳健性分析。

智能仿真软件ODYSSEE

智能 CAE （ CAE/AI ）解决方案的全球领先者，以机器学习和人工智能为引擎，实现秒级的 CAE 实时仿真。

基于机器学习的CAE仿真

基于机器学习的CAE仿真将在很大程度上加速我们的产品开发过程。

聚焦领域：

-通过机器学习，创建预测模型：避免了时间长、复杂和费用昂贵的 (pre/solve/post) 仿真过程；仿真可以提供用于机器学习的训练数据。

-支持由控制器/传感器提供的额外训练数据进行学习：将取代昂贵的分析过程；允许创建自动化系统。

它是如何工作的？

CADLM - Transforming data into intelligence

“CADLM 通过优化、机器学习和人工智能工具，借助于实时的参数化模拟加快了产品设计和开发”。

Lunar降维建模原理

-积分求解和“机器学习”求解

-主成分分析（PCA）

主成分分析（Principal Component Analysis，PCA）是一种多变量统计方法，它是最常用的降维方法之一，通过正交变换将一组可能存在相关性的变量数据转换为一组线性不相关的变量，转换后的变量被称为主成分。可以使用两种方法进行 PCA，分别是特征分解或奇异值分解（SVD）。

PCA 将 n 维输入数据缩减为 r 维，其中 r<n。简单地说，pca 实质上是一个基变换，使得变换后的数据有最大的方差，也就是通过对坐标轴的旋转和坐标原点的平移使得其中一个轴（主轴）与数据点之间的方差最小，坐标转换后去掉高方差的正交轴，得到降维数据集。

WHY Lunar

Lunar如何开始

Lunar优势

-以简单的DOE实验设计开始

-定义样本空间，包含输入参数X和计算的响应结果Y：很好的平衡 (空间填充)；正交化；DOE方法：Optimal Latin Hypercube, Halton,Hammersley, …

-减少计算工作：在选择的样本点求解；自适应学习 (在学习中进步)。

-实时计算：对于参数化研究和优化，接近于0的计算工作量

-准确性和完整性：完整的时间历史输出 (不仅是标量)；物理域分解，不是拟合(不是响应面方法!)。

-可以3D 动画 (节点和单元)：不是插值，而是PDE重建。

-板载应用：封装，低内存，低CPU，低存储。

-在参数（设计数据、制造参数，工况参数等）发生变化的情况下，实时展现产品新的状态。

-为数字孪生的实现提供了实时仿真解决方案。

基于机器学习的节臂应力预测

测试模型

分析结果（节臂1一端固定，重力载荷）

DOE设计（15个样本）

15个样本的分析结果

预测结果

预测和计算对比

小结

-使用 Lunar 软件，通过对样本进行机器学习，可以快速给出新的组合参数下的结果。

-本例样本数是15，预测结果和分析结果有很好的一致性，大应力点误差在5%以内，如果增加样本数量，可以进一步提高精度。

Yaris Front crash

Dummy + Vehicle

– BIW front end lateral bending mode

声学材料的性能模拟与优化

(mass distribution) for given trajectory

Optimization (reverse)

问题：基于给定的目标确定设计变量

-通过分析优化所有点的结果，而不仅仅是最大值和最小值(等等)。

-Adams Analysis: mass1: 80.0, mass2: 40.0

-LUNAR Optimization (1 second) : mass1: 80.300, 37.674

Suspension Analysis Using Adams

Lunar跟联合仿真对比