Altair physicsAI, CAE verilerini kullanarak hızlı tahmin modelleri oluşturan yenilikçi bir araçtır. Geçmiş simülasyon verilerinizden öğrenerek şekil ve mühendislik performansı arasındaki ilişkileri analiz eder. Eğitilmiş physicsAI modelleri, geleneksel çözücülere kıyasla 10 ila 100 kat daha hızlı tam animasyonlu konturlar üretir. Böylece, normalde mümkün olandan çok daha fazla tasarım konseptini hızla değerlendirerek daha iyi tasarımlar keşfedebilirsiniz.

Altair physicsAI çözümüne Altair HyperMesh, Altair SimLab ve Altair Inspire kullanıcı arayüzlerinden erişebilirsiniz.

Altair physicsAI hakkında detaylı bilgi için web seminer kaydını izleyebilirsiniz. Taleplerinizi iletişim formunu kullanarak iletebilirsiniz.

Yeni Özellikler

Yeni Mimari: Shape Encoding Regressor (SER)

Mevcut iki eğitim mimarisine ( Graph Context Neural Simulator (GCNS), Transformer Neural Simulator (TNS) ) ek olarak, Shape Encoding Regressor (SER) eklenmiştir. Shape Encoding Regressor (SER), eğitim örneklerinin geometrik şekil kodlamalarını kullanarak çoklu regresyonlar gerçekleştiren yeni bir mimaridir. Bu mimari yalnızca skaler KPI’lar ve vektörel eğriler için tahminlerde bulunabilir; kontur sonuçlarını desteklemez.

Notlar:

• Dataset oluştururken Extract Solid Faces seçeneği aktif olmalıdır.
• Transfer öğrenimi (transfer learning) desteklenmez.
• Aşağıdaki tablo, üç mimarinin karşılaştırmalı özelliklerini gösterir.

Mimari Karşılaştırması ve Kullanım Önerileri:

• GCNS: Genel kullanım için en uygunudur.
• TNS: CAD tabanlı tahminler için idealdir.
• SER: GPU gerektirmeden KPI tahminleri yapmak için en iyisidir.

Kullanıcı Doğrulama Veri Kümesi Oranı

Doğrulama veri setleri, büyük veri kümelerinde aşırı öğrenmeyi (overfitting) önlemede faydalıdır. Ancak küçük veri setlerinde, en iyi model konfigürasyonunu temsil etmeyen bir epoch seçilmesine neden olabilir.

• 50’den fazla örnek varsa varsayılan oran: 0.15
• 50 veya daha az örnek varsa varsayılan oran: 0.0

Geliştirmeler

Eleman Köşe Verisi Desteği

PhysicsAI artık eleman köşe (Element corner) verilerini okuyabilir hale geldi.

Eğri Tahmini için Benzerlik Skoru

Eğri tahminleri için benzerlik skoru artık hesaplanabiliyor ve kullanıcıya sunuluyor.

Gelişmiş Veri Hazırlama Yetenekleri

Veri seti oluşturma sürecinde yer alan veri düzenleme araçları önemli ölçüde geliştirildi. Bu geliştirmeler iki ana başlık altında sınıflandırıldı:

Veri İnceleme

Model özeti ve sonuç metrikleri tablosu: Aykırı değerler otomatik olarak turuncu renkle vurgulanır. Aykırı sütunlar ayrıca gösterilir ve aykırı KPI değeri kalın yazı tipiyle vurgulanır. Ekranın sağ bölümünden ek yanıtları seçebilir veya kaldırabilirsiniz.

Metriklerin çizimi: HyperStudy’deki paralel grafiklere benzer şekilde KPI’ların ve aykırı örneklerin dağılımı görselleştirilebilir.

Model boyutunu sorgulayarak rotasyonel aykırı değerleri belirleyin. Kütle merkezinden öteleme aykırı değerlerini tanımlayın.

Veri Yönetimi

Veri setleri artık düzenlenebilir: Yeni örnekler eklenebilir, aykırılar kaldırılabilir.

Örnekler farklı veri setleri arasında taşınabilir.

HyperMesh CFD’de KPI ve Eğri Tahminlerinin Görselleştirilmesi

HyperMesh CFD içindeki PhysicsAI şeridi artık tahmin edilen KPI ve eğrileri görselleştirme özelliğine sahip

Daha Hızlı Tahmin Süresi

Yeni tasarımlar için tahmin süresi, önceki sürümlere göre %50 daha hızlı!

The post Altair PhysicsAI 2025.1 Yeni Özellikler appeared first on Blog.

Altair physicsAI, CAE verilerini kullanarak hızlı tahmin modelleri oluşturan yenilikçi bir araçtır. Geçmiş simülasyon verilerinizden öğrenerek şekil ve mühendislik performansı arasındaki ilişkileri analiz eder. Eğitilmiş physicsAI modelleri, geleneksel çözücülere kıyasla 10 ila 100 kat daha hızlı tam animasyonlu konturlar üretir. Böylece, normalde mümkün olandan çok daha fazla tasarım konseptini hızla değerlendirerek daha iyi tasarımlar keşfedebilirsiniz.

Altair physicsAI çözümüne Altair HyperMesh, Altair SimLab ve Altair Inspire kullanıcı arayüzlerinden erişebilirsiniz.

Altair physicsAI hakkında detaylı bilgi için aşağıdaki web seminer kaydını izleyebilirsiniz.

Yeni Özellikler

Yeni Yapay Zeka Eğitim Yöntemi

Mevcut Graph Context Neural Simulator (GCNS) yapay zeka eğitim yöntemine ek olarak Transformer Neural Simulator (TNS) yöntemi eklenmiştir.

İki yöntem arasındaki bazı temel farklar:

• Genellikle TNS, GCNS’den daha düzgün kontur gösterir. Özellikle karmaşık geometrilerde kullanıcılara görsel olarak daha net gösterim sağlar.
• TNS, mesh boyutunun değişimine karşı daha az hassasiyete sahiptir.
• Şekil değişikliğinin fazla olduğu büyük ve karmaşık modellerin eğitiminde GPU kullanılması durumunda TNS, GCNS’den daha hızlıdır, CPU kullanımı durumunda ise genellikle tam tersi olur.

Çözüm Dosyalarından Kalınlık ve Malzeme Parametrelerini Elde Etme

Altair physicsAI, artık model eğitiminde kullanılacak simülasyon sonuçlarıyla birlikte çözüm dosyaları da (input deck) mevcutsa, kalınlık ve malzeme ID’lerini otomatik olarak çıkartabilmektedir. Çözüm ve sonuç dosyasının aynı isimle aynı klasörde olması şartıyla (Örneğin Ibeam.h3d sonuç dosyası Ibeam.fem çözüm dosyası) Extract Simulation Properties seçeneği kullanılarak kalınlık ve malzeme kimlikleri hızlıca çıkarılabilir.

Desteklenen çözüm dosyaları: Altair OptiStruct, Altair Radioss, LS-DYNA, Nastran, Abaqus ve ANSYS.

Geliştirmeler

Mesh Hizalama

Eğitimde kullanılan modellerde meshlerin farklı konumlarda bulunması sonuç kalitesini etkiliyebilmekteydi. Mesh Alignment özelliği, eğitim, test ve tahmin süreçlerinde meshlerin otomatik olarak hizalanmasını sağlar. Meshler, ağırlık merkezi (center of gravity) ortak bir noktaya yerleştirilecek şekilde hizalanır.

Gelişmiş Veri Seti Görselleştirme ve Aykırı Değer Tespiti

2025 versiyonu öncesi, verileri düzenlemek ve aykırı değerleri belirlemek için Altair HyperStudy gibi ek araçlar kullanmanız gerekiyordu. Artık, seçtiğiniz parametreye göre veri setindeki aykırı değerler otomatik olarak belirleniyor. Verilere bir Z-dağılımı (Z-distribution) uygulanarak ±3 sigma sınırlarının dışında kalan noktalar aykırı değer olarak işaretlenip vurgulanıyor.

Altair HyperStudy ve PhysicsAI Bağlantısında Benzerlik Puanı Kullanımı

Artık HyperStudy’de bir PhysicsAI modeli kullanılarak yapılan tahminler için Benzerlik Puanına erişebilirsiniz. Bu skor, tahmin edilen sonuçların beklenen doğruluğunu değerlendirmek için kullanılabilir. Örneğin, düşük Benzerlik Puanına sahip tahminleri elemek için bir eşik değeri (kısıt) belirleyebilirsiniz.

Eğer seçilen PhysicsAI modelinde Benzerlik Puanı mevcutsa, bu değer otomatik olarak bir yanıt (response) olarak eklenir ve analiz sürecinde kullanılabilir.

Altair physicsAI ile ilgili taleplerinizi iletişim formunu kullanarak iletebilirsiniz.

The post Altair physicsAI 2025 Yeni Özellikler appeared first on Blog.

Ve siz de bu dönüşümün bir parçası olabilirsiniz!

Bu web seminerinde, Altair‘ın yapay zeka çözümlerinin mühendislik simülasyon süreçlerine nasıl entegre edildiğini gerçek dünya örnekleriyle göreceksiniz gösterilmiştir.

• Yapay zeka, ürün geliştirme sürecinizi nasıl dönüştürebilir?
• Mühendislik süreçlerinizi nasıl modernize edebilirsiniz?
• Daha hızlı, daha verimli ve daha doğru kararlar almak mümkün mü?

Altair physicsAI geçmiş simülasyon verilerini kullanarak saniyeler içinde yeni modeller için animasyonlu sonuçlar üretir. Geleneksel CAE çözümlerine kıyasla 1000 kata kadar daha hızlı tahminler yaparak, daha fazla tasarım konseptinin değerlendirilmesini sağlar.

Altair romAI, 3D simülasyonları ve test verilerini, hesaplama açısından verimli derin öğrenme modellerine dönüştürerek sistem düzeyinde kullanıma sunar. İndirgenmiş Dereceli Modeller (ROM) ile:

• Daha kısa çözüm süreleri
• What-if analizleri ve optimizasyon
• Gerçek zamanlı uygulamalar ve Dijital İkiz entegrasyonu mümkün hale gelir!

Geleceğin mühendislik süreçlerini keşfetmek için siz de web seminerimize katılın!

The post Yapay Zeka Destekli Mühendislik Simülasyonları | Web Semineri appeared first on Blog.

Bir zamanlar 24 saat süren simülasyonların artık saniyeler içinde tamamlandığını düşünün. Bu, mühendislik sınırlarını genişletmek ve inovasyonu hızlandırmak için büyük bir fırsat sunuyor.

E-kitabımızda şunları keşfedeceksiniz:

• Yapay zeka (YZ) ile Tasarım ve Geliştirme: Daha hızlı sonuçlar, artan verimlilik ve kısalan pazara sunma süresi.
• Optimize Edilmiş Veri Yönetimi ve HPC Çözümleri: Karmaşık mühendislik sorunlarını çözmek için insan-YZ etkileşimini güçlendiren yenilikçi yöntemler.
• Sürdürülebilirlik ve Verimlilik: Her seviyeden mühendis için yapay zeka destekli çözümlerle operasyonel süreçleri geliştirin ve inovasyonu teşvik edin.

The post Mühendislikte 100 Yapay Zeka Kullanım Örneği appeared first on Blog.

Altair HyperMesh içerisinde kullanılan bu araca artık Altair SimLab arayüzünden de erişebilirsiniz.

PhysicsAI denemek için buradan indirebilir, taleplerinizi iletişim formunu kullanarak iletebilirsiniz.

Yeni Özellikler

Modal Analiz Desteği

Altair PhysicsAI artık faz dışı sonuçlar da dahil olmak üzere modal analiz sonuçlarını eğitim modeli olarak kullanarak tahminler oluşturmaktadır.

Birden Fazla Sonucun Tahmini için Model Eğitimi

Altair PhysicsAI, artık eğitim modellerinden birden fazla sonucu (örneğin, gerilme ve deplasman) tahmin edebiliyor. Model eğitim penceresindeki Çıktılar bölümünde birden fazla kutuyu işaretleyebilirsiniz.

Transfer Learning

Transfer learning, model eğitim penceresinde varsayılan olarak etkinleştirilmiştir. Bu özellik, önceden eğitilmiş modellerden elde edilen bilginin yeniden kullanılmasını sağlayarak sonraki model eğitimlerinde daha hızlı ve doğru sonuçlar elde edilmesini mümkün kılar.

Bu yaklaşım, benzer görevler veya veri kümeleriyle uğraşırken oldukça etkilidir, eğitim süresini önemli ölçüde azaltır ve model performansını artırır. Transfer learning, önceden var olan bilgiden yararlanarak yeni ancak benzer veri kümelerini hızlı bir şekilde optimize etmek için hedefi değiştirmeyi içerir. Optimizasyona daha verimli bir şekilde ulaşmak için bir ölçüt görevi görür.

Anahtar Performans Göstergesi (KPI) için Geliştirilmiş Görselleştirme

Anahtar Performans Göstergesi için görselleştirme, dağılım grafikleri ve sürekli eğriler şeklinde geliştirilmiştir. Bu özellikle zamana bağlı yanıtlar için kullanışlıdır. Ayrıca, tüm test veri noktaları aynı anda görüntülenerek karşılaştırma kolaylaştırılmıştır.

Geliştirmeler

HyperView’da Kaydedilen Görselleştirme Ayarları

Tahmin edilen ve gerçek sonuçlar artık Altair HyperView’da eşzamanlı olarak hareket etmektedir. Ayrıca, kesitler ve gizli bileşenler de senkronize edilir. Bu, manuel ayarlama ihtiyacını ortadan kaldırarak zaman kazandırmaktadır.

Fiziksel Test Verilerini Kullanarak Eğitim

Önceki versiyonlarda, physicsAI özel çıktılar üzerinde eğitim verirken konturlu sonuç verilerine ihtiyaç duyuyordu. Herhangi bir kontur verisi içermeyen yalnızca mesh dosyaları (.fem, .rad vb.) artık KPI’lar üzerinde eğitim için kullanılabilir.

Altair One – Bulut Sistemi

Özellikle büyük ve karmaşık fizik modellerinin eğitimin hızlandırmak için kullanılabilen Altair One bulut sisteminde artık eğitime ek olarak tahminler de desteklenmekte. Altair HyperMesh‘teki kullanıcı deneyimine benzer şekilde sonuçların etkileşimli bir görselleştirmesi mevcuttur.

The post Altair PhysicsAI 2024.1 Yeni Özellikler appeared first on Blog.

Geliştirilmiş Kontur Sonuçları

Sayısal olarak önemsiz olsa da, physicsAI yerel gürültü içeren animasyonlar üretebiliyordu; bu etki özellikle deformasyon animasyonlarında belirgindi. Daha yumuşak geçişli animasyon çıktıları için algoritma güncellendi. Geliştirilmiş algoritma, deformasyon analizlerinde lokal gürültüler azaltıyor ve animasyon doğruluğunu artırıyor.

Model Kalitesi Değerlendirmesi için Geliştirilmiş Metrikler

Model eğitimi tamamlandıktan sonra, makine öğrenimi modelinin doğruluğunu değerlendirmek için nümerik metrikler kontrol edilir. Yeni metrikler arasında determinasyon katsayısı (R-Squared), Sprague-Geers ve pik değerlerin mutlak ve yüzdesel hatalarını gösteren bir metrik bulunmaktadır.

Altair One ile Ölçeklenebilir Hesaplama Kaynaklarına Sorunsuz Entegrasyon

Geometrik Derin Öğrenme, model eğitimi için önemli miktarda hesaplama kaynağına ihtiyaç duyabilir. Bu tip durumlarda, Altair One Drive’a kaydedilen projeler için model eğitimi, Altair One’ın HPC sistemine gönderilebilir. Altair One’ın ölçeklenebilir HPC ve bulut kaynakları sayesinde ihtiyaç duyduğunuz hesaplama gücüne erişim oldukça kolaydır.

Geliştirmeler

Batch Size, PhysicsAI içerisinde Training Parameter olarak eklendi. Batch size, bir makine öğrenimi ya da derin öğrenme modelini eğitirken kullanılan önemli bir parametredir. Modeli eğitirken, genellikle veri setleri tek seferde modele aktarılmaz. Bunun yerine, veriler küçük parçalara bölünür ve her bir parça Batch olarak adlandırılır. Batch size ise, modelin her bir adımda işlediği veri seti sayısını belirler.

Veri kümesinin her bir dosyasında bulunan node ve eleman sayısı inceleme için artık görüntülenebilir.

Soru ve taleplerinizi iletişim formunu kullanarak paylaşabilirsiniz.

The post Altair PhysicsAI 2024 Yeni Özellikler appeared first on Blog.

• Yapay zekanın (AI) ürün geliştirme şeklinizi nasıl değiştirebileceğiyle ilgileniyor musunuz?
• Yapay zeka destekli çözümler mühendislik süreçlerinizi nasıl modernize edebilir?
• Yapay zeka daha hızlı, daha verimli ve daha doğru olmanıza nasıl yardımcı olabilir?

Örnekler ve kullanıcı uygulamaları size bu yapay zeka araçlarını geliştirme süreçlerinizde nasıl uygulayabileceğinizi gösterecek.

Altair physicsAI, geçmiş simülasyon verilerinizden öğrenerek hızlı fizik öngörüleri sunar. Altair HyperMesh üzerinden erişilebilen bu yapay zeka destekli simülasyon ve tasarım teknolojisi, eski tasarım konseptleri, benzer parçalar veya farklı programlar da dahil olmak üzere mevcut tüm simülasyon sonuçlarını kullanarak modelleri eğitir. Parametrik çalışmaların sınırlarından arınmış olan physicsAI, doğrudan mesh veya CAD üzerinde çalışır. Modern, geometrik derin öğrenmeden yararlanan physicsAI, herhangi bir fizik için geometri ve performans arasındaki ilişkiyi öğrenir. PhysicsAI modelleri eğitildikten sonra geleneksel çözücülerden 10x-100x daha hızlı tahminler sunarak ekiplerin daha fazla konsepti değerlendirmesini ve daha iyi tasarım kararları almasını sağlar. Altair physicsAI, gelişmiş geometrik derin öğrenmeyi günlük CAE kullanıcılarına sunmuştur.

Altair romAI, simülasyon, test veya gerçek dünya verilerini kullanarak statik ve dinamik sistemleri birbirine yaklaştırabilen, 1 yapay zeka destekli güçlü bir uygulamadır. Bu sayede, mühendisler sistemlerin davranışlarını daha hızlı ve doğru bir şekilde tahmin edebilir, böylece tasarım süreçlerini önemli ölçüde hızlandırabilirler.

Altair’in veri analitiği ve yapay zeka destekli platformu RapidMiner, üretim için operasyonel verileri verimliliği artıran, sürdürülebilirliği geliştiren ve pazara sunma süresini azaltan fırsatlara dönüştürür. Havacılık, otomotiv ve ağır ekipman gibi sektörlerde uzun süredir benimsenen yenilikçi çözümlerimiz üretkenliği, performansı ve ürün kalitesini artırırken israfı, arıza süresini ve maliyetleri azaltır. Herkes için üretilen kolay, düşük kodlu veya kodsuz iş akışları ve self servis erişim, herkesin verilerin gizli değerinden yararlanmasını sağlayarak acemileri uzmanlara ve uzmanları süper yıldızlara dönüştürür.

The post Yapay Zeka Destekli Mühendislik Etkinliği appeared first on Blog.

1: Mühendislik uygulamaları için yapay zeka dizüstü bilgisayarımda çalışabilir mi yoksa bulut erişimine mi ihtiyacım var?

Yapay zeka destekli mühendislik çözümleri hem dizüstü bilgisayarda hem de bulutta çalışabilir. Örneğin akışkanlar dinamiği (CFD) gibi problemler için bulutta yüksek performanslı bilgi işlem (HPC) kullanmak daha verimlidir. Ancak evet, Altair’in physicsAI, romAI, HyperWorks platformu veya RapidMiner platformuna dizüstü bilgisayarınızdan erişebilirsiniz. Bu platformlar, gerektiğinde bulut bilişim erişimi için kullanımı kolay iş akışları içerir.

2: Yapay Zeka modelini eğitmek için hem test seti hem de simülasyon seti kullanıldığına göre, yeni simülasyon sonuçlarını tahmin etmek için belirli bir model seçebilir miyiz?

Yapay zeka modeliniz belirli bir veri seti ile eğitildikten sonra, tahmin yapmak için hangi veri türünün kullanıldığını ayırt edemezsiniz. Başka bir deyişle, yapay zeka modelinizi eğitmek için test verileri de kullanılmışsa, tahminlerin yalnızca alan verilerine dayandırılmasını talep edemezsiniz. Ancak veri kaynağına bağlı olarak birden fazla eğitim modeli oluşturabilirsiniz. Örneğin, test verileri simülasyondan gelen bir yapay zeka modelini eğitmek ve alan verilerinden gelen başka bir yapay zeka modelini eğitmek için kullanılabilir. Ve nasıl yapay zeka eğitimli bir model oluşturmak istediğinize bağlı olarak, her zaman tüm veri türlerini sağlayabilirsiniz.

3: Altair romAI ve Altair physicsAI’yi ne tür problemler için kullanabilirim?

Bu, probleme ve ilgilendiğiniz sonuçlara ve içgörülere bağlıdır. Çok karmaşık ve büyük sistemler üzerinde çalışıyorsanız ve bu sistemin çok yakından ve doğru bir şekilde benzerini kurmak istiyorsanız, o zaman bu Altair romAI ile mümkündür. romAI, birden fazla uygulama için birden fazla fizikle tahmin ederek her türlü senaryoyu simüle etmek için küçük veri setlerini kullanarak verimli bir şekilde doğru indirgenmiş modelleri (ROM) oluşturabilir.

Altair physicsAI ile bir seferde tek bir tür fizik tahmininde bulunabilir, tasarım aşamasında daha fazla tasarımı hızlı bir şekilde değerlendirmek için alan tahminleri oluşturabilirsiniz. Böylece yeni bir model verildiğinde, yüzey konturlarını, gerilmeleri, yapının sonuçlarıyla ilgili her şeyi hızlı bir şekilde oluşturabilirsiniz.

Altair, doğru uygulama türü için doğru araçları seçmeye yönelik açık bir yol sunmaktadır.

4: Bir tasarım mühendisi olarak işe yapay zeka/makine öğrenimi öğrenerek mi başlamalı ve ardından yapay zekayı mühendislik görevlerine uygulamaya mı odaklanmalıyım?

Pre & Post işlemler ve gömülü yapay zeka ile Altair HyperWorks platformunu kullanan veri bilimi deneyimi olmayan mühendisler, uzmanlarımızdan yalnızca birkaç saatlik eğitimle verilere erişmek, AI modellerini eğitmek ve tahmin etmeye başlamak için mevcut iş akışlarını kullanabilir ve hangi yöntemlerin nerede kullanılacağını anlayabilir ve bilebilir. Ancak, kuruluşunuzda bir AI şampiyonu olmak istiyorsanız, ek eğitim ve deneyime ihtiyaç vardır.

5: HyperWorks simülasyon alanında uzmanlaşırken RapidMiner yapay zeka ve makine öğrenimine mi odaklanıyor?

Evet. Altair RapidMiner, veri analitiği için makine öğrenimi ve yapay zeka platformumuzdur. Altair HyperWorks ise yapay zeka tarafından desteklenen CAE tasarım ve simülasyon platformumuzdur. Örneğin, physicsAI, expertAI ve shapeAI teknolojileri, RapidMiner’a doğrudan erişime ihtiyaç duymadan Altair HyperMesh’in tasarım ve simülasyon iş akışlarına yerleştirilmiştir. Bazı durumlarda, RapidMiner ile birlikte kullanılan HyperWorks en iyi sonucu verir. Ancak HyperWorks’te tasarım, öngörücü analiz ve alan tahminleri konusunda ihtiyacınız olanı yapabilirsiniz.

Bu konulara ilgi duyanlar için ücretsiz ve çevrimdışı eğitim kaynakları:

Altair romAI eLearning — https://learn.altair.com/course/view.php?id=538
physicsAI in HyperWorks v2023 eLearning — https://learn.altair.com/course/view.php?id=649
Altair RapidMiner Academy — https://academy.rapidminer.com/

The post Altair’in Yapay Zeka Destekli Mühendislik Çözümleri Hakkında Sıkça Sorulan 5 Soru appeared first on Blog.

Altair HyperWorks 2022.3, geçmiş simülasyon verilerini kullanarak hızlı fiziksel tahminler yapmak için yeni physicsAI teknolojisinin ilk sürümünü içeriyordu. O zamandan beri, kullanıcı geri bildirimleri de dikkate alınarak geliştirilmeye devam ediliyor. Altair HyperWorks 2023, kullanılabilirliği artırmaya ve physicsAI uygulamalarını genişletmeye odaklanıyor. HyperWorks 2023 versiyonu öncesinde, physicsAI hakkında en çok sorulan bazı soruların yanıtlarını bu yazıda bulabilirsiniz. Sorular üç kategoriye ayrılmıştır:

• Veri ve Formatlar
• Hesaplama ve Kaynaklar
• Doğruluk ve Kalite

Veri ve Formatlar

Soru: Eğitim verileri için hangi dosya formatları destekleniyor?

Cevap: Dosya okuma teknolojisi HyperWorks ekosistemine uygundur, örneğin Altair HyperView dosya okuma formatları gibi.

Soru: Geçici (transient) simülasyonlar destekleniyor mu?

Cevap: Evet, hem geçici hem de statik simülasyonlar desteklenir.

Soru: Ne kadar veriye ihtiyacım var?

Cevap: Veriler simülasyon sonuç dosyalarından çıkarılır. İyi kalitede tahminler elde etmek için gereken sonuç dosyası sayısı projeler arasında değişiklik gösterecektir. Fiziğin karmaşıklığına ve verilerdeki varyasyon miktarına bağlı olarak, bazı uygulamalar sadece birkaç sonuç gerektirebilirken, diğerleri düzinelerce hatta yüzlerce sonuç gerektirebilir. Ayrıca, yeterli kalitenin kendisi de subjektif bir değerlendirmedir. Genel bir kılavuz olarak, tahmine dayalı kalite testlerini değerlendirmeden önce en az 10 sonuçla eğitmeniz önerilir.

Soru: Meshlerin aynı sayıda eleman/düğüm noktasına sahip olması gerekir mi?

Cevap: Hayır, eşdeğer meshlere ihtiyaç duymaz. Aşağıdaki şekilde görüldüğü gibi, meshlerin topolojik olarak eşdeğer olmasına bile gerek yoktur.

Soru: Tasarım verileri ne kadar değişebilir?

Cevap: Eğitim verilerinde izin verilen varyasyon için belirli bir sınırlama yoktur. Ancak iki hususu akılda tutmak bilgilendirici olacaktır. İlk olarak, eğitim verileri tahminlerin yapılacağı yeni tasarımları temsil etmelidir. İkincisi, daha yüksek varyasyona sahip veri kümeleri, kaliteyi korumak için buna uygun olarak daha fazla sayıda eğitim örneği gerektirir. Tahmin yaparken, yeni tasarımın eğitim verilerine ne kadar benzer olduğunu ölçmek için güven puanı kullanılabilir.

Hesaplama ve Kaynaklar

Soru: Bir GPU gerekli midir?

Cevap: Hayır. Bir modeli eğitmek için CPU kullanılabilir, ancak GPU’dan daha yavaş olacaktır.

Soru: Hangi GPU’lar destekleniyor?

Cevap: Bir GPU ile eğitmek için CUDA toolkit 11.8 ve cuDNN 8.7’yi yüklemeniz gerekir. Bu, en az Pascal mikro mimarisine sahip bir NVIDIA GPU gerektirir, yani hesaplama kapasitesi > 6.0 olmalıdır.

Soru: GPU ve veri kümesi boyutunun eğitim süreleri üzerinde nasıl bir etkisi vardır?

Cevap: Bilgi işlem kaynaklarının kalitesi eğitim süresini etkileyecektir. Daha iyi donanım çalışma sürelerini iyileştirebilir, ancak CPU’dan GPU’ya geçişteki iyileştirmeler önemli olabilir. Donanımdan bağımsız olarak, eğitim süresi veri kümesi boyutuyla yaklaşık olarak doğru orantılıdır. Temsili bir örnek için aşağıdaki tabloya bakın:

Soru: Bir HPC üzerinde model eğitebilir miyim?

Cevap: Evet, daha fazla bilgi yardım (help) içerisinde yer almaktadır.

Doğruluk ve Kalite

Soru: Sonuçlar doğru mudur?

Cevap: Genel olarak doğruluk, veri miktarına, modeldeki ifade gücü (örn. ağ genişliği ve derinliği) ve ayrılan eğitim süresine bağlı olarak artacaktır. Bununla birlikte, pratik hususlar bu miktarlara sonlu sınırlamalar getirmektedir. Eğitilmiş bir modelin kalite değerlendirmesi, standart bir eğitim sürecinin son adımıdır. Bu, tahminlerin bilinen değerlere karşı test edilmesiyle, örneğin bir test veri kümesinin MAE metrikleri kullanılarak yapılır. (MAE ortalama mutlak hata)

Soru: İyi bir MAE nedir?

Cevap: Bir örnek olarak, ortalama mutlak hatası 4 mm olan bir yer değiştirme tahmin modelini ele alalım. Bu durumu, herhangi bir verilen tahminin ortalama olarak 4 mm kadar yanlış olabileceği şeklinde yorumlayabilirsiniz. Bu, mühendislik açısından ilgi duyulan tahmin edilen yer değiştirmenin 5 mm olduğu bir durumda önemli olabilir, ancak tipik bir değer 500 mm ise daha az önemli olabilir.

Soru: Hangi eğitim ayarlarını kullanmalıyım?

Cevap: Her proje farklıdır. Varsayılan ayarlar başlamak için iyi bir nokta olsa da, en iyi uygulama, ayarları düzenleyerek yeterince yüksek kaliteli bir model elde etmektir. İş akışları, farklı ayarlar arasında sonuçları karşılaştırmak için aynı veri kümesi üzerinde modellerin tekrar tekrar eğitilmesine izin verir. Bu deneyler, benzer projelerin benzer ayarlarla en iyi sonuçları elde edebileceğine dair deneysel kanıtlar sunabilir.

Soru: Eğitilmiş bir model bir çözücünün (solver) yerini alabilir mi?

Cevap: Hem evet hem hayır. Modeller, genellikle bir çözücünün hızlı bir yaklaşımı olarak tasarlanır, bu nedenle genel olarak çözücü düzeyinde doğruluk beklemeyiz. Genellikle çözücüden bir ila üç büyüklük düzeyi daha hızlıdırlar. Bu, çözücü düzeyinde doğruluk elde edilmesine gerek olmadan, yeni tasarım kavramlarını hızla keşfetmenize olanak sağlar. Son tasarım her zaman geleneksel bir çözücü ile doğrulamalıdır. Bununla birlikte, doğru eğitim verileri ve ayarlarla modeller oldukça doğru bir şekilde eğitilebilir.

Sonuç

Altair PhysicsAI‘ya güç veren teknoloji genişlemeye ve gelişmeye devam edecek. Bu sadece uzak bir gelecek vizyonu değil; bu araçlar zaten bugünün yazılımına entegre edilmiş durumda. Gerçekten bu kadar basit! Henüz denemediyseniz, Altair HyperWorks‘ün en son versiyonunu (2022.3) indirin ve yapay zeka destekli tasarıma başlamanın herkes için gerçekten ne kadar kolay olduğunu görün.

Bu teknoloji ilginizi çekiyorsa, aşağıdaki sunumalrı izleyebilirsiniz

PhysicsAI-The Convergence of Geometric Deep Learning and CAE

physicsAI: Accelerate your Design Cycle using Historical Data

The post Altair physicsAI Hakkında Sıkça Sorulan Sorular appeared first on Blog.

PhysicsAI Expert Emulation, bir Deney Tasarımı (DOE) alır, sonuç dosyalarını okur ve tasarım alanınızdaki farklı davranışları görselleştirmek için kümelemeyi kullanır. Daha sonra, yeni bir analizin davranışını otomatik olarak tanımlamak için kullanılabilecek, istediğiniz davranışı tanımlayan bir sınıflandırıcı oluşturmanıza olanak tanır.

Altair OptiStruct ile harici makine öğrenimi modelimizi nasıl birleştiririz? Cevap, Excel, Fortran, C veya Altair Compose‘a bir köprü oluşturmamızı sağlayan DRESP3 kartıdır (harici yanıt /external response). Altair PhysicsAI Makine Öğrenimi kütüphanelerini kullanmak için python’a erişebilmemiz gerekir, bir C veya Fortran kütüphanesi derleme gerektirir, ancak Altair Compose python’a yerleşik bir köprüye sahiptir – derleme gerekmez! Bu bize aşağıdaki iş akışını verir,

Bu iş akışını test etmek için bir modele ihtiyacımız var, bu yüzden Atlair OptiStruct help içerisinde bulunan bir örnek kullanalım, OS-E: 0930, Altair Compose ile arayüz oluşturan bir DRESP3’ün nasıl oluşturulacağını açıklıyor. Bu örnek, rüzgâr yüklemesi altındaki bir radar çanağının dörtte birini içermektedir. Simetri koşulları yatay ve dikey bağlantı levhalarına uygulanır, destek kirişi zemine tamamen sabitlenir ve yükleme, çanağın yüzeyine bir basınç yükü yoluyla uygulanır. Kalınlık (gauge) tasarım değişkenleri dış yüzey ve bağlantı levhaları üzerinde tanımlanmış ve ayrı bir tasarım değişkeni de malzemelerin Young modülü üzerinde tanımlanmıştır.

PhysicsAI Expert Emulation makine öğrenimi modelimizi oluşturmak için bir veri kümesi oluşturmamız gerekecektir. Bunu, Altair HyperStudy‘de bir Deney Tasarımı (DOE) çalıştırarak yapabiliriz; burada her nokta, her tasarım noktasında tasarım değişkenleri için farklı değerlerle yalnızca yukarıdaki radar çanağının bir analizidir. Bu DOE daha sonra aşağıda gösterilen Altair HyperWorks‘daki PhysicsAI Expert Emulation tarafından sonradan işlenebilir,

Yer değiştirme şeklini sorguladığımızda, tasarım alanında iki ana davranış olduğunu görebiliriz; biri yumuşak bir yer değiştirme, diğeri ise radarın sağ üst köşesinde yoğunlaşan yer değiştirme. PhysicsAI Expert Emulation, sınıf üyeliğini yalnızca bir sonuç dosyasından değil, aynı zamanda dahili bir alan tahmincisinden de tahmin edebilen bir sınıflandırıcı oluşturabilir (alan tahmini hakkında daha fazla bilgiyi buradan okuyabilirsiniz).

Dahili alan tahminini kullanmak, yeni bir sonuç dosyası yerine tasarım değişkeni değerlerinden bir sınıflandırma yapmamızı sağlayacaktır. Bu örnek model için, sınıflandırma modeli bir test setinde hem sonuç dosyasından hem de dahili alan tahmincisinden tahmin yaparken %100 doğruluğa sahiptir ve dahili alan tahmincisinin R2 değeri 0,93’tür, bu nedenle doğru tahminler alacağımızdan emin olabiliriz.

Artık sınıflandırma modelimiz olduğuna göre, bunu bir DRESP3 kullanarak Altair OptiStruct modelimize bağlamalıyız. Bunu yapmak için Altair Compose ve onun python köprü işlevini kullanacağız. Compose’da, aşağıda gösterildiği gibi OptiStruct’tan çağrılacak aşağıdaki işlevi oluşturuyoruz; burada tasarım değişkeni girdilerimiz “rparam” içinde yer alıyor ve çıktı “rresp” içine kaydediliyor. Tasarım değişkenlerini python’a aktarıyoruz, PhysicsAI – Expert Emulation sınıflandırıcımızı çalıştıran bir komut dosyası çalıştırıyoruz ve ardından tasarımın “class_probability” değişkeninden istediğimiz grupta olma olasılığını döndürüyoruz.

Daha sonra OptiStruct’taki fonksiyonumuza, optimizasyon başlığında aşağıdaki satırla bir kütüphane olarak referans verebiliriz,

ve ardından bu kütüphaneyi bulk data daki aşağıdaki kartla referanslandıran tasarım yanıtını oluşturun.

Artık makine öğrenimi yanıtımızı diğer yanıtlarla aynı şekilde ele alabiliriz. Bu durumda DRESP3, tasarımın istenen sınıfta olma olasılığını döndürecektir, bu sadece sınıf etiketine (örneğin, grup 1 veya 2) tercih edilir, çünkü olasılık sürekli olacaktır ve optimize edicinin gradyanları hesaplamasına izin verecektir.

Her bir deformasyon grubunu hedefleyen iki optimizasyon kurarak sınıflandırma yanıtını test edelim. Her bir grubu, tasarımın o grubun bir üyesi olma olasılığının %60’ın üzerinde olduğu bir kısıtlama ekleyerek hedefleyeceğiz. İlk optimizasyon için kütleyi minimize edeceğiz ve Grup 1’i hedefleyeceğiz. Sonuçlar aşağıda görülebilir,

Sağ kenara doğru artan yumuşak bir yer değiştirme gradyanı ile Grup 1’in gerekliliklerini görsel olarak karşılayan bir tasarım elde ediyoruz.

İkinci optimizasyon için Grup 2’yi hedefleyeceğiz, ancak Grup 2’yi hedeflemek ve kütleyi en aza indirmek çakışmayacaktır, bu nedenle optimize edici tüm tasarım değişkenlerini alt sınırlarına ayarlayacaktır. Amaç fonksiyonunu kütleyi maksimize edecek şekilde değiştirmek Grup 2’yi hedeflemekle çelişeceğinden sınıflandırma kısıtlamasının aktif olduğundan emin olabiliriz.

Görsel olarak, optimize edicinin Grup 2’de bir sonuç ürettiğini ve yer değiştirmenin radarın sağ üst köşesinde yoğunlaştığını görebiliriz. Optimizasyon 1, Optimizasyon 2’den daha düşük bir kütleye sahiptir, bu nedenle sadece kalınlıkları küresel olarak artırarak veya azaltarak grup gereksinimimizi karşılayan çözümler bulmadığımızdan emin olabiliriz, bu da sınıflandırma kısıtlamamızın aktif ve etkili olduğunu gösterir. Sınıflandırmanın sadece yer değiştirmenin büyüklüğünden ziyade yer değiştirme şekline dayandığına dikkat edin; bu, KPI tabanlı kısıtlamalar kullanılarak yapılması zor olan bir şeydir.

Bu yaklaşım PhsyicsAI Expert Emulation ile sınırlı değildir, Python’dan çağrılabilen herhangi bir kütüphane veya fonksiyon kullanılabilir. Belki de optimizasyonunuza farklı bir fiziğin KPI’ını temsil etmek için bir regresyon modeli ekleyebilirsiniz, örneğin Yapısal bir optimizasyon içinde bir Elektromanyetik KPI’nın regresyon uyumu.

Altair HyperWorks, OptiStruct, HyperStudy ve Compose yazılımlarını Altair ONE sitesinden indirebilir, sorularınızı iletişim formunu kullanarak iletebilirsiniz.

The post Yapısal optimizasyonda Makine Öğrenimi nasıl kullanılır? appeared first on Blog.