• Kepçe geometrisinin parametrik modellenmesi için Altair Inspire
• Ekskavatörün, parçacık doldurma hareketine yönelik eş zamanlı simülasyon için Altair MotionSolve – Altair EDEM ( Mekanik sistem simülasyonu & dökme malzeme simülasyonu)
• Kepçe şeklini değiştirme ve yeni simülasyonları çalıştırma sürecini otomatikleştirmek için Altair HyperStudy

Son olarak, şekil parametreleri için optimizasyon, Altair romAI ile oluşturulan indirgenmiş model (ROM) yardımıyla yapılır.

Çalışma sonunda, dolum kapasitesi açısından %20 performans artışı sağlayan bir kepçe şekli elde edilmiştir.

Altair HyperWorks tasarım ve simülasyon çözümleri hakkında taleplerinizi iletişim formunu kullanarak bize iletebilirsiniz. Tüm HyperWorks yazılımları tek bir lisans ve Altair UNIT lisans sistemi avantajıyla kullanılmıştır.

GİRİŞ

Altair Inspire ile Parametrik Modelleme

Altair Inspire‘nın çizim araçları, kolayca parametrik bir kova şekli oluşturmanıza olanak tanır. Çalışma için aşağıda gösterildiği gibi parametrik geometrili bir kepçe modeli oluşturulmuştur.

Parametrik tasarımla, aşağıdaki videoda gösterildiği gibi sadece parametreleri değiştirerek kepçe şeklini hızlı bir şekilde değiştirebilirsiniz.

Altair MotionSolve ve Altair EDEM ile kazı simülasyonu

Altair MotionSolve ve Altair EDEM arasındaki eş zamanlı simülasyon yeteneğinden yararlanarak, tanecikli malzeme / parçacıklarla etkileşime giren ekskavatörü (rijit ve esnek parçalar dahil) simüle edebilirsiniz.

Altair MotionSolve, hareketli bir makinenin, bu durumda bir ekskavatörün dinamik davranışını simüle etmenizi sağlayan mekanik sistem simülasyon yazılımıdır. Esnek modellenen parçalarla elastik deformasyon da dikkate alınabilir. Böylece, kazı işlemi sırasında kol ve bom üzerindeki gerilme ve deformasyonu değerlendirmek mümkündür. 1D simülasyon yazılımı Altair Twin Activate ile birlikte hidrolik aktüatörler ve kontrol sistemleri de entegre edilerek tam sistem simülasyonu gerçekleştirilebilir.

Altair EDEM, bu malzemelerin bir dizi çalışma ve proses koşulu sırasında ekipmanlarıyla nasıl etkileşime gireceğine dair önemli bir fikir veren Ayrık Eleman Yöntemine dayalı bir dökme malzeme simülasyon yazılımıdır. Genel EDEM Malzeme Modeli ve Toprak / Toz Paketi gibi çeşitli malzeme modelleri mevcuttur ve simülasyonları kolayca gerçekleştirmenizi sağlar.

Altair HyperStudy ile Deney Tasarımı (DOE)

Altair HyperStudy, simülasyon adımlarını ve iş akışını otomatikleştirmek için kullanılan deney tasarımı (DOE) ve optimizasyon yazılımıdır.
Bu örnekte, kepçe şeklinin değiştirildiği bir tasarım deneyi yürütmek için EDEM-HyperStudy bağlantısı kullanılmıştır. Her DOE çalışması sırasında, Altair Inspire parametrik modeli otomatik olarak kepçenin geometrisini günceller ve bunu MotionSolve–EDEM eş-simülasyonuna besler. Simülasyonlar tamamlandıktan sonra, maksimum reaksiyon kuvveti, hareketi gerçekleştirmek için gereken enerji ve döngüden sonra kepçede kalan parçacıkların kütlesi (doldurma miktarı) gibi kazma döngüsü metrikleri çıkarılabilir.

Parametrik modelleme kısıtlama ifadeleri de uygulanabilir; örneğin, kepçe uzunluğu arttığında, aşağıdaki şekilde gösterildiği gibi genişlik azaltılabilir ve kepçe kapasitesi (hacmi) sabit tutulurken çeşitli kepçe şekilleri otomatik olarak oluşturulabilir.

İndirgenmiş model ve Altair romAI ile optimizasyon

Altair HyperStudy‘den elde edilen DoE sonuçlarını eğitim verisi olarak kullanan Altair romAI, yapay zekadan yararlanan bir indirgenmiş model oluşturmak için kullanılabilir.

Oluşturulan ROM, girdi olarak kepçe şekli parametrelerine dayalı olarak dolgu performansını tahmin edebilir. Bu örnekte, kazılan toprak miktarını (dolgu kütlesi) en üst düzeye çıkaran kepçe parametreleri setini bulmak için bu ROM’u kullanarak Altair Twin Activate’de bir optimizasyon süreci yürütülmüştür.

Optimize edilmiş kepçe şeklinin performansının doğrulanması

Optimizasyon süreci tarafından öngörülen kepçe şeklini kullanarak, kazı performansını doğrulamak için Altair MotionSolve – Altair EDEM eş zamanlı simülasyonu kullanarak son bir doğrulama çalışması yapılabilir.

Sonuç

Sonuç olarak, orijinal şekle kıyasla kepçe dolum kütlesinde %20’lik bir geliştirme sağlanmıştır.

The post Ekskavatör kepçesinin simülasyon ve makine öğrenimi ile şekil optimizasyonu appeared first on .

Sincap Kafesli Asenkron Motorların Hızlı ve Hassas Karakterizyonu

Bir dizi Hat-Hat gerilimi (U) ve bir dizi güç kaynağı frekansı (f) fonksiyonunda sincap kafesli asenkron makinenin davranışını karakterize etmek için doğru eğrilere ihtiyaç duyan sistem mühendisleri için yeni bir test “Characterization – Model – Motor – Scalar” artık Altair FluxMotor’da mevcuttur.

Bu sayede, elde edilen veriler Altair Activate veya Altair PSIM gibi sistem simülasyon yazılımlarında kullanılmak üzere hazır hale gelir. Gerçekten de, bu testte elde edilen sonuçlardan bir skaler sürücü ve kontrol uygulanabilir. Bu hesaplamalar, çapraz doygunluk ve girdap akımı etkilerini dikkate alan doğrusal olmayan bir modelin tanımlanmasına ve çözülmesine dayanmaktadır. Tüm temel elektromanyetik büyüklükler, belirli bir güç kaynağı frekansı ve bir dizi Hat-Hat gerilimi için hızın fonksiyonu olarak eğriler olarak hesaplanır ve eğriler halinde görüntülenir.

Bu testin sonuçları, makinenin topolojisini göz önünde bulundurarak elektromanyetik davranışını genel bir bakış açısıyla sunar. Hat-Hat gerilimi (U) ve güç kaynağı frekansı (f) kümesi için makinenin mekanik tork, akımlar, güç faktörü ve güç dengesi gibi genel parametreleri hesaplanır ve eğriler halinde görüntülenir.

Çok Etkili Bir Yolla Asenkron Motoru Verimlilik Haritalarının Elde Edilmesi

Sincap kafesli asenkron makinenin davranışını “Tork-Hız” alanında karakterize etmek ve skaler kontrol komutunu dikkate alarak verimlilik haritaları elde etmek artık mümkündür. Bu, “maksimum Hat-Hat gerilimi, nominal güç kaynağı frekansı, maksimum hat akımı ve maksimum hız” gibi giriş parametreleriyle sağlanır.
Sonuçlarda, kullanıcı tarafından belirlenen temel noktadaki (temel hız noktası) ve maksimum hızdaki (maksimum hız noktası) makinenin performansı sunulur.
Bir dizi eğri (Tork-Hız eğrisi gibi) ve haritalar hesaplanır ve görüntülenir.

Hesaplamalar, haritalarla oluşturulan doğrusal olmayan bir modelin tanımlanmasına ve çözülmesine dayanmaktadır. Sincap kafesindeki çapraz doygunluğu ve girdap akımı etkilerini dikkate alır.
Modelin tanımlanması (1. harmonik) Altair Flux®‘ın (Sonlu Elemanlar) kararlı durum AC uygulaması ile gerçekleştirilir.
Tüm bunlar, sonuçların doğruluğu ile hesaplama süresi arasında iyi bir denge sağlamayı mümkün kılar.

Altair FluxMotor ile Hairpin Sargı Teknolojisini Keşfedin

Yüksek güç yoğunluğu arayışında, hairpin sargılar artık sıklıkla kullanılmaktadır. Teknolojik avantajlar getiriyor olsalar da, tasarımı ve modellemesi kolay olmayabilirler. Bunları çok kolay bir şekilde tanımlamak için özel bir arayüzde, FluxMotor şimdi standart modda performanslarını test etmek için tam yetenekler sunmaktadır. Buna ek olarak, sağlanan tüm testler, ilgili bağlayıcılar aracılığıyla Altair HyperStudy® içinde optimizasyon çalışmaları için kullanılabilir.
Makinenin performansını daha fazla araştırmanız gerekirse, modellerinizi Altair Flux’a 2D olarak da aktarabilirsiniz.

Bu teknoloji Altair FluxMotor‘da bulunan tüm makinelerde uygulanabilir: Sabit Mıknatıslı Senkron Makine, Senkron Relüktans Makine, Sincap kafesli Asenkron Makine.

Senkron Makineler için Haritaların Geliştirilmesi ve Sistem Simülasyonuna Bağlantısı

“Characterization – Model – Motor – Maps” testi, sabit mıknatıslı 3 Fazlı senkron makineleri karakterize etmek için J_d-J_q düzleminde 2D haritalar verir.
Bu haritalar, elektrikli döner makinenin davranışını sistem düzeyinde tahmin etmeyi sağlar.
Yeni versiyon ile çalışma kadranları seçilebilir: “2nd and 3rd “, “1st and 2nd “ ve “all”..
Bu, testin gerçekleştirileceği J_d-J_q düzlemindeki kadranların tanımlanmasına izin verir.

FluxMotor’dan Flux e-Machine Toolbox’a Yeni Aktarım

FluxMotor’un önemli bir yeteneği, kullanıcıların verimlilik haritalarını çok kısa bir sürede hesaplamasına ve görüntülemesine olanak tanımasıdır. Bu çözüm hızını elde etmek için özellikle kayıpların nasıl hesaplandığı konusunda bazı varsayımlar yapılmaktadır. Verimlilik haritalarının en hassas değerlendirmesini elde etmek için Altair Flux‘ta FeMT (Flux e-Machine Toolbox) geliştirilmiştir. Bu, tam geçici (transient) simülasyonlara dayanmaktadır.
İki araç arasında artık sorunsuz bir bağlantı bulunmaktadır, böylece kolayca bir modelleme seviyesinden diğerine geçebilirsiniz. FluxMotor’daki yeni bir buton doğrudan FeMT’yi başlatacak ve çalıştırmak için ihtiyaç duyduğu geçici modeli otomatik olarak oluşturacaktır.

Altair HyperStudy ile Doğrudan Bağlantı: Tamamen Optimizasyona Hazır

Yeni versiyonla birlikte kullanıcılar Altair HyperStudy ile daha da kusursuz bir bağlantıya sahip oluyor. Optimizasyon artık FluxMotor’dan sadece bir tıklamayla yapılabilecek kadar kolaydır.

Gerçekten de, Motor Factory / Export environment / HyperStudy bölümünde, test seçilip yapılandırıldıktan, test verileri seçildikten ve dışa aktarma bilgileri ayarlandıktan sonra, bir buton (1) HyperStudy’yi doğrudan ve otomatik olarak başlatmaya, optimizasyonu gerçekleştirmek için konektörü oluşturmaya ve yüklemeye izin verir.

Çalışmalar, HyperStudy’de hemen başlatılabilir ve çalıştırılabilir. FluxMotor’da seçilen girdi değişkenlerinin yanı sıra çıkış yanıtları da otomatik olarak tanımlanır ve yüklenir.

Bobin iletkeninin içindeki bükülmüş teller

Bükülmüş tellerin modellenmesi FluxMotor’da ve Flux 2D’de (veya Skew) proje dışa aktarılırken dikkate alınır.
Bükülmüş teller durumunda, teller bobinin ileri (IN) ve geri dönüş tarafı (OUT) arasında konum değiştirir.
Model tekrarlanabilirliği otomatik olarak doğru koşullarla (döngüsel veya anti döngüsel) dikkate alınır.

Eğik makine topolojilerinde katı iletkenler

Stator veya rotor eğik olduğunda teller artık katı iletkenler olarak kabul edilebilir. Katı iletkenler, projeleri FluxMotor’dan Flux Skew’a aktarırken ve “Motor Factory“nin makine performansını hesaplarken dikkate alınacaktır.

Altair FluxMotor yazılımını denemk istiyorsanız Altair ONE Marketplace‘den indirebilir, soru ve tapletiriniz iletişim formunu kullanarak paylaşabilirsiniz.

The post Altair FluxMotor 2022.3 Yeni Özellikler appeared first on .

Titreşimli elek makineleri ilaç, tarım ve gıda/içecek endüstrilerinde kuru-kuru ve ıslak-kuru partikül karışımlarını ayırmak için yaygın olarak kullanılmaktadır.
Bu yazıda, Altair Simülasyon yazılımları kullanılarak dairesel titreşimli bir elek makinesinin iki partikül boyutundan oluşan kuru bir karışımı ayırma performansını değerlendirmek ve titreşim jeneratörünün optimize edilmesinin elek verimini nasıl artırabileceği ve eleme hata oranını nasıl en aza indirebileceği anlatılmaktadır.

Yukarıdaki videoda gösterildiği gibi, başlangıçta çok sayıda artık partikül ve yaklaşık %30 ayıklama hatası vardır, ancak titreşim jeneratörünün optimize edilmesiyle artık partiküller neredeyse sıfırdır ve ayıklama hataları sıfıra indirilebilir.

Bu vaka çalışmasında Altair’in simülasyon, yüksek performanslı bilgi işlem (opsiyonel) ve yapay zeka/veri analitiği teknolojileri kullanılmıştır.

Ön gereksinimler

Çalışmada mekanik sistem simülasyonu ( Altair MotionSolve ), dökme ve tanecikli malzeme simülasyonu (Altair EDEM) ve DOE & optimizasyon yazılımı (Altair HyperStudy) kullanılmıştır.

Titreşimli elek makinesi nasıl çalışır?

Karışım üstteki bir tamburun içine dökülür. Tambur, yalnızca bir boyuttaki parçacıkların geçmesine izin veren bir ağ eleğe sahiptir.
Tambur birkaç helezon yay tarafından desteklenir ancak dönmez. Alt tarafa monte edilmiş bir titreşim jeneratöründen gelen girdiyle titreştirilir.
Titreşim jeneratörü, ağırlık takılı bir elektrik motorudur. Ağırlıklar motor milinin üstünde ve altında bulunur.
Ağırlıklar şafta göre radyal olarak hareket ettirilebilir ve ayrıca birbirlerine göre göreceli açılarını değiştirebilir. Bu, yatay, dikey ve eğim/yuvarlanma dönüş titreşimlerinin üretilmesini sağlar.

Geometri ve mekanik sistem modeli oluşturma

Geometri Altair Inspire‘da oluşturulabilir. Ayrıca harici CAD dosyalarını da içe aktarabilirsiniz.

Ek olarak, Inspire içerisinde entegre olan Motion araçlarını kullanarak geometri tabanlı mekanik sistem modeli kolay ve hızlı şekilde oluşturulabilir. ( Entegre Altair MotionSolve çözücüsü kullanılarak analiz gerçekleştirilebilir fakat bu örnekte Altair EDEM ile eş zamanlı simülasyon için model Altair MotionView arayüzüne export edilmektedir)

Bu örnekte, tamburu destekleyen yay ve titreşim jeneratörü motoru modellenmiştir.

Partikül modelleme

Altair EDEM, dökme ve tanecikli malzeme simülasyonunu sağlar.

Bu örnekte, küçük çaplı ve büyük çaplı parçacıklar oluşturulmuştur. Parçacıklar arasındaki etkileşim de tanımlanmıştır.

Mekanik sistem simülasyon modelinin parametrelendirilmesi ve parçacıklarla bağlantısı

Altair Inspire‘da oluşturulan mekanik sistem modeli, daha ayrıntılı ayarlar için Altair MotionView’a aktarılmıştır.

MotionView’in gelişmiş özelliklerinden biri de parametrelendirmedir. Titreşim jeneratörü ağırlıklarının kütlesi, şafta olan uzaklıkları, üst ve alt ağırlıkların bağıl açıları ve motorun hızı parametrelendirilebilir ve böylece değiştirilebilen koşullarla kolayca hesaplamalar yapılabilir.

MotionView ayrıca Altair EDEM ile birleştirilmiş hesaplamalar için bir kurulum işlevine sahiptir.

Parçacıklarla eşleştirmek istediğiniz MotionView üzerindeki geometriyi EDEM’e aktarabilir, geometri ve parçacıklar arasındaki etkileşimi EDEM üzerinde tanımlayabilirsiniz.

Altair HyperStudy ile parametre optimizasyonu

Altair HyperStudy yazılımı, Altair MotionSolve ve Altair EDEM kullanılarak titreşimli elek makinesi hesaplamalarının DOE ve optimizasyonunu gerçekleştirmek için kullanılabilir.

Analizleri kendi iş istasyonunuzda yapabileceğiniz gibi, çözüm süresini kısaltmak amacıyla Altair bulut sistemini de kullanabilirsiniz.

DOE çalışması

Dört tasarım değişkeni seçilmiştir: motor hızı, ağırlık kütlesi, ağırlıkların radyal ofseti ve üst ve alt ağırlıkların göreceli açıları.

Tamburda kalan büyük ve küçük parçacık yığınlarının sayısı ve eleme kusur oranı da yanıt (repsonse) olarak seçilmiştir.

Altair bulut sisteminde Deney tasarımı kullanılarak 25 vaka için çözümler gerçekleştirilmiştir.

Sonuç olarak, örneğin hangi parametrelerin proses performansına yüksek derecede duyarlı olduğunu analiz etmek mümkündür.

Optimizasyon

Altair HyperStudy‘nin Fit işlevi, makine öğrenimini kullanarak yanıt yüzeyleri ve tahmin modelleri oluşturmak için kullanılabilir.

Bu tahmin modelini kullanarak, tamburda kalan partikül sayısını en aza indiren ve eleme kusur oranını en aza indiren parametreleri hesaplanmıştır.

Sonuç olarak, motor hızı 2000 RPM’ye, ağırlık kütlesi 3 kg’a, üst ve alt ağırlıklar arasındaki bağıl açı 120°’ye ve ağırlıkların radyal ofseti 50 mm’ye ayarlanarak düşük kalan partikül sayısı ve sıfır eleme kusur oranına sahip yüksek performanslı bir eleme makinesi elde edilmiştir.

Çalışmada kullanılan tüm yazılımlar ve çözücüler, Altair UNIT lisans sistemi sayesinde ek ücret ödemeden aynı lisansla kullanılabilmektedir.

The post Titreşimli Elek Makinesinin Verimi Nasıl Artırılır? appeared first on .

Deney Tasarımı iki ana şemaya ayrılır: Faktöriyel ve Boşluk-doldurma (Space-filling) tasarımları. Faktöriyel DOE’ler (Tam Faktöriyel, Kesirli Faktöriyel, Taguchi, vb.) sağlam bilgiler sağlar, ancak genellikle doğrusal olmayan (nonlinear) sistemlerde neden ve sonuç ilişkilerini keşfetmek için gerekenden daha fazla örnek gerektirebilirler. Modern boşluk-doldurma tasarımları, simülasyonlar ve yüksek derecede doğrusal olmayan yanıtlar içeren karmaşık fiziksel deneyler için genellikle en verimli DOE’lerdir. Modern yöntemlerden biri olan Sobol Sequence, Altair HyperStudy 2022.3 versiyonuna eklenmiştir ve bu yazının konusudur.

Sobol Dizisi, düşük tutarsızlıklı yarı rastgele örnekleme ailesine aittir ve mükemmel korelasyon ve düzgün dağılım performansı sağlar. Bu dizi ilk olarak 1967 yılında Rus matematikçi Ilya M. Sobol tarafından önerilmiştir. Her örnekleme şemasının kendi avantajları ve dezavantajları vardır ve en iyi yöntemi seçmek söz konusu olduğunda, hangi özelliklerin arandığına bağlıdır. Korelasyon ve tekdüzelik performansı tipik olarak belirleyici unsurlar olsa da, çalışmanın karmaşıklığına bağlı olarak başka yeteneklere de ihtiyaç duyulabilir. Örneğin, sabit bir örneklem büyüklüğü için, Hammersley ve Latin Hypercube, Tablo 1’de gösterildiği gibi, saf korelasyon sonuçlarına dayanarak hem MELS (Modified Extensible Lattice Sequence) hem de Sobol’dan daha iyi performans gösterebilir. Ancak, genişletilebilirlik veya tasarım değişkeni desteği ya da her ikisi birden arandığında korelasyon performansı tek önemli faktör değildir.

Yüksek doğrulukta bir tahmin modeli oluşturmak amacıyla örnekleme yapılması gerekiyorsa, mevcut veri seti yeterli olmayabileceğinden ve daha fazla verinin eklenmesi gerektiğinden, yöntemin genişletilebilirliği son derece önemli olabilir. Bu durum özellikle genişletilebilir örnekleme stratejisine dayanan Örnekleme Uyumu için geçerlidir. Bu nedenle, Örnekleme Uyumu’nda mevcut yöntemler MELS ve Sobol ile sınırlıdır. Her ikisi de genişletilebilir olmasına ve tasarım değişkeni kısıtlamalarını desteklemesine rağmen, Sobol, boyut sayısına ve örneklem boyutuna bağlı olarak, Şekil 1’de gösterildiği gibi daha iyi korelasyon performansı (bkz. Tablo 1) ve tasarım alanının daha düzgün kullanımını gösterebilir.

Tekdüze dağılıma sahip veri seti, Örnekleme Uyumunda durdurma doğruluğu ölçütü olan çapraz doğrulama R-kare değerinin hesaplanmasında önemli bir rol oynar. Herhangi bir yöntemdeki sıra, örneklenen noktaların düzenini tanımlar ve bu düzen R-kare değerinin genel güvenilirliğini etkiler. Örneğin MELS’te kafes diziliminin doğası gereği noktalar birbirine yakın yerleştirilir ve bu da doğrulama noktaları eğitim noktalarının yakınında olduğu için yanlı hesaplamalara yol açabilir. Şekil 2’de yedi tasarım değişkeni ve 0,95 çapraz doğrulama R-kare değerini hedefleyen bir yanıt ile Örnekleme Uyumuna dayalı takas çalışmasının bir örneği gösterilmektedir. MELS ile Örnekleme Uyumu dokuz değerlendirme alırken, Sobol ile hedefe ulaşmak için otuz yedi çalışma gerekir. İlk başta, MELS kullanımı sadece dokuz çalıştırma gerektirdiği için daha verimli görünmektedir, ancak yukarıda belirtildiği gibi, çapraz doğrulama R-kare değerinin yanlı hesaplanması nedeniyle örnekleme zamanından önce sonlandırılmıştır. Verilen tasarım değişkeni değerleri kümesi için, Sobol Dizisi tahmin modeli, daha yüksek kalite değerine (daha az ekstrapolasyon miktarı) göre daha güvenilir çıktı sağlar. Bu çıkarımlar, tasarım değişkenlerinin tek bir kombinasyonuna dayanılarak yapılmıştır. Başka herhangi bir kombinasyon için MELS ve Sobol benzer performans gösterebilir.

Sobol, mevcut yöntemleri tamamlamak için eklenmiştir ve mükemmel korelasyon performansına sahip mükemmel bir genişletilebilir alan doldurma DOE’sidir.

Altair HyperStudy yazılımını denemek için Altair ONE Marketplace‘den indirebilir, sorularınız için iletişim formunu kullanabilirsiniz.

The post Sobol Dizisi: sadece başka bir örnekleme yöntemi değil. appeared first on .

İstatistiksel analizlerde eksik veri içeren veri kümeleriyle sıklıkla karşılaşılır. İdeal olarak, eksik veriler potansiyel önyargı veya bozulma nedeniyle yanlışlıklara yol açabileceğinden eksiksiz veri kümesiyle çalışmak istenir. Ayrıca, makine öğrenimi modellerinin çoğunda boş satırları veya sütunları otomatik olarak işleme olanağı bulunmadığından, eksik verilerin işlenmesi her zaman isteğe bağlı değildir. Eksik verilerin işlenmesi iki şekilde gerçekleştirilebilir: ilgili satırın/sütunun kaldırılması veya eksik değerin yüklenmesi. İlk yöntem, özellikle veri kümesi küçük olduğunda tercih edilmeyen veri kaybına yol açar. İkinci yöntem, eksik değerlerin çeşitli istatistiksel tekniklerle ikame edilmesidir ve bu yazının konusunu oluşturmaktadır.

Veri doldurma, eksik verileri değiştirmek için kullanılan istatistiksel bir prosedürdür ve gerektiğinde makine öğrenimi modellerinin oluşturulmasında önemli bir adımdır. Veri doldurma birçok farklı teknikle gerçekleştirilebilir; bazıları min/maks/ortalama değerlerle değiştirmek kadar basit, bazıları ise regresyon tabanlı ikame gibi gelişmiş tekniklerdir. Veri doldurma sorunsuz değildir ve duruma bağlı olarak ters etki yaratabilir. Örneğin, veri doldurmanın yanlış uygulanması tahminlerinizi etkileyebilir.

Veri doldurma yöntemleri Python’un birçok genel kütüphanesinde mevcuttur. Bununla birlikte, Altair Veri Analitiği Araçlarından birini kullanıyorsanız, harici bir işleme gerek kalmadan veri manipülasyonunu yazılım içinde halletmek uygun olabilir. Altair HyperStudy, Altair Knowledge Studio ve Altair RapidMiner eksik verileri işlemek için kendilerine özgü yöntemler sunmaktadır.

Sorularınızı iletişim formunu kullanarak paylaşabilirsiniz.

The post Kayıp Verileri Görmezden mi Gelmeliyiz Yoksa İşlemeli miyiz? appeared first on .

Varsayımlar

Kapsama alanı göz önünde bulundurulduğunda, diğer istasyonlardan kaynaklanan parazit gerçek baz istasyonlarında bir sorundur, ancak basitlik adına, diğer istasyonlardan kaynaklanan parazit bu durumda dikkate alınmaz, ancak aşağıda gösterildiği gibi radyo dalgası gücünün belirli bir değeri aştığı alanın yüzdesi olarak kabul edilir.

• Her noktadaki sinyal gücü için, o noktada en güçlü sinyal gücüne sahip baz istasyonundan gelen değer kullanılır.
• Kapsama alanı, yukarıda belirlenen her noktadaki radyo dalgası gücü değerinin ayarlanan değeri aştığı alanın yüzdesidir.

Kombinasyonların incelenmesi

25 adaydan x kombinasyon alma durumunu hesaplamak için Excel’i kullanalım. Excel’in bir birleştirme işlevi vardır ve COMBIN(25,x) ile hesaplama yapabilir görünmektedir. Aşağıdaki grafik, x 1’den 25’e değiştirildiğinde kombinasyon sayısının nasıl değiştiğini göstermektedir.

Kombinasyon sayısı, 25’in tam yarısını seçerken en yüksektir, bu da 5 milyondan fazla olası kombinasyon demektir. Baz istasyonlarının sayısını 1’den 25’e kadar toplarsanız, 33554431 kombinasyon elde edersiniz, bu da sadece 25 istasyon arasından seçim yapmak için çok sayıda değerlendirme yapılması gerektiğini gösterir. Bir kombinasyonun incelenmesi bir saniyede tamamlansa bile, yine de 33554431 saniye ~ 388 gün sürecektir, bu da hesaplamanın bir yıldan fazla sürmesi gerektiği anlamına gelir.
Ancak pratik açıdan bakıldığında tüm kombinasyonları incelemek gerekli görünmemektedir ve baz istasyonu sayısını 1’den başlayarak kademeli olarak artırmak ve istenen kapsama alanına ulaşıldığında bitirmek yeterli olacaktır.

Tek bir baz istasyonunun en geniş alanı kapsayabileceği konum

İlk olarak, tek bir baz istasyonunun en geniş alanı kapsayabileceği konumu bulmaya çalışın. Sonuçlar aşağıdaki diyagramda gösterilmektedir. Renk şeması ilk 9 sonucu gösterir ve kırmızı, daha güçlü radyo dalgalarını gösterir. Radyo kaynakları beyaz yıldız sembolleriyle gösterilmiştir. Aşağıdaki çizgi grafik, birinci sıradan dokuzuncu sıraya kadar olan kapsama yüzdesini göstermektedir.
Tek bir baz istasyonunun kapsama alanı yaklaşık %70 ile sınırlı görünmektedir.

İki baz istasyonu ile en geniş kapsama alanına sahip konumların kombinasyonu

Aşağıdaki tabloda iki baz istasyonu kullanıldığında elde edilen sonuçlar gösterilmektedir. Kapsama oranı yaklaşık %85’e ulaşmıştır.

Üç baz istasyonu ile en geniş kapsama alanına sahip konumların kombinasyonu

Aşağıdaki tabloda üç baz istasyonu kullanıldığında elde edilen sonuçlar gösterilmektedir. Kapsama oranı yaklaşık %94’e ulaşmıştır.

Dört baz istasyonu ile en geniş kapsama alanına sahip konumların kombinasyonu

Aşağıdaki tabloda dört baz istasyonu kullanıldığında elde edilen sonuçlar gösterilmektedir. Kapsama oranı yaklaşık %97,5’e ulaşmıştır.

Beş baz istasyonu ile en geniş kapsama alanına sahip konumların kombinasyonu

Sonuçlar daha sonra beş baz istasyonunun kullanımı için gösterilmiştir. Kapsama oranı yaklaşık %99,7’ye ulaşmıştır. Hesaplama yaklaşık dört saat sürdü.

Altair HyperStudy kullanarak optimum yerleşimi arayın

Yukarıda belirtildiği şekilde arama yapıldığında, kullanılan baz istasyonu sayısı aday sayısının yarısına yaklaştıkça hesaplamalar için gereken sürenin arttığı görülebilir; 25’ten beşini seçme kombinasyonu bile dört saat sürmüştür, bu nedenle bu sayıdan daha fazla baz istasyonu kullanmayı düşünmek gerçekçi görünmemektedir.

Bu nedenle, baz istasyonlarının optimum yerleşimini incelemek için Altair HyperStudy optimizasyon yazılımı kullanılmıştır.

Altair HyperStudy‘de, çok amaçlı optimizasyon, bir tasarım değişkeni olarak her bir aday lokasyondaki radyo dalgalarının AÇIK/KAPALI olarak ayarlanması ve amaç fonksiyonu olarak kapsama alanı oranının maksimize edilmesi ve baz istasyonu sayısının minimize edilmesiyle kolaylıkla gerçekleştirilebilir. Sonuç olarak, aşağıdaki diyagramda gösterildiği gibi bir Pareto verimliliği elde edilebilir. Grafikte yatay eksende baz istasyonu sayısı, dikey eksende ise bu sayıdaki baz istasyonu ile optimum konuşlandırma ile elde edilen kapsama alanı yüzdesi gösterilmektedir. Grafikten, yaklaşık altı baz istasyonunun kullanılmasının neredeyse %100’lük bir kapsama alanı oranı sağlayabileceği kolayca görülebilir. Bu sonucu elde etmek için gereken süre yaklaşık 20 dakikadır, bu diğer yöntemden önemli ölçüde daha az zaman alır.

Sonuç

Elektromanyetik alanlar ve radyo yayılımı için bir simülasyon aracı olan Altair Feko ve bir optimizasyon aracı olan Altair HyperStudy‘nin birlikte kullanılması, kablosuz baz istasyonları için optimum yerleştirme çalışmalarının kolay ve hızlı bir şekilde gerçekleştirilmesini mümkün kılmıştır.

Her iki yazılım Altair UNIT lisanslama modeli sayesinde aynı lisansla kullanılmaktadır.

Altair Feko ve Altair HyperStudy yazılımlarını Altair ONE Marketplace‘den indirebilir, sorularınızı iletişim formunu kullanarak paylaşabilirsiniz.

ÜCRETSİZ Öğrenci versiyonu İNDİRİN –> https://altairuniversity.com/free-altair-student-edition/

ÜCRETSİZ e-Kitap | Learn Basics of Electromagnetic Simulation with Altair Feko –> https://altairuniversity.com/free-ebook-electromagnetic-simulation-feko/

ÜCRETSİZ e-Kitap | Learn Basics of Wave Propagation with Altair WinProp –> https://altairuniversity.com/winprop-2-2/

The post Radyo yayılımı simülasyon sonuçlarını kullanarak baz istasyonu yerleştirme optimizasyonu appeared first on .

Altair, günlük mühendislik yazılımlarına entegre edilmiş kullanımı kolay araçlar sağlayarak mühendislikte hesaplamalı bilimin sınırlarını genişletmek için ileriye dönük bir vizyona sahiptir. Sentetik simülasyon verilerinden makine öğrenimi modellerinin eğitilmesi, tasarım döngülerini kısaltarak ve nihayetinde bir ürünü pazara sunmak için gereken süreyi azaltarak ürün tasarımını dönüştürmeye ve verimliliği artırmaya devam edecektir. Kavramsal olarak Altair’in hedefi aşağıdaki şemada özetlenmiştir.

Veri biliminin simülasyon verilerine uygulanması yeni değildir, ancak son yıllarda benzeri görülmemiş bir ilgi görmüştür. Bilgisayar deneylerinin tasarımı ve analizi, kökleri deney tasarımı (DOE) ve yanıt yüzeyi modellemesine dayanan başlı başına bir alt konudur. Sonuçta yanıt yüzeyleri, tasarım değişkenlerinden skaler çıktıları tahmin etmek için kullanılan başka bir tahmin modelidir; çoğu zaman basitçe sıradan bir en küçük kareler regresyonudur. Birkaç yıl önce Altair, tüm yapıdaki davranışı görselleştirmek için Design Explorer‘da alan tahminleri sunmuştu. Peki ya bulmacanın son parçası? Eğrileri tahmin etmek de önemlidir. Birçok durumda mühendisler, örneğin bir araba çarpışmasındaki kuvvetler veya yatan bir koltuk mekanizmasının direnci gibi, önerilen bir tasarımın değerini değerlendirmek için eğrileri yorumlarlar. Altair HyperStudy yakın zamanda birçok mühendislik uygulamasında faydalı olacak vektörleri tahmin etme teknolojisini piyasaya sundu.

Aşağıdaki videoda yan darbeye maruz kalan otomotiv b sütunu simülasyon sonucu gösterilmektedir.

Parametrik değerler değiştirilerek çoklu simülasyon sonuçları oluşturulur ve toplanır. Bir makine öğrenimi modelini eğittikten sonra, bir mühendis deformasyon miktarını veya darbe kuvvetini tahmin edebilir. Aşağıdaki video, daha iyi ve daha hızlı tahminler yapılmasına yardımcı olan tasarım değişiklikleri hakkında gerçek zamanlı geri bildirimi göstermektedir.

Elbette bu basit örnek, Altair’in eğri tahminleri yolculuğunun sadece başlangıcıdır.
Altair’in hedefi, her zaman güçlü ve kullanımı kolay uygulamalara odaklanarak, sürekli gelişen sayısal yöntemlerle desteklenen daha gelişmiş kullanım durumlarına doğru genişlemektir.

Denemek için Altair HyperStudy yazılımını Altair ONE Marketplace‘den indirebilir, sorularınızı iletişim formunu kullanarak iletebilirsiniz.

The post Makine Öğrenimi ile CAE Verilerinden Simülasyon Eğrilerinin Tahmin Edilmesi appeared first on .

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 .

Makine öğrenimi modelleri akla gelebilecek hemen her alanda giderek daha fazla ilgi görüyor ve doğruluklarının yanı sıra daha fazla öne çıkan şey taşınabilirlikleri. Bir modeli başkaları için erişilebilir kılmak ve oluşturulduğu orijinal platformdan başka platformlarda da kullanılabilir hale getirmek değerli olabilir.

Makine öğrenimi modellerini taşınabilir hale getirmenin çok sayıda yolu vardır ve muhtemelen en yaygın örneklerden biri, daha sonra başka bir yerde kullanılmak üzere python’da modellerin seçilmesidir. Bir model kaydedildikten sonra, ister basit takas (trade-off) çalışmaları ister otomasyon projeleri veya ortak simülasyon amaçları için olsun, ondan yararlanmak isteyen herkesle paylaşılabilir.

Altair HyperStudy, makine öğrenimi modellerini paketlemek için üç seçenek sunar:

1-) HyperStudy Pyfit

Altair HyperStudy tarafından tescilli bir formattır (*. pyfit). Pyfit dosyaları, Altair Activate ve Altair Compose gibi Altair yazılımlarında bir değerlendirme motoru olarak kullanılabilir.

2-) Excel Tablosu

Makine öğrenimi modelleri, hızlı takas çalışmaları için başkalarıyla kolayca paylaşılabilen bir elektronik tabloya gömülüdür.

3-) Functional Mock-up Unit (FMU)

FMU Birimi, HyperStudy FMU Arayüzünü destekler ve modelleri (*.fmu) formatında kaydedebilir. Bu format, hem Altair hem de üçüncü parti platformlar tarafından desteklendiği için daha fazla kullanım özgürlüğü getirir.

Altair HyperStudy yazılımını denemek isterseniz Altair ONE Marketplace‘den indirebilirsiniz.

Altair uzmanlarınca hazırlanan Ücretsiz e-kitaplar;

Deney Tasarımlarının (DOE) Temelleri (227 sayfa)
Meta Modellemenin Temelleri (62 sayfa)

The post Makine Öğrenimi Modellerini Nasıl Paylaşabilirsiniz ? appeared first on .

Bu yazıda, Altair HyperView ve Altair HyperStudy kullanılarak 47 tasarım değişkenli bir front rail parçasının belirli bir deformasyon moduna uyacak şekilde nasıl optimize edilebileceğini gösterilecektir.

Başlangıç ​​noktası, Altair HyperStudy tarafından oluşturulan 200 noktalı bir DOE’dir ve her çalıştırma Altair RADIOSS kullanılarak değerlendirilmiştir. Aşağıdaki videoda, 200 çözümün, Altair HyperView’da görselleştirilmiş farklı deformasyon modlarına sahip iki gruba nasıl kümelendiğini görebilirsiniz. Kullanıcının gerekli olduğu durum, ekranda görüntülenecek olan yük hali (loadcase), sonuç türü ve küme sayısını seçmesidir. Kümelemeden sonra bir sınıflandırıcı oluşturulur. Bu, iki deformasyon modunu ayırt etmek için kullanılabilecek bir makine öğrenimi modelidir.

Şimdi, diğer işlevsel gereksinimlerin yanı sıra eksenel olarak ezilen bir front rail tasarlamaya çalıştığınızı varsayalım. Tek yapmanız gereken, sınıflandırıcının bunun aslında bir eksenel ezilme olduğundan emin olmasını gerektiren bir kısıtlama eklemek. Aşağıdaki videoda, kullanıcının bu kısıtlamayı nasıl eklediğini (>%80 eksenel ezilme olasılığı) ve ardından optimizasyon işlemini nasıl başlattığını görebilirsiniz. Sağ üst pencere amaç fonksiyonunu, alt orta pencere ise eklenen yeni kısıtlamayı gösterir. Bu kısıtlamanın, bizim istediğimiz şey olan %80’de sabitlendiğini unutmayın.

Aşağıda üç tasarım arasında bir karşılaştırma görebilirsiniz:

– Optimize edilmemiş
– Uzman emülasyonu olmadan optimize edilmiştir
– Uzman emülasyonu ile optimize edilmiştir

Bu işlemin BMW tarafından nasıl gerçekleştirildiği öğrenmek için –> Emulate Engineering Expertise with Machine Learning for Automotive Crashworthiness Optimization, by BMW

Altair simülasyon yazılımlarını ücretsiz indirin ve deneyin.

The post Çarpışma simülasyonu optimizasyonunda makine öğrenimi kullanımı appeared first on .