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 Blog.

Özellikle, Altair HyperWorks Design Explorer, parametrelerinin performansı nasıl etkilediğini anlamak için BUSH ve BEAM elemanları üzerinde hızlı bir şekilde deney tasarımı (DOE) gerçekleştirmek için kullanılabilir. Ardından bu bilgiyi alıp tasarım gereksinimlerini karşılamak üzere parametrelerinde ince ayar yapmak için bir optimizasyon gerçekleştirebilirsiniz.

The post Altair HyperWorks Design Explorer ile BUSH ve BEAM elemanlarını inceleyin ve optimize edin appeared first on Blog.

Peki mühendisler ve ürün tasarımcıları bu teknolojiyi nasıl kullanabilir ve bundan nasıl faydalanabilir? Altair, yazılım ve araçlarının birçok yerine makine öğrenimi tabanlı araçlar eklemek için çalışıyor. Bununla birlikte, Design Explorer, kullanıcıların modelleme ve görselleştirme ortamına sorunsuz bir şekilde entegre olan sezgisel, kullanımı kolay iş akışı nedeniyle bu araçlar için ideal bir ortamdır. Altair Inspire içindeki Design Explorer’a hızlıca bir göz atalım.

Design Explorer

Design Explorer, keşiflerin (Deney Tasarımları (DOE) ve optimizasyonlar) oluşturulması, yönetilmesi, değerlendirilmesi ve yorumlanması için baştan sona bir iş akışı sunar. Altair Inspire‘a sorunsuz entegrasyonu ve grafik odaklı özellikleri sayesinde, tipik tasarım keşif araçlarına göre öğrenmesi son derece kolaydır.

Altair Inspire’daki Ek Avantajlar

Keşiflerin ayarlanmasındaki ana görevlerden biri, tasarım değişkenlerinin veya modelin bir tasarımda – önceden tanımlanmış toleranslar dahilinde – değişebilecek yönlerinin tanımlanmasıdır. Altair Inspire, kullanıcıların CAD’lerini parametrelendirmelerine olanak tanır ve bu parametrelendirme, keşiflerde doğrudan tasarım değişkenleri olarak kullanılabilir. Kullanıcının istenen değişkenlerin yanındaki kutuyu işaretlemekten başka yapması gereken hiçbir şey yoktur.

Doğrudan çalışma alanıdaki model üzerinde seçim yaparak yanıtlar (response) ve hedefler oluşturmak da benzer şekilde kolaydır.

Altair SimSolid‘in hızından yararlanarak (Altair OptiStruct da desteklenmektedir), kullanıcılar büyük çözümleri bile çok verimli bir ve hızlı bir şekilde gerçekleştirebilirler. Design Explorer, kullanıcıların keşiflerinden içgörü kazanmalarına yardımcı olmak için bir dizi işlem sonrası ve yorumlayıcı araç sağlar.

Design Explorer halihazırda, hangi değişkenlerin yanıtları en çok etkilediğini gösteren doğrusal etki grafikleri ve kullanıcıların tasarım değişkenlerindeki değişikliklerin yanıt değerlerini nasıl değiştireceğini gerçek zamanlı olarak görebildiği değiş tokuşlar gibi bazı yapay zeka ve analitik araçları içermektedir.

Altair Inspire 2022.1 denemek için Altair ONE Marketplace‘den indirebilir, sorularınız için iletişim formunu kullanabilirsiniz

The post Altair Inspire’da Design Explorer Kullanımı appeared first on Blog.

CAE’nin tam potansiyeli her zaman sanal ortamda arabaları çarpıştırmanın veya uçak kanatlarını bükmeye karşılık gelen fiziksel testlerden daha ucuz olduğu aksiyomu üzerine inşa edilmiştir. Elbette fiziksel testlerle nihai doğrulama gereklidir, ancak yalnızca sanal tasarım sürecinin tahmin edilen sonucunu doğrulamak için. CAE, tarihinin büyük bir kısmında tasarım iyileştirme için öncelikle bir deneme yanılma süreci olarak kullanılmıştır. En son bulut ortamları da dahil olmak üzere ölçeklenebilir bilgi işlem kümeleri, daha önce hayal bile edilemeyen bir ölçekte simülasyona izin verir. Makine öğrenimi teknikleri, veri yığınlarını incelemek için ideal araçlardır. Kullanımı kolay bir çözüm, sürecin 3 kritik adımına kullanıcı dostu bir çözüm sunmalıdır.

1 – Sorunun kapsamını tanımlayın. Girdiler (input) ve çıktılar (output) manuel olarak tanımlanabilir veya otomatik olarak toplanabilir. Örneğin malzeme, geometri veya yükleme gibi özellikler veya gerilim veya kütle gibi Anahtar Performans Göstergeleri (KPI) yer alır.

2- Sanal örnekleri toplayın. Tüm verilerin kaydını tutmak bir yönetim sistemi gerektirir ve veriler henüz mevcut olmadığında, isteğe bağlı verileri sentezlemek için entegre bir simülasyon ve veri yönetimi sistemi gerekir.

3- Görsel açıklamalar verin. Bu parça, doğal bir kullanıcı deneyiminin anahtarıdır.

Sorun kapsamı iyi bir şekilde ortaya konduğunda, sonraki adım simülasyonu ve veri toplamayı yönetmektir. Kapsamlı bir örnekleme stratejisinin oluşturulması, bir dizi simülasyonun gerçekleştirilmesi ve devam eden sürecin durumunun sunulması kullanıcı arayüzünde ele alınmaktadır.

Son olarak, kullanıcıya mühendisliğe odaklanmasına izin veren, kolayca yorumlanabilir analitik sunulur. Bir girdinin tasarım performansı üzerindeki etkisi, görselleştirmeye yardımcı olmak için renk ve renk doygunluğu kullanılarak doğrudan model üzerinde gösterilir.

2021 versiyonundaki yenilik, tasarım değişikliklerinin etkisini gerçek zamanlı olarak görselleştirmek için tüm simülasyon tahminlerine giriştir. Bu son teknoloji yapay zeka, kodlama veya parametre ayarı gerektirmeden anında içgörü sağlamak için sanal verilerden öğrenir. Herhangi bir kullanıcının erişebileceği gerçekten otomatik bir makine öğrenimidir.

The post Altair HyperWorks’te makine öğrenimi ile daha iyi ürünler tasarlayın appeared first on Blog.