Talepleriniz için bizimle iletişime geçin

Kütüphaneler

Modelica Kütüphanesi: Model İçe Aktarma

Modelica kütüphanesinin içe aktarılması, 2025 versiyonunda içerilen demo modellerin Twin Activate modelleri olarak içe aktarılmasıyla genişletildi. Yeni Modelica model içe aktarma özelliği, tekli Modelica modellerini Twin Activate modelleri olarak içe aktarmanıza olanak tanır. Model yapısı ve parametreleri içe aktarılır. Bu, eski Modelica modellerinin yeniden kullanılmasını kolaylaştırır. Bu işlev, File > Import > Modelica Model altında bulunur.

Kod Oluşturma

FMU

FMI 3.0 standardı artık yalnızca inlined kod üretimi için değil, aynı zamanda standart kod üretimi için de kullanılabilir. Bu, FMU oluşturma sürecinin tamamının hem FMI 2.0 hem de FMI 3.0 için desteklendiği anlamına gelir.

VHDL

Bir extension ile, blok modelinden VHDL kodu oluşturabilir ve bu kodu bir sistem (plant) modeli içinde eş-simülasyon (co-simulation) yöntemiyle çalıştırabileceksiniz.
Üretilen kod, FPGA, ASIC ve diğer donanım sistemlerinde simüle edilebilir veya sentezlenebilir.

VHDL, dijital ve elektronik sistemlerin davranışını modellemek ve simüle etmek için kullanılan bir donanım tanımlama dilidir (Hardware Description Language).

Entegrasyon

HyperStudy Çözücüsü

Twin Activate, HyperStudy içerisinde standart bir çözücü olarak kullanılabilir. Bir Twin Activate modelinin tasarım değişkenleri HyperStudy içine aktarılır. Çıktı kaynakları da tasarım keşfi ve optimizasyon çalışmaları sırasında HyperStudy’ye alınır.
Twin Activate ve HyperStudy birlikte, yüksek performanslı ve güvenilir dijital ikiz modelleri geliştirmek ve kapsamlı, veriye dayalı tasarım optimizasyonları gerçekleştirmek için güçlü bir kombinasyon sunar.

Yeni eklenen tutorial “Optimizing a Controller with HyperStudy“, modeli hazırlama ve HyperStudy’de bir çalışma kurma konusunda adım adım işlemleri göstermektedir.

Geliştirmeler

Kod Üretimi

FMU

FMI 3.0 için FMU dışa aktarma işlemi, isteğe bağlı state/get state özelliğini destekler. Bu sayede herhangi bir anda bir durumu kaydedebilir ve yeni bir FMU çalıştırmasının başlatılmasında bu durumu yeniden kullanabilirsiniz. Bu özellik, özellikle IoT Studio’da kullanılan dinamik FMU’lar için faydalıdır.

Özel Wrapper

Özel wrapper kütüphanesine dayalı kütüphaneler genişletilmiştir. Çok sayıda demo model, bu bileşenlerin nasıl uygulanacağını göstermektedir.

Kütüphaneler

İletişim Kütüphanesi: MQTT için TLS Desteği

MQTT iletişimi, TLS sertifika desteğiyle geliştirilmiştir. Bu sayede veriler güvenli bir ortamda aktarılabilir. TLS sürümleri 1.1, 1.2 ve 1.3 desteklenmektedir.

HydraulicsByFluidon Kütüphanesi

Silindir modellerine, sert durdurucuya alternatif olarak yumuşak darbe durdurucu eklenmiştir. Bu yumuşak tampon, MotionSolve modelleriyle birlikte yapılan ortak simülasyonlarda özellikle yararlıdır. Böylece başlatma sırasında çakışma olayları önlenir ve mekanik modelde darbe durdurucularına gerek kalmaz.

Activate Kütüphanesi: Yeni Bileşen – AnalogFilter

AnalogFilter artık Butterworth, Chebyshev, Elliptic ve Bessel filtre tiplerini desteklemektedir. Bu filtreler alçak geçiren, yüksek geçiren, band geçiren ve band durduran olarak çalışabilir.

Görselleştirme (Scopes)

Alt Grafik Başlığı ve Sinyal Adı

Bir alt grafiğin başlığı, “Each input as a subplot” seçeneğini değiştirdiğinizde sinyalin adı olarak kullanılır (ve tersi de geçerlidir).

The post Twin Activate 2025.1 Yeni Özellikler appeared first on Blog.

Günümüzün önde gelen medya kuruluşlarının ve teknoloji şirketlerinin web sitelerinde “dijital ikiz” teriminin ne kadar yaygın hale geldiğini fark etmemek zor. Görünüşe göre her makale bu “yeni” teknolojiyi övüyor ve üretebileceği yenilikleri ve harikaları alkışlıyor. Ancak teknoloji veya mühendislik uzmanlarıyla yakın çalışmayanlar için dijital ikiz yalnızca belirsiz bir imgeyi, gerçek bir içeriği veya bağlamı olmayan bir fikrin ipucunu çağrıştırıyor. Ve şirketlerin dijital ikiz hakkında konuştukları tüm farklı yolları eklediğinizde – sağlık hizmetleri için mi? Havacılık ve uzay için mi? Üretim için mi? Enerji için mi? Yoksa yukarıdakilerin hepsi mi?

Dijital İkiz: Giriş

Özünde dijital ikiz, basit bir tanımı olan basit bir kavramdır. En geniş anlamıyla dijital ikiz teknolojisi, işbirliğini, bilgi erişimini ve karar verme sürecini iyileştirmek amacıyla gerçek dünyadaki bir varlığın dijital bir temsilini oluşturmak için veri akışlarını kullanma sürecidir. Başka bir deyişle, simülasyon teknolojisi ve verilerin (sensörlerden, geçmiş kayıtlardan vb. toplanan) bir kombinasyonu yoluyla, mühendisler fiziksel bir nesnenin veya sürecin sanal bir ikizini oluşturan bir yazılım kullanırlar.

Bir örnek vermek gerekirse, bir ekipman parçasını, örneğin bir montaj hattı robotunu düşünmek en kolayıdır. Bu robotun dijital ikizi, robotun gerçek hayattaki çalışmasından alınan verilerden elde edilen fiziksel ikizinin gerçek dünyadaki performansını kopyalayacaktır. Şirketler ve ekipler dijital ikizleri kullanarak fiziksel nesnelerin belirli koşullarda ve belirli stresler altında nasıl performans göstereceğini görebilir. Bunu yapmak, fiziksel prototiplere olan bağımlılıklarını azaltmalarına yardımcı olur, çünkü eskiden testler yapmak ve doğru verileri toplamak için birden fazla gerçek hayat robotu inşa ederlerken, şimdi ikizleri her şeyi onlar için yapabilir. Bu da ekiplere zaman ve para tasarrufu sağlıyor, israfı ve malzeme kullanımını azaltıyor.

Ve dijital ikiz teknolojisinde, fiziksel ve sanal ikizlerin değiş tokuş ettiği veriler verimli bir döngü yaratır – yani, fiziksel nesnenin verileri ekiplerin ikizi optimize etmesine ve ikizin verileri de ekiplerin fiziksel nesneyi optimize etmesine yardımcı olur. Örneğimizi bir montaj hattı robotundan uzaklaştırarak genişletirsek, ekipler dijital ikiz teknolojisini çok çeşitli uygulamalar için kullanabilir.

Bu en temel haliyle dijital ikizdir. Ancak simülasyon, yüksek performanslı hesaplama (HPC), yapay zeka (AI) ve veri analitiğindeki en son gelişmelerle desteklenen her yeni teknoloji gibi, öğrenilecek daha çok şey var.

Dijital İkizin Farklı Formları

Elbette, dijital ikiz her zaman bu kadar basit bir şekilde kullanılsaydı, tanımı ve uygulaması konusunda tökezlenecek çok az şey olurdu. Açıkçası durum böyle değil – genellikle bundan çok uzak. Dijital ikiz teknolojisi, montaj hattı robotlarının basit modellerinin çok ötesine geçer. Aslında ekipler ve kuruluşlar, hangi sektörde olduklarına, ürün yaşam döngüsünün hangi aşamasında olduklarına, neyi modellemeye ve optimize etmeye çalıştıklarına, dijital ikizin kimin için olduğuna ve daha fazlasına bağlı olarak teknolojiyi sayısız şekilde kullanabilir.

Örneğin, dijital ikiz teknolojisi örneğimizde kullanılan gibi basit bir 3D modele atıfta bulunabilirken, kullanıcılar bunu 0D, 1D, 2D ve tamamen etkileşimli fizik tabanlı modelleri kavramsallaştırmak ve oluşturmak için de kullanabilirler. Dahası, bir robotun sanal bir temsilini “dijital ikiz” olarak kabul edebilirken, bu tanımı fiziksel olmayan nesnelere de genişletebiliriz. Aslında, finans kuruluşları da dijital ikiz teknolojisini kullanıyor, ancak araba yapacak veya uzaya uçacak fiziksel ürünleri modellemek yerine, davranışlar, eğilimler ve geçmişler gibi şeyleri modellemeyi amaçlıyorlar. Örneğin, bir banka hileli alışverişlere izin vermediğinden emin olmak istiyorsa, bir bireyin harcama eğilimlerinin ve geçmişinin bir “dijital ikizini” oluşturabilir, böylece makine öğrenimi gerçek hayattaki bireyin ne zaman meşru alışverişler yaptığını ve şüpheli dolandırıcılık vakalarını belirleyebilir. Sosyal medya da şirketlerin daha sonra reklamları ve özellikleri uyarlamak için kullandıkları sanal profiller oluşturarak bir tür dijital ikiz kullanır.

Bu “dijital ikiz” örnekleri, teknoloji hakkında konuştuğumuzda aklımıza gelenler olmayabilir, ancak yine de yaygın kullanımlardır. Bununla birlikte, bazen şirketlerin dijital ikiz ilkelerini ne zaman kullandıklarını ve ne zaman kullanmadıklarını ayırt etmek zor olabilir, çünkü genellikle reklamları ve medyada yer alan haberler nedeniyle bunu ne zaman yaptıkları her zaman net değildir.

Dijital ikizin tanımı basit olsa da başarılı bir dijital ikiz stratejisi uygulamak hiç de kolay değildir. Bunun nedeni, çoğu dijital ikiz teklifinde şirketlerin dijital ikizi tanımlayan döngüsel veri döngüsünü oluşturmak için uzman personel, altyapı (tüm bu verileri bir yerde toplamanız ve depolamanız gerekir!) ve yazılım araçlarından oluşan geniş bir repertuarın uyum içinde çalışmasına ihtiyaç duymasıdır. Bu da zaman, çaba, kaynak ve planlama gerektirir – bu nedenle kuruluşlar dijital ikizi genellikle en büyük, en kazançlı projelerinde doğru şekilde yaptıklarından emin olmak için kullanırlar.

Bunlar, rüzgar türbinleri inşa etmek, uçak motorlarını optimize etmek, denizcilik tasarımlarını düzene sokmak gibi son derece karmaşık ve yüksek getirili projeler olabilir. Bu büyük projeler tüm dikkatleri ve manşetleri üzerlerine çekme eğiliminde olduklarından, daha küçük ölçekli projelerde dijital ikizin iş başında olduğunu tespit etmek zorlaşır. Ancak yakından bakarsanız, dijital ikizin günlük hayatımızı etkileyen ürünleri iyileştirmek için çok çalıştığını görebilirsiniz.

Örneğin, akıllı termostatlar gibi “sıradan” ürünler bile dijital ikiz prensiplerinden yararlanır – sonuçta termostatlar, sensörler ve uygulamalar bir evin veya dairenin farklı odalarındaki iklimin sanal bir temsilini oluşturmak için birlikte çalışır. Bunu yapmak için termostatın evin düzenini anlaması, verileri gerçek zamanlı olarak toplaması ve düzenlemesi ve iklim koşullarını ayarlamak ve daha fazla izlemek için gerçek dünyadaki muadiliyle etkileşime girmesi gerekir. Tüm bunları tek bir şeyi optimize etmek için yapar – kullanıcısının konforunu ve tercihlerini. Yatak odanızı gece boyunca serin tutmak manşetlere çıkmayabilir, ancak bu, dünya çapında milyonlarca insanın her gün önemsediği ve kullandığı bir şeydir. Dijital ikiz teknolojisi işte böyle bir şeydir.

Altair, piyasadaki en kapsamlı ve en modern dijital ikiz teklifini sunuyor. Dijital ikiz döngüsünün her yönünü (simülasyon, veri, makine öğrenimi ve bilgi işlem) ele aldığından, veri veya simülasyonu işlemek için başka yazılım firmalarına gitmeye gerek yoktur. Ayrıca, açık mimarisi, geliştiriciden bağımsız felsefesi, kuruluşların verilerini veya modellerini farklı bir veri veya model altyapısına taşımak zorunda olmadıkları anlamına gelir. Son olarak ve en önemlisi, uzmanlarımız onlarca yıldır dijital ikiz yapıyor ve destek ve öneriler için 7/24 hazırlar.

İletişim formunu kullanarak bize ulaşabilirsiniz.

The post Dijital İkiz Teknolojisi Nedir? appeared first on Blog.

Altair MotionSolve yaprak yay modeli oluşturmak için bir araca sahiptir. Bu araçta yaprak yayı önce yaprak sonra gövdelere ayrılır. Malzeme davranışını modellemek için değişen kalınlık ve genişliğe sahip kiriş elemanları ,yapraklar arası temas ve sürtünmeyi modellemek için 3D temaslar (contact) kullanmalıyız. Bir yaprak yay oluşturmak için girmemiz gereken parametre sayısı gördüğünüz gibi oldukça fazla. Bir yaprak yayı bir test donanımına koymadan ve ondan bir Kuvvet-Yer değiştirme eğrisi çıkarmaya çalışmadan önce bir yaprak yay oluşturmak çok zaman alacaktır.

Diğer zaman alan işlem yol tutuş manevralarıdır. Bir manevrayı çözdürmek yaklaşık 15 dakika sürüyor ve bunlardan 15’den fazlasını gerçekleştirmemiz gerekiyor. Üstelik bu tekrarlamalı bir süreçtir.

Her iki süreç için mühendislere zaman kazandıracak çözüm, makine öğrenimi tabanlı bir araç olan Altair romAI‘dır.

Altair romAI

Bu uygulama, verilerden yeniden kullanılabilir sürekli dinamik modeller oluşturmak için Yapay Zeka ve sistem modelleme tekniklerini birleştirir ve zaman açısından son derece verimlidir. Bu modeller, sistem tasarımı ve optimizasyon analizlerini hızlandırmak için indirgenmiş modeller veya bu örnekte olduğu gibi gerçek zamanlı Dijital İkizler ve kontrol uygulamalarında temel olarak kullanılabilir.

Araç esas olarak şunlardan oluşur:

• Hem Altair Compose hem de Altair Activate‘de bulunan romAI üretimi için kullanılan bir arayüz (GUI).

• Altair Activate‘de bulunan, oluşturulan romAI’nin kullanımını sağlayan bir blok.

romAI bloğu doğrudan Altair Activate‘de kullanılabilir ve bir FMU veya dll formatında dışa aktarılabilir.

Bir yaprak yay süspansiyonun indirgenmiş modelini (romAI tabanlı) oluşturmayla ilgili adımlar aşağıdaki resimde gösterilmektedir.

1-) Altair MotionSolve’deki test rig kullanarak eğitim veri seti oluşturun.

Bu adım, eğitim veri setinin oluşturulmasına geçmeden önce bazı soruların cevaplanmasını gerektirir.

Yaprak yay süspansiyonda hangi verileri yakalamaya çalışıyoruz? Bir yaprak yay süspansiyonun indirgenmiş modelinin girdileri ve çıktıları nelerdir? Ve ne ölçüde test etmemiz gerekiyor?

Yaprak yay küpesiyle birlikte yaprak yığınını sistemimiz olarak düşünelim ve bu sisteme girişleri, çıkışları kontrol edelim.

Girişler – Aksın X, Y ve Z yönü boyunca yer değiştirmesi.
Çıktılar – X, Y ve Z ekseni boyunca kuvvetler

Sisteme toplam 3 giriş ve sistemden 9 çıkış bulunmaktadır. Eğitim veri setini oluşturmak için Altair MotionSolve‘da yaprak yay test düzeneğini kullanıyoruz ve aksı/krikoyu X, Y ve Z yönünde hareket ettirerek birkaç test gerçekleştiriyoruz. Yaptığınız testlerin gerçek dünya senaryosunu (tek şerit değiştirme, sabit yarıçap, düz hat frenleme vb. manevralar sırasında dingil hareketini düşünün)içerdiğinden emin olun çünkü bu senaryolar üzerinde eğitilen ML modeli görmediği sonucu üretemez.

Şimdi eğitim veri setimizi csv formatında aldık ve şimdi bu veri setini kullanarak romAI modelini eğitmemiz gerekiyor.

2-) romAI modelini eğitin

X, Y, Z bileşenlerini ayrı ayrı eğitmeyi faydalı bulunmuştur.

3-) romAI modelini test edin

Test 3 aşamada yapılır. Testin yanı sıra romAI modelimizi bir yol tutuş manevrasında kullanıma uygun olacak şekilde ayarlayacağız:

1-) Eğitim veri setinde yaprak yay ROM’unun tahminlerini test edin ( Altair Activate‘de csv bloğunu kullanın ). Süper bloğun sonuçları çıkışlara yakınsa, ikinci testimiz için MotionSolve içinde kullanılmak üzere bu yaprak yay ROM’unun bir FMU’sunu oluşturabiliriz.

2-) Bu test, eğitim veri seti oluşturmak için kullandığımız aynı test donanımı üzerinde, ancak ROM’un genelleme kapasitesini kontrol etmek için farklı giriş sinyalleri kullanılarak yapılır.

Aksa hareket sağlayarak testi çalıştırıyor ve çıkış kuvvetlerini karşılaştırıyoruz. Bu aşamada, yaprak yay süspansiyon davranışına daha iyi uyması için bazı yapay sönümleme ekleyerek romAI modelimizi değiştirebiliriz.

3-) Dolu bir kamyon modelinde ilave sönümleme ile yaprak yayı ROM’u kullanın.

Sonuçlar

• Performans kazancı, kiriş (beam) tabanlı yaprak yay süspansiyona kıyasla yaklaşık 30 kat olmuştur.
• Eğitim veri seti oluşturmak için sadece 3 test gerekliydi (yaklaşık 20 dakikalık eğitim süresi).
• Bu işlem otomatikleştirilebilir.

Bu çalışmada kullanılan tüm yazılımlar aynı lisansla kullanılmaktadır. Detaylı bilgi almak için bizimle iletişime geçebilirsiniz.

The post Taşıt Dinamiği Simülasyonlarında Yapay Zeka Kullanımı appeared first on Blog.