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.

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.