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 Blog.