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 .

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 .