physicsAI：面向仿真工程师的机器学习工具
本站编辑：admin发布时间:2024-03-08 09:44:49
Simulation+AI ？
企业的仿真工程师大部分时间都是在面对相似的模型。例如空调管路CFD，汽车保险杠CAE的仿真工作，通过DOE设计迭代，不断的优化尺寸参数，产品外形，从而使得管路流动阻力减小，风速均匀性提高，或者结构的轻量化、安全性和耐久性的提高。
通常项目完成后，计算服务器上的大量结果文件会被删除，即使做了备份，也很少有机会被再次利用。而每次来了一个新项目，仿真工程师从几何清理，网格划分，求解分析这个流程又会做一遍。
有没有可能，当设计部门给出一个新的设计，仿真工程师立刻预测结果？
physicsAI利用仿真的历史数据作为机器学习的训练样本，每当输入新的CAD数据或面网格，快速预测出压力、温度、应力、变形等场值结果。
physicsAI 的价值
基于几何深度学习，无需手工参数化。（许多CAE模型参数化很困难，而且手工制作的参数集可能不是更佳的）。
无需用户编程或编辑脚本。
可以在面网格或 CAD 上直接预测，省略了复杂的建模流程。
比仿真求解器快得多的预测速度，并支持设计探索。
可以基于任意物理场的仿真预测（结构、流体、电磁等）。
physicsAI 的使用
安装HyperWorks Desktop v2023 版本。
支持Nvidia GPU训练，至少8G以上的显存。
训练时间和样本的数量以及每个样本的网格数量有关，小模型训练半小时，大的模型可能超过一天。
支持本地或远程HPC训练样本。
训练样本需要.h3d .fem .rad仿真结果格式, 预测可以用 parasolid 或面网格。
physicsAI 的训练参数
Epochs：模型训练的迭代次数
Early Stopping / Patience：如果模型在迭代后没有改进，提前停止训练
Learning Rate：训练中每次迭代的步长（越大越快，但可能无法收敛）
Width：控制可学习模式的复杂性
Depth：控制可学习的模式的复杂性以及信息在本地传播的距离。（对训练时间影响较大）
