Altair官方為技術鄰的鄰友們準備了150份精美的臺歷作為新春福利，臺歷免費領取，領取方式見文末活動詳情~

現在大家經常提到人工智能、機器學習和深度學習的概念，這些概念底層都是數據，通過一些學習的方法，訓練近似模型或者尋找數據規律。模型訓練完成之后，我們希望訓練模型模擬人的行為做出反饋，稱之為人工智能。

從這些概念的定位看，最基礎的一環就是數據。整個產品生命周期的各個環節都會產生非常多數據，無論是研發端、測試端、生產端還是運維過程中。各個環節的數據利用起來就能解決不同的問題，比如仿真、工程測試、預測性維護、現場面向運營的數字孿生應用等。

那么我們為什么需要工程數據科學？因為從仿真角度或者研發角度，我們的數據和生產線上的數據有點區別。我們的數據往往是 3D形式的，因為模型本身是三維的。

我們的數據來源主要是兩個方面，一個是通過物理測試獲得，比如Excel表這種數據。另外一方面是通過仿真產生大量不同格式的數據，有的是表格，有的是云圖，有的是曲線。我們希望輔助仿真工程師把這些數據利用起來，最后實現場景的落地，比如做云圖的預測、系統模型降階、形狀識別，生成優化設計等。

關于Altair AI的技術融合，主要可以從3個方面展開：零代碼、端到端、面向大眾的數據科學和AI平臺；基于AI和經典系統理論的模型降階，數字孿生關鍵技術；HyperMesh中的AI技術集成，助力仿真提效。

1、零代碼、端到端、面向大眾的數據科學和AI平臺-RapidMiner

RapidMiner是面向大眾的數據分析和AI平臺，最大的特點是工作流程非常簡潔，主要是模塊化拖動的操作形式。另外它有自動數據科學的功能，集成了市面上大部分的機器學習方法，比如深度學習、神經網絡等160多種學習方法。學習的模型也支持非常開放的部署方式，可以部署到云端共享給客戶；也可以導出一些代碼作為部署的源頭。

使用RapidMiner處理數據科學問題，先要進行數據的結構化處理。這種處理方法非常多，可以用HyperStudy通過DOE實現，也可以通過專門做數據清洗的工具Monarch實現。當你擁有這些結構化的數據之后，就可以使用RapidMiner里機器學習的方法實現模型訓練、優化、預測等功能。

RapidMiner的深度學習有很多好的應用案例，可以實現利用數據驅動仿真效率的加速。比如散熱片的尺寸參數變化，會導致流體仿真性能有區別，如溫度的變化、風壓損失的不同等，解決這些問題就可以用HyperStudy DOE功能跑不同參數組合，生成計算模型，獲得計算結果，最后形成一張詳細的表格。

有了這個表，就可以給到RapidMiner，通過它的學習方法探索性能和變量之間的關系。通過拖拽式的框圖，即可非常簡單的搭建流程，學習模型。后續有新的變量組合，即可預測風壓損失、最大溫度等指標，還可以基于學習模型做尋優，得出最佳高度、厚度等參數信息。

2.基于AI和經典系統理論的模型降階，數字孿生關鍵技術

以往研究問題要么做實驗要么做仿真，但是現在如果已經有以往的經驗，就可以用romAI技術做模型的降階了。

降階模型的應用場景非常多，比如數字孿生里給一個新的輸入，要立馬知道輸出的場景，就可以用romAI的降階模型代替實際模型?；蛘咴谝恍┒鄬W科優化、多學科仿真，計算時間非常長，遇到需要減少計算量的問題，就可以通過降階模型把時間降下來。

romAI模型有不同的輸出，可以輸出一些通用格式放到系統仿真的產品里。這個本身是一個多學科的問題，比如車在行駛的時候是機構運動，鏟斗在鏟物料的時候是一個離散元的問題，液壓裝置的控制又是一個液壓的問題，如果要去跑一個多學科偶合的仿真計算，計算量非常大。

這里最花時間的就是離散元仿真，我們通過調整不同的鏟斗速度、角度，去計算散料對于鏟斗的載荷，最終從結果里面整理出一張詳細的表格。這個表就可以作為降階模型的輸入，做了降階之后，就可以把離散元這個學科拿掉，直接通過romAI降階模型快速反饋，相當于一個學科通過降階模型被替代了，能夠大范圍的降低計算量，節省非常多的計算時間。之前跑一次要600多秒，現在只要20多秒，精度基本達到98%以上。

3. HyperMesh集成AI技術，助力仿真提效

隨著技術的發展，HyperMech里面集成了非常多AI應用，幫助我們提高仿真的效率。

Design Explorer

Design Explorer非常類似于HyperStudy，我們把HyperStudy的功能移植到了Hyper Mesh里。用過多學科軟件的都知道軟件往往可視化或者交互式都不太好，而HyperMesh本身就是一個可視化環境，可以直接對著模型交互，而且做完DOE以后，DOE的結果都可以云圖可視化。另外，Design Explorer移植到HyperMesh上做了一個比較有吸引力的事情：基于對DOE結果的自動機器學習，可以實現標量的預測、曲線的預測或者云圖的預測。

2024年Design Explore還增加了生成式設計，可以把制造約束作為DOE的變量，比如設置多種拔模方向、多種對稱條件等，生成式設計可以批量生成不同拓撲優化結果，然后自動將優化結果做聚類，推薦一類最優設計模型。

ExpertAI

ExpertAI是把難以量化的模式通過基于AI的聚類方式，把模式做一個分類。

比如想要優化鑄造過程的性能，優化的變量選擇鑄造的入口，當入口有不同的位置和間隔時，鑄造流動的均勻性是不一樣的。ExpertAI可以把云圖的模式作為約束條件考慮進來。通過一些DOE的計算，對鑄造的云圖模式做聚類，選擇符合預期的最優模式。

PhysicsAI

PhysicsAI也是集成在HyperMesh里的一個AI應用，它的輸入不是表格，而是以往歷史仿真數據的云圖結果。PhysicsAI學習完了以后，當你給到一個新的設計，就可以在上面預測云圖了。它所用的技術叫幾何深度學習，特點是不需要做模型參數化，而且是桌面級的，可以進行本地化模型訓練，支持GPU加速訓練。

我們可以看一些具體的用戶案例，比如用戶做的后備箱地板云圖預測，用戶準備了36個以往的仿真云圖結果作為學習模型，另外準備10組做驗證，最終預測結果跟實際求解器驗證的結果匹配得非常好。

PhysicsAI并不是只能做結構分析，而是學科中立的。不管流體、電磁包括熱都是可以的，行業也沒有限制，包括航空、汽車、船舶都可以。另外PhysicsAI學習的模型可以導出來作為一個類似于黑箱的形式，嵌入到多學科優化的環境里做多學科優化。

另外，Physics AI增加了一些新功能，可以嵌入在Inspire里做實時的幾何調整，實時預測新的幾何云圖分布，包含外形、材料、厚度、載荷等全局參數，幫助我們更快更好更方便地進行工程仿真和設計創新。

總結一下Physics AI常見的應用場景：

• 特征參數難以提取，難以參數化的場景
• 擁有歷史積累的仿真數據或者DOE生成
• 靜態或者瞬態云圖預測需求

需要注意的是目前僅支持h3d文件輸入，其他結果格式需要通過HvTrans或Compose轉換。

最后，希望大家可以在仿真的各個階段都能引入AI技術，加速產品的創新。比如前期AI加速建模，求解的時候做快速的近似模型，模型的降階，生成優化設計等，都可以用到前面介紹的Altair產品。

4.Altair25年臺歷和AI驅動設計仿真白皮書領取活動

新年伊始，Altair官方像往常一樣也為技術鄰的鄰友們準備了精美的臺歷作為新春福利免費發送給大家！

25年的Altair臺歷如往年一樣制作精美，希望它在成為您記錄時間工具的同時也能見證您在25年工作學習中的每一次突破！

領取規則

1.點擊下方按鈕，填寫真實有效信息后，轉發本篇推文到朋友圈保留1小時以上截圖發送給技術鄰客服即可領取Altair25年臺歷和AI驅動設計仿真白皮書一份。

2.客服會對信息進行逐一審核，亂填者、未添加客服發送截圖者不予贈送。

3.掃碼添加下方技術鄰客服工科小師妹直接發送截圖~

本次臺歷活動一共將送出150份臺歷！臺歷數量有限，先到先得！大家別錯過啦~