Isight參數優化與機器學習的案例
基于機器學習和代理模型的CAE參數優化模型建立
靈敏度分析主要進行設計空間縮減，這與機器學習的降維的目標是一樣的。如機器學習的主成分分析，因子分析等。
通過建立的高精度的代理模型或機器學習模型可以進行后續的參數優化分析。
本文通過Python環境進行以上分析。主要包括以下內容：
1.通過doepy庫進行DOE創建，如拉丁方DOE；
2.通過pyNastran庫對nastran求解文件進行模型更新；
3.通過sklearn庫進行機器學習模型訓練，如支持向量機模型、貝葉斯嶺回歸模型；
4.通過smt庫進行代理模型創建，如Kriging模型；
5.通過SALib庫進行靈敏度分析。
展開 Isight多學科參數優化軟件模塊構成 附isight參數優化理論和實例詳解下載
運行門戶（Runtime Gateway）
監控和后處理界面，可以繪制多種曲線、曲面、散點圖、柱狀圖、表格等，結果運行完成后生成Summary報告給出優化運行時間、最優結果及設計變量、約束等用戶關心的問題。提供設計空間可視化（VDD）、工程數據挖掘（EDM）等后處理功能。
組件庫（Library/Add-OnComponent）
包含通用和專用的CAD/CAE及自編軟件接口。
優化算法庫（Optimization）
數值優化、全局優化、多目標優化、專家智能優化算法，是工程師開展設計優化工作的利器。
試驗設計算法庫（DOE, Design OfExperiments）
通過系統而有效的方法分析設計空間、篩選關鍵設計參數（減少問題規模）、評估設計變量影響以及辨別關鍵設計變量的交互影響關系。
近似模型算法庫（Approximation）
對于計算代價高昂的CAE分析，Isight用多種近似原理構造替代模型，減少優化中調用大規模CAE分析計算的次數，提高優化效率。近似模型還用于剔除輸入參數平緩變化而輸出參數卻劇烈振蕩的仿真噪音。
質量設計優化（Quality Desgin）
運用隨機仿真和優化理論（包括：蒙特卡洛仿真、Taguchi田口穩健性設計和基于6Sigma可靠性分析和穩健性設計DFSS，Design For Six Sigma），構成一個完整的、公式化的對可靠性和穩健性進行評價和改進的品質設計哲學框架。
下載地址：isight參數優化理論和實例詳解
展開 abaqus Isight參數研究與結構優化CH03-Isight優化分析
視頻連接https://www.yqgqt.org.cn/college/video/c15246
CH01-Isight與功能元件介紹
CH02-資料管理與DOE分析
>WORKSHOP01-Gripper進行DOE分析
CH03-Isight優化分析
>WORKSHOP02-Gripper優化分析
CH04-Data matching參數擬合
>WORKSHOP03-橡膠材料參數擬合
CH05-近似模型建立
>WORKSHOP04-Gripper近似模型建立
CH06-資料交換元件
展開 abaqus Isight參數研究與結構優化-CH01-Isight與功能元件介紹
視頻連接https://www.yqgqt.org.cn/college/video/c15246
CH01-Isight與功能元件介紹
CH02-資料管理與DOE分析
>WORKSHOP01-Gripper進行DOE分析
CH03-Isight優化分析
>WORKSHOP02-Gripper優化分析
CH04-Data matching參數擬合
>WORKSHOP03-橡膠材料參數擬合
CH05-近似模型建立
>WORKSHOP04-Gripper近似模型建立
CH06-資料交換元件
展開 
機器學習中的優化算法 ￥2
<p>1 機器學習中的優化算法</p><p><span style="color: rgb(62, 62, 62);">Optimization Algorithms in Machine Learning,機器學習中的優化算法。</span></p><p>優化算法是機器學習模型的支柱，因為它們使建模過程能夠從給定的數據集中學習。這些算法用于查找目標函數的最小值或最大值，該函數在機器學習上下文中代表誤差或損失。<strong><em>在本文中，討論了不同的優化方法以及它們在機器學習中的用途及其意義。</em></strong></p><p><strong>目錄</strong></p><ul><li>了解機器學習中的優化</li><li>機器學習中的優化算法類型</li><li class="ql-indent-1">1. 一階算法</li><li class="ql-indent-1">2. 二階算法</li><li>針對特定機器學習任務的優化</li><li class="ql-indent-1">1. 分類任務：Logistic 回歸優化</li><li class="ql-indent-1">2. 回歸任務：線性回歸優化</li><li>優化算法的挑戰和局限性</li></ul><p><strong>了解機器學習中的優化</strong></p><p>優化是從各種可用的可行解決方案中選擇最佳解決方案的過程。換句話說，優化可以定義為獲得給定函數的最佳值或最小值的一種方式。在大多數問題中，目標函數 f（x） 是受約束的，目的是確定最小化或最大化 f（x） 的 ？x 值。
展開 低壓汽輪機級的機器學習優化
但與處理從互聯網上抓取的 JPEG 或文本片段不同，CFD 計算可能需要數小時，因此我們需要機器學習算法以盡可能少的輸入提供結果 - 我們談論的是具有數十個輸入的模型，而不是數十億個參數。話雖如此，尋找最佳設計的自動化、人工智能/機器學習加速流程仍然比手動調整所有內容快幾個數量級。
自動化設計優化取代了手動對 CAD 模型和流動條件進行小幅修改以尋求更好設計的費力過程。與許多其他技術一樣，它不會取代工程師，而是讓工程師能夠騰出時間來完成其他任務。在這種情況下，設計工程師的重點和精力從設置和運行模擬轉移到理解和分析設計空間。由于 CFD 計算非常耗時，因此開發快速找到最佳值的高效設計空間探索方法對于使自動化設計優化成為渦輪機械部件設計的可行技術至關重要。在本文中，
該優化項目的目標是通過新設計對該級進行改造，以提高系統的功率。由于情況是我們正在用新的動力改造舊機器，因此原始機器的幾何形狀提出了新設計中必須遵守的基本約束和要求。因此，定子腔、軸承和噴嘴葉片是固定的，而葉輪葉片和轉子尖端泄漏腔是優化的目標。
設計空間概覽
Cadence 的 Fidelity 軟件套件包括與 Concepts NREC 合作的設計工具 Fine Agile，這是一種用于渦輪機械的設計、分析和幾何生成工具。使用 Fine Agile，我們可以適當地參數化設計空間并施加約束。表 1 顯示了如何對葉尖泄漏腔進行參數化，而表 2 顯示了葉片形狀的值。優化運行期間總共調整了八個參數。
展開 isight參數優化理論與實例詳解下載
最后進行求解設置，如試驗設計、優化分析等。
本文簡單介紹了基于Isight和SFE的參數優化流程設置，其中對設計變量的創建做了簡單的二次開發用于快速創建設計變量。SFE中isight優化接口的描述文件.desc只能在低版本的isight軟件中使用。因此優化流程的設置需要手動完成。正如上文所述，SFE軟件導出優化軟件接口文件可以快速創建優化流程，只不過isight的描述文件只能用于低版本isight的軟件使用。而入optismus、modefrontier等接口文件可以快速創建優化流程，這個在后續的文章中詳細介紹。因為我這邊沒有安裝SFE軟件，這里就不給出計算結果了。
下載地址：isight參數優化理論與實例詳解
展開 [分析示例] 通過機器學習估計 χ 參數
從兩個分子的描述符中創建特征，學習與相互作用參數 χ 的關系
目標和方法
使用 J-OCTA 機器學習功能（MI-Suite）來估計 χ 參數。使用的數據來自 Flory-Huggins Chi 數據庫。獲取的數據包括兩個化合物 A 和 B 的名稱以及它們之間的 χ 參數值。數據量為 263。學習/預測 χ 參數的過程如下：
χ 參數學習/預測過程
1. 從公共化合物數據庫 PubChem 獲取每種化合物的 SMILES 表示法。 使用 MI-Suite 的數據獲取功能 DB-Explorer 獲取。使用 MI-Suite 的數據采集功能 DB-Explorer 獲取數據。只有同時獲得 A 和 B 的 SMILES 表達式的化合物對（169 個）才會被使用。
2. 使用描述符計算功能 ChemDC 計算每個化合物的描述符值和 AutoCorr2D。
3. 根據原始數據中對化合物的描述，將計算出的描述符值進行混合，以創建單一特征。
4. 使用的混合方案是定量地理學中使用的混合方案，因為描述符（AutoCorr2D）可視為空間自相關量。
5. 訓練以混合計算的特征為輸入值，以每對化合物的 χ 參數為目標值。
學習的設置如下：
l 在 MI-Suite 的學習功能所支持的學習方法中，我們使用了 XGBoost，這是一種基于提升的學習方法。XGBoost 的超參數設置基于 GP（高斯過程），以獲得最佳參數設置。
l 離群點的去除是在第 90 個百分點（兩側）進行的。
l 在訓練過程中，訓練集和測試集的數據比例為 8:2。
結果
以下是訓練結果。
對于通過訓練獲得的預測模型（即學得的模型），使用訓練集時的預測準確率為 R^2=0.937，而使用測試集時的預測準確率為 R^2=0.778。
展開 Isight集成ADAMS/CAR進行多工況聯合參數優化實例 ￥50
使用工具版本SIMULIA2023、ADAMS2024.2
前期對Isight調用ADAMS/CAR模塊所需的simcode文件的生成進行了說明。但未進行實際案例的提供。
近期在工作實際中，遇到某款車型，在選定懸架系統，轉向器型號后，轉向角及轉向特性匹配困難的實際問題。額外，轉向特性特性一般耦合前束角變化特性，因此需要多工況耦合尋解。借此幾乎，將“Isight集成ADAMS/CAR進行多工況聯合參數DOE或opti”以實例的形式呈現。希望對有需要的朋友，有所幫助。
1、 選取DOE參數試驗的Objective
選取參數過程，需要跟工程實際結合。這里僅以最大轉向角、最大前束角作為Objective。
2、 選取DOE參數試驗的factor
以懸架系統模型中tieord outer硬點X、Y、Z坐標為例進行說明。
3、 模型準備
這里使用工具自帶的“mdi_front_vehicle.asy”模型。
以此將mdi-fornt-suspension，mdi-front-steering、mdi_front_vehicle.asy保存至adams的工作目錄（這里需要設置英文目錄），保存后檢查mdi_front_vehicle.asy所引用的模型路徑正確，如下圖所示。
展開 基于機器學習與可移動變形組件法的實時拓撲優化研究
結構拓撲優化可以幫助工程師在沒有先驗知識的情況下，獲得具有創新性的產品/結構設計，目前已成為了數字化設計平臺不可缺少的重要支撐工具。而實現實時拓撲優化設計（即在給定設計區域，外荷載以及約束條件后即可馬上得到最優結構形式）更是工程師們長久追尋的終極夢想。近日，大連理工大學工程力學系郭旭教授團隊將機器學習與基于可移動變形組件(MMC)的拓撲優化方法相結合，利用顯式的MMC方法生成數據集，通過機器學習中的SVR和KNN模型建立起最優結構設計參數與外載荷之間的映射關系，對實現實時拓撲優化設計開展了探索性研究。由于MMC方法以結構顯式幾何參數作為設計變量，優化問題設計變量極少，因此相比已有方法（如基于像素學習的方法），該方法大大減少了機器學習訓練集的數據量及相應參數空間的維度，并且通過學習過程得到的"知識"有助于建立最優結構與對應載荷的工程直覺。目前相關論文已被期刊《Journal of Applied Mechanics-Transactions of the ASME》接收。
（原文下載鏈接: https://www.researchgate.net/publication/327140607_Machine_Learning_Driven_Real_Time_Topology_Optimization_under_Moving_Morphable_Component_MMC Bas Based_Framework）
文章全文如下:
來源：結構優化理論與應用 作者劉暢
展開 設計仿真 | 基于Adams與Odyssee機器學習的超跑變速箱機構優化方案
優化變速箱控制系統中的部件相互影響
我們使用虛擬原型來識別一系列組件公差范圍的靈敏度。所討論的組件是設計為變速箱控制系統一部分的運動機構的運動鏈。
當涉及到提高高性能跑車的品質時，控制機構的平穩、精確運動和變速箱的換檔速度非常重要。
圖1顯示了兩個組件。黃色部件將藍色部件引向精確位置，以獲得檔位速度位置。由此產生的運動是由于換檔控制系統的子組件造成的，該子組件是由九個部件組成的運動鏈，它們之間有相對運動。
圖1. 部分和全部遮擋，以及預期軌跡
理想情況下，從第七檔換到第六檔時，藍色部件應遵循預期的軌跡。
如果藍色部件推過導軌的尖端，駕駛員可以繼續向六檔移動。這種現象被稱為“部分阻斷”。
但如果駕駛員無法將換擋桿從七檔移動到六檔，這被稱為“完全遮擋”。這是最糟糕的結果。要完成換檔，駕駛員必須稍微向后移動，以防止黃色部件阻擋藍色部件。
通過Adams和ODYSSEE CAE增強功能響應
戰略機制分析
正確的設計考慮，使運動鏈部件的公差范圍正確，對于確保運動不會導致完全遮擋至關重要。
需要一個通用的分析程序來完善運動機制，如圖2所示。
圖2. 一般分析流程
Adams軟件使我們能夠了解結構運動機制，定義設計目標，并使用Adams/Insight運行DOE研究。之后生成一個數據的矩陣，可以用作ODYSSEE CAE的輸入。ODYSSEE CAE可用于從數據中學習，并根據設計規范預測新設計變量的新結果。
此外，如果新的變量范圍包含在Adams/Insight分析中先前選擇的范圍內，則可以在系統的最后一個分析階段分配新的變量區間。一旦實現了ODYSSEE CAE的靈敏度結果，就可以創建具有新可變范圍的新DOE，以更低的成本獲得更好的功能響應解決方案。
展開 
abaqus Isight參數研究與結構優化CH04-Data matching參數擬合
視頻連接https://www.yqgqt.org.cn/college/video/c15246
CH01-Isight與功能元件介紹
CH02-資料管理與DOE分析
>WORKSHOP01-Gripper進行DOE分析
CH03-Isight優化分析
>WORKSHOP02-Gripper優化分析
CH04-Data matching參數擬合
>WORKSHOP03-橡膠材料參數擬合
CH05-近似模型建立
>WORKSHOP04-Gripper近似模型建立
CH06-資料交換元件
展開 設計仿真 | 應用Marc和機器學習軟件進行非線性模型優化
本文主要以金屬成形過程的非線性幾何優化模擬為例，介紹人工智能（AI）/機器學習（ML）工具在非線性優化中的應用方法。
對于很多非線性問題，當采用有限元模型的直接優化時，在計算上會需要很多時間，導致成本增高，采用ML技術來替代一些傳統的優化方法能顯著提高效率。ML的主要思想是用訓練數據構建預測模型，直接使用預測模型進行在線優化。由于預測模型的計算工作量通常比全有限元模型低得多，因此在線優化問題通常可以很快得到解決。
為了滿足Marc/Mentat用戶對人工智能（AI）和機器學習（ML）的需求，從Marc2021.4版本開始，在前處理器Mentat中引入了一個新的AI/ML工具彈出菜單，為Marc/Mentat用戶在ODYSSEE等軟件工具中部署AI/ML提供了一種有效的方式。
ML技術的使用大致可以分為兩個階段：離線數據訓練和在線操作（包括參數研究、預測和設計優化）。在線操作依賴于離線數據訓練，這需要足夠的數據來生成可靠的預測模型。為了獲得這種離線數據，用戶可以使用有限元模型準備和模擬許多數值實驗，這個過程通常被稱為實驗設計（DOE）。Marc/Mentat集成的AI/ML工具旨在通過提供ODYSSEE和Mentat之間的數據格式兼容性，以及以串行或并行模式啟動和監測仿真實驗的工具，簡化DOE的設置和執行。
為了使用ML技術解決此優化問題，在Marc/Mentat2023.3以前的版本需要執行以下步驟：
■ 離線數據準備：
? 生成各參數的DOE變化 。
? 使用AI/ML工具準備DOE作業。
? 以并行模式運行DOE作業。
? 提取并導出DOE結果。
? 訓練并獲得預測模型。
■ 在線操作：
? 新參數響應快速預測。
? 解決優化問題。
展開 設計仿真 | 應用Marc和機器學習軟件進行非線性模型優化
本文主要以金屬成形過程的非線性幾何優化模擬為例，介紹人工智能（AI）/機器學習（ML）工具在非線性優化中的應用方法。
對于很多非線性問題，當采用有限元模型的直接優化時，在計算上會需要很多時間，導致成本增高，采用ML技術來替代一些傳統的優化方法能顯著提高效率。ML的主要思想是用訓練數據構建預測模型，直接使用預測模型進行在線優化。由于預測模型的計算工作量通常比全有限元模型低得多，因此在線優化問題通常可以很快得到解決。
為了滿足Marc/Mentat用戶對人工智能（AI）和機器學習（ML）的需求，從Marc2021.4版本開始，在前處理器Mentat中引入了一個新的AI/ML工具彈出菜單，為Marc/Mentat用戶在ODYSSEE等軟件工具中部署AI/ML提供了一種有效的方式。
ML技術的使用大致可以分為兩個階段：離線數據訓練和在線操作（包括參數研究、預測和設計優化）。在線操作依賴于離線數據訓練，這需要足夠的數據來生成可靠的預測模型。為了獲得這種離線數據，用戶可以使用有限元模型準備和模擬許多數值實驗，這個過程通常被稱為實驗設計（DOE）。Marc/Mentat集成的AI/ML工具旨在通過提供ODYSSEE和Mentat之間的數據格式兼容性，以及以串行或并行模式啟動和監測仿真實驗的工具，簡化DOE的設置和執行。
為了使用ML技術解決此優化問題，在Marc/Mentat2023.3以前的版本需要執行以下步驟：
■ 離線數據準備：
? 生成各參數的DOE變化 。
? 使用AI/ML工具準備DOE作業。
? 以并行模式運行DOE作業。
? 提取并導出DOE結果。
? 訓練并獲得預測模型。
■ 在線操作：
? 新參數響應快速預測。
? 解決優化問題。
展開 abaqus Isight參數研究與結構優化CH02-資料管理與DOE分析
視頻連接https://www.yqgqt.org.cn/college/video/c15246
CH01-Isight與功能元件介紹
CH02-資料管理與DOE分析
>WORKSHOP01-Gripper進行DOE分析
CH03-Isight優化分析
>WORKSHOP02-Gripper優化分析
CH04-Data matching參數擬合
>WORKSHOP03-橡膠材料參數擬合
CH05-近似模型建立
>WORKSHOP04-Gripper近似模型建立
CH06-資料交換元件
展開 