深度學(xué)習(xí)賦能設(shè)計
關(guān)注創(chuàng)建者：匿名 創(chuàng)建時間：2026-01-04
深度學(xué)習(xí)賦能設(shè)計的視頻教程
基于深度學(xué)習(xí)的人工智能技術(shù)在工業(yè)設(shè)計領(lǐng)域的應(yīng)用
基于深度學(xué)習(xí)的人工智能技術(shù)在工業(yè)設(shè)計領(lǐng)域的應(yīng)用 適用人群：對人工智能和深度學(xué)習(xí)技術(shù)感興趣的設(shè)計研發(fā)人員，以及人工智能相關(guān)專業(yè)的在校學(xué)生。 基于深度學(xué)習(xí)的人工智能技術(shù)在工業(yè)設(shè)計領(lǐng)域的應(yīng)用（免費）【已結(jié)束】 直播時間：2020-06-04 19:30 深度學(xué)習(xí)，英文名稱為Deep Learning，是近幾年人工智能領(lǐng)域的一類研究方向。
免費 1小時25分鐘 506播放
查看
Dragonfly深度學(xué)習(xí)教程
特征提取：接下來，利用深度學(xué)習(xí)模型（如卷積神經(jīng)網(wǎng)絡(luò)，CNN）從預(yù)處理后的材料圖像中提取特征。CNN通過多層卷積和池化操作，學(xué)習(xí)圖像的高級特征表示。 模型訓(xùn)練：將提取到的特征輸入到深度學(xué)習(xí)模型中進(jìn)行訓(xùn)練。訓(xùn)練過程中，模型會不斷調(diào)整參數(shù)，以最小化損失函數(shù)（如交叉熵?fù)p失、均方誤差等）并提高預(yù)測準(zhǔn)確性。 模型評估：在訓(xùn)練過程中或訓(xùn)練完成后，需要對模型進(jìn)行評估，以檢驗?zāi)Ｐ托阅堋?/p>
￥3000 24分鐘 35播放
查看
深度學(xué)習(xí)與流體力學(xué)結(jié)合
3、深入理解深度學(xué)習(xí)與湍流超分辨率的耦合機制。 實操環(huán)節(jié)： 1、基于深度學(xué)習(xí)的流場時序超分辨率處理（數(shù)據(jù)與代碼提供給學(xué)員） 實驗流體力學(xué)與人工智能 四、實驗流體力學(xué) 核心知識點： 1、掌握實驗流體力學(xué)的基礎(chǔ)知識，了解相關(guān)實驗設(shè)備。 2、了解機器學(xué)習(xí)技術(shù)在實驗流體力學(xué)中的應(yīng)用。 3、掌握Python語言進(jìn)行實驗數(shù)據(jù)的后處理，增強數(shù)據(jù)處理能力。 4、風(fēng)洞試驗
￥499 6小時6分鐘 186播放
查看
深度學(xué)習(xí)賦能設(shè)計的實例教程
03
圖文導(dǎo)讀
圖1 深度學(xué)習(xí)賦能的熱學(xué)超材料智能設(shè)計示意圖
圖2 基于深度生成模型的拓?fù)涔δ軉伟麑崟r設(shè)計
圖3 多種自由形狀的熱隱身超材料設(shè)計及數(shù)值仿真結(jié)果
圖4 3D打印制備的熱學(xué)超器件及熱學(xué)實驗測試結(jié)果
END
★ 平臺聲明
部分素材源自網(wǎng)絡(luò)，版權(quán)歸原作者所有。分享目的僅為行業(yè)信息傳遞與交流，不代表本公眾號立場和證實其真實性與否。如有不適，請聯(lián)系我們及時處理。歡迎參與投稿分享！
在上模方面，凸模與拉深深度成比例變長。同時，壓邊用彈簧也必須變長。如果根據(jù)彈簧的變形量來決定彈簧長度，有時候所需長度空間比凸模還要長，上模變大，考慮與下模的平衡關(guān)系、模具閉合高度等因素，構(gòu)造很難成立，甚至于無法實現(xiàn)。
這同樣也適用于下模的頂出裝置的彈簧。
考慮彈簧空間的影響，這種構(gòu)造經(jīng)常用于較淺的拉深。
從沖壓作業(yè)的角度來看這種模具，其作業(yè)性不算理想。進(jìn)行說明的話，材料裝入下模的定位裝置中。上模下降進(jìn)行拉深加工。加工得到的制件在被頂出裝置和上模的壓邊圈夾持的狀態(tài)下自凹模排出，但由于壓邊圈壓緊制件，制件殘留在凹模上。需由作業(yè)人員取出制件，然后將材料裝入模具內(nèi)。作業(yè)人員需要進(jìn)行將材料插入模具內(nèi)和從模具內(nèi)取出制件等兩個作業(yè)步驟，與僅需將拉深下出料的材料放入模具內(nèi)的加工過程相比，其作業(yè)效率有所下降。
從零基礎(chǔ)到設(shè)計精英 專業(yè)在線教學(xué) （五金沖壓模具-含端子，彈片，拉伸，連續(xù)，PRESSCAD，汽車模具-含鈑金件，覆蓋件，PRESSUG，AF工藝分析等 ） 更多學(xué)習(xí)資料加湯姆老師微信tommujushejixuexi。
展開 源自：控制與決策 作者：薛俊韜 馬若寒 胡超芳
摘要
針對深度學(xué)習(xí)算法在多目標(biāo)跟蹤中的實時性問題, 提出一種基于MobileNet的多目標(biāo)跟蹤算法. 借助于MobileNet深度可分離卷積能夠?qū)?em>深度網(wǎng)絡(luò)模型進(jìn)行壓縮的原理, 將YOLOv3主干網(wǎng)絡(luò)替換為MobileNet, 通過將標(biāo)準(zhǔn)卷積分解為深度卷積和逐點卷積, 保留多尺度預(yù)測部分, 以有效減少參數(shù)量. 對于檢測得到的邊框信息, 利用Deep-SORT算法進(jìn)行跟蹤. 實驗結(jié)果表明, 所提出方法在跟蹤效果基本不變的情況下可提升處理速度近50%.
關(guān)鍵詞
深度學(xué)習(xí) 多目標(biāo)跟蹤 目標(biāo)檢測 YOLOv3 deep-SORT MobileNet
0 引言
多目標(biāo)跟蹤是計算機視覺領(lǐng)域的研究熱點, 可應(yīng)用于交通監(jiān)測、安防等多個領(lǐng)域, 具有一定的應(yīng)用價值和挑戰(zhàn)性[1]. 檢測方式可以分為檢測跟蹤和無檢測跟蹤兩類, 前者需要檢測目標(biāo)后再進(jìn)行跟蹤; 后者需要在第1幀手動初始化目標(biāo), 然后進(jìn)行跟蹤. 在目標(biāo)跟蹤中, 涌現(xiàn)出許多具有良好性能的算法, 如SSD[2]、R-CNN[3-4]以及YOLO系列[5-7], 其中YOLOv3[7]算法在檢測跟蹤中體現(xiàn)出較強的優(yōu)勢.
由于深度學(xué)習(xí)的發(fā)展, 卷積神經(jīng)網(wǎng)絡(luò)模型逐漸替代了傳統(tǒng)手工設(shè)計的特征, 提供了一種端到端的處理方法, 精度也大幅提高. 但CNN模型在不斷提高精度的同時, 其網(wǎng)絡(luò)深度和尺寸也在成倍增長, 需要GPU來進(jìn)行加速, 使得基于深度學(xué)習(xí)的跟蹤算法無法直接應(yīng)用于移動設(shè)備, 導(dǎo)致難以符合實時性要求. 因此降低算法復(fù)雜度、提高實時性、簡化和加速模型便成為亟待解決的問題. 文獻(xiàn)[8-10]使用剪枝方法對神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)壓縮. 文獻(xiàn)[11]提出從零開始訓(xùn)練低秩約束卷積神經(jīng)網(wǎng)絡(luò)模型的方法, 不僅速度得到提升, 而且在一些情況下模型性能也有所提高.
展開 【f'luet深度學(xué)習(xí)驅(qū)動流體力學(xué)專題】
Python編程偽譜法求解NS方程
方腔流、圓柱繞流、小球入水的Fluent求解流程
梯度下降算法的Python實現(xiàn)
二階函數(shù)極值問題的求解
經(jīng)典模型實現(xiàn)流體超分辨
深度學(xué)習(xí)模型實現(xiàn)流體的超分辨
利用Neural ODE求解特定流體（多體問題）
流體力學(xué)的拉格朗日算法
流體力學(xué)的拉格朗日神經(jīng)網(wǎng)絡(luò)
高精度格式求解可壓縮流體力學(xué)方程
深度學(xué)習(xí)模型求解可壓縮流體力學(xué)方程
Python編程實現(xiàn)反向追蹤算法
前沿技術(shù)深度聚焦理論與實踐結(jié)合，新興技術(shù)探討
【openfoam深度學(xué)習(xí)驅(qū)動的流體力學(xué)計算與應(yīng)用】專題
基于OpenFOAM的矩形柱體LES模擬案例
基于python語言的CFD數(shù)據(jù)后處理
運用Python處理實驗數(shù)據(jù)
基于人工智能技術(shù)的流場預(yù)測與重構(gòu)方法
運用UNet算法進(jìn)行壓力時序預(yù)測
掌握基于多層感知機(MLP)的氣動性能預(yù)測方法
基于多層感知機(MLP)的民航超臨界機翼氣動性能預(yù)測
基于LES/DNS湍流模擬的時空超分辨率研究
基于深度學(xué)習(xí)的流場時序超分辨率處理
基于深度強化學(xué)習(xí)的矩形柱體主動流動控制
運用深度強化學(xué)習(xí)進(jìn)行離散動作空間/連續(xù)動作空間的優(yōu)化
耦合代理模型的深度強化學(xué)習(xí)在民航飛機外形優(yōu)化中的應(yīng)用
前沿文獻(xiàn)的解讀，如SORA技術(shù)、風(fēng)烏技術(shù)等，了解人工智能技術(shù)在流體力學(xué)領(lǐng)域的最新進(jìn)展，保持學(xué)術(shù)前沿性
可在某公某號咨詢：研而有信er （加關(guān)后有聯(lián)系方式可詳詢）
展開 給定一個為特定任務(wù)設(shè)計，未經(jīng)訓(xùn)練的新深度神經(jīng)網(wǎng)絡(luò)，超網(wǎng)絡(luò)可以在幾分之一秒內(nèi)預(yù)測出該新網(wǎng)絡(luò)的參數(shù)，理論上可以讓訓(xùn)練變得不必要。由于超網(wǎng)絡(luò)學(xué)習(xí)了深度神經(jīng)網(wǎng)絡(luò)設(shè)計當(dāng)中極其復(fù)雜的模式，因此這項工作也可能具有更深層次的理論意義。
目前為止，超網(wǎng)絡(luò)在某些環(huán)境下的表現(xiàn)出奇的好，但仍有增長空間——考慮到問題的量級，這是很自然的。如果他們能解決這個問題，Veli?kovi?說：“這將對機器學(xué)習(xí)產(chǎn)生很大的影響。”。
變成“超網(wǎng)絡(luò)”
目前，訓(xùn)練和優(yōu)化深度神經(jīng)網(wǎng)絡(luò)最好的方法是隨機梯度下降（SGD） 技術(shù)的各種變種。訓(xùn)練涉及到將網(wǎng)絡(luò)在給定任務(wù)（例如圖像識別）中所犯的錯誤最小化。 SGD 算法通過大量標(biāo)記數(shù)據(jù)來調(diào)整網(wǎng)絡(luò)參數(shù)，并減少錯誤或損失。梯度下降是從損失函數(shù)的高位值一級級向下降到某個最小值的迭代過程，代表的是足夠好的（或有時候甚至是可能的最好）參數(shù)值。
但是這種技術(shù)只有在你有需要優(yōu)化的網(wǎng)絡(luò)時才有效。為了搭建最開始的神經(jīng)網(wǎng)絡(luò)（一般由從輸入到輸出的多層人工神經(jīng)元組成），工程師必須依靠自己的直覺和經(jīng)驗法則。這些結(jié)構(gòu)在神經(jīng)元的層數(shù)、每層包含的神經(jīng)元數(shù)量等方面可能會有所不同。
梯度下降算法讓網(wǎng)絡(luò)沿著其“損失景觀”向下走，其中高位值表示較大錯誤或損失。算法旨在找到全局最小值，讓損失最小化。
理論上可以從多個結(jié)構(gòu)出發(fā)，然后優(yōu)化每個結(jié)構(gòu)并選出最好的。但Google Brain 訪問學(xué)者 MengYe Ren 說：“訓(xùn)練需要花費相當(dāng)多的時間，要想訓(xùn)練和測試每以個候選網(wǎng)絡(luò)結(jié)構(gòu)是不可能的。這種做法擴展不好，尤其是如果要考慮到數(shù)百萬種可能設(shè)計的話。”
于是 2018 年，Ren 與自己在多倫多大學(xué)的前同事 Chris Zhang ，以及他們的指導(dǎo) Raquel Urtasun 開始嘗試一種不同的方法。
展開 
深度學(xué)習(xí)賦能設(shè)計的相關(guān)專題、標(biāo)簽、搜索
深度學(xué)習(xí)賦能設(shè)計AI賦能設(shè)計賦能深度學(xué)習(xí)深度學(xué)習(xí)算法ansys深度學(xué)習(xí) 儲能技術(shù)優(yōu)化設(shè)計EDA設(shè)計工業(yè)設(shè)計機械設(shè)計 機器學(xué)習(xí)深度學(xué)習(xí)驅(qū)動的光子學(xué)設(shè)計與應(yīng)用深度學(xué)習(xí)：基于matlab的設(shè)計實例深度學(xué)習(xí)深度學(xué)習(xí)機械機械深度學(xué)習(xí)深度學(xué)習(xí)機械當(dāng) ai 遇見光學(xué)：深度學(xué)習(xí)驅(qū)動的智能光學(xué)設(shè)計革命基于深度學(xué)習(xí)網(wǎng)絡(luò)的運動想象bci系統(tǒng)的研究與設(shè)計深度學(xué)習(xí)物理深度學(xué)習(xí)
深度學(xué)習(xí)賦能設(shè)計的最新內(nèi)容
<p><br></p><p><br></p><figure style="text-align: center;"><figure class="figure-image" contenteditable="false" data-img="https://img.jishulink.com/202605/attachment/7cdce50ea3354376884bf75150631b46.gif
數(shù)字光刻技術(shù)作為微米級芯片制造的核心支撐，其中投影物鏡的成像質(zhì)量直接決定了芯片的加工精度與性能。相較于傳統(tǒng)光刻，基于數(shù)字微鏡器件（DMD）的數(shù)字光刻技術(shù)具備低成本、高效率、靈活性強等顯著特點，已成為微米級芯片制造的主流方案。
華中科技大學(xué)光學(xué)與電子信息學(xué)院張學(xué)明團(tuán)隊基于ZEMAX光學(xué)設(shè)計軟件，成功設(shè)計出一款高性能微米級數(shù)字光刻微縮投影物鏡[1]。該設(shè)計以0.625μm的超高分辨率、0.0159%
<p>本文原刊登于Ansys.com：《<a href="https://www.ansys.com/zh-cn/blog/powering-future-flight-designing-hydrogen-powered-evtol" rel="noopener noreferrer" target="_blank">Powering the Future of Flight: Designing
仿真+AI技術(shù)為快消包裝行業(yè)賦能提速、降本增效、推動可持續(xù)發(fā)展。
“
輕量化設(shè)計不僅關(guān)乎成本削減，更在于放大環(huán)保影響力。每減少一克材料，都能節(jié)省樹脂用量、減少廢棄物產(chǎn)生，且隨著貨架上數(shù)百萬件產(chǎn)品的規(guī)模化效應(yīng)，成效將十分顯著。而 PhysicsAI 讓我們能夠以前所未有的速度實現(xiàn)這些成果。
—— Kinetic Vision 開發(fā)總監(jiān)
Shane
<p><br></p><p><strong>仿真+AI技術(shù)為快消包裝行業(yè)賦能提速、降本增效、推動可持續(xù)發(fā)展。</strong></p><p><br></p><p><br></p><p>“</p><p class="ql-align-justify">輕量化設(shè)計不僅關(guān)乎成本削減，更在于放大環(huán)保影響力。每減少一克材料，都能節(jié)省樹脂用量、減少廢棄物產(chǎn)生，且隨著貨架上數(shù)百萬件產(chǎn)品的規(guī)模化效應(yīng)，成效將十分顯著
“
Altair 強大的解決方案幫助我們團(tuán)隊以無與倫比的速度與精度，探索復(fù)雜的設(shè)計權(quán)衡問題。我們能夠快速仿真復(fù)雜幾何結(jié)構(gòu)的多物理場模型，并自信地評估間隔層厚度對性能與耐久性的影響。該解決方案不僅優(yōu)化了我們的建模方法，更為研發(fā)更可靠、更高效的 AMR 系統(tǒng)指明了清晰方向。
—— Magnoric 首席運營官
Rémi Dubois
”
引言：
UniVista EDMPro是一款融合電子系統(tǒng)研制流程、技術(shù)與管理實踐的差異化一站式電子設(shè)計數(shù)據(jù)管理平臺及應(yīng)用解決方案。
多層次復(fù)合性管理、設(shè)計研發(fā)協(xié)同、可靠性與質(zhì)量保障、知識管理是保證研發(fā)管理的關(guān)鍵需求；提升產(chǎn)品差異化能力、縮短上市周期、降低產(chǎn)品成本，是保持企業(yè)競爭力的基礎(chǔ)和核心。
EDMPro包含四款核心產(chǎn)品RMS（資源庫管理系統(tǒng)）、EDMS（電子設(shè)計過程管理與質(zhì)量評審系統(tǒng)
摘要：本研究旨在探索和構(gòu)建融合深度學(xué)習(xí)技術(shù)的電阻抗（EIT）、電磁（EMT）與電容層析成像（ECT）方法，以提升成像分辨率、抗噪能力和重建速度。傳統(tǒng)層析成像方法依賴于迭代反演與物理建模，存在非線性強、病態(tài)性高、對噪聲敏感等問題，限制了其在實際工業(yè)過程監(jiān)測與生物醫(yī)學(xué)成像中的應(yīng)用性能。為克服這些挑戰(zhàn)，本課題系統(tǒng)設(shè)計了多種基于CNN、VGG、ResNet、U-Net、Transformer等結(jié)構(gòu)的深度成像網(wǎng)絡(luò)
幾何深度學(xué)習(xí)
1.什么是幾何深度學(xué)習(xí)？
幾何深度學(xué)習(xí)（GDL-Geometric Deep Learning）是從非歐幾里得數(shù)據(jù)類型中學(xué)習(xí)的一種神經(jīng)網(wǎng)絡(luò)方法。
歐幾里得數(shù)據(jù)包括圖像、文本、音頻等。
非歐幾里得數(shù)據(jù)可以比一維或二維表達(dá)更復(fù)雜的結(jié)構(gòu)
全文內(nèi)容選自 Altair 區(qū)域技術(shù)交流會華東站
Altair 高級技術(shù)經(jīng)理 陳剛《 AI 驅(qū)動 CFD 仿真》演講
大家好，我這次演講的主題和流體力學(xué)結(jié)合AI相關(guān)，接下來分成幾個主題進(jìn)行。首先我們把 Altair CFD 的解決方案簡單介紹一下。
1.流體仿真求解器
HyperWorks 產(chǎn)品包里面包含了通用的 CFD 工具，也就是解 NS 方程的工具，
