機器學習輔助仿真的案例
設計仿真 | ODYSSEE機器學習方法助力提高傳動系統開發時效
前 言
在傳動系統設計開發領域，海克斯康旗下Romax仿真平臺提供了完整的解決方案，涵蓋了從方案布局、詳細設計到實驗驗證等各個關鍵的產品開發階段的仿真分析工作。隨著新技術的快速更新迭代，傳動產品開發過程中仍然需要解決更多難題，例如：
?復雜系統進行手動設計優化，費時費力并且完全依靠工程師自身經驗；
?普通的DOE分析在處理多變量時需要大量的樣本點，尤其對于大模型，對軟硬件資源要求極高，且非常耗時；
?影響產品關鍵性能指標（如NVH）的因素較多，無法確定各個設計變量之間的潛在關系，難以確定最關鍵的設計變量；
?企業積累的大量仿真分析結果不能充分利用，無法對新產品的設計起到指導作用。
PART.01
ODYSSEE在傳動系統開發中的應用
ODYSSEE是海克斯康旗下基于機器學習方法構建快速預測模型的工具軟件，能夠實現實時的CAE靜態、動態仿真預測、設計優化、圖像識別等功能，顯著縮短仿真分析和設計優化的周期，提高工作效率。通過在傳動系統開發仿真分析中引入ODYSSEE，能夠基于歷史仿真分析數據構建快速預測機器學習模型，實現新設計參數的系統響應快速預測，以及快速設計優化過程，從而避免復雜和耗時的仿真過程。
基于ODYSSEE的仿真分析快速預測和設計優化
目前，ODYSSEE在傳動系統開發仿真分析中的典型應用場景有：
?齒輪微觀修形設計與優化
?軸承幾何參數優化設計
?載荷譜作用下的齒輪/軸承壽命預測
?齒輪箱振動響應實時預測
PART.02
ODYSSEE機器學習工作流程
ODYSSEE機器學習模型搭建的工作流程如下所示：
01
明確研究的問題，確定輸入參數以及系統輸出響應。
02
確定輸入參數的變化范圍，利用ODYSSEE中的DOE工具生成仿真樣本點。
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
第一次迭代將結果作為輸入數據提供給ODYSSEE CAE，后者根據每個公差范圍學習機制行為。
這使得預測新公差范圍的響應成為可能，這些公差范圍是根據靈敏度結果在ODYSSEE內的新DOE中定義的。一些公差范圍的值增加，表明它們對結果響應的影響很小。其他公差范圍的減少表明其對結果響應有一定的影響。
達到最佳功能并降低制造成本
該團隊迅速達成了一個解決方案，通過改變公差范圍，使他們能夠快速迭代不同的案例研究。
使用這種分析策略可以降低制造成本。這是因為該團隊只有在結果響應的影響最小的情況下才增加了公差范圍。
該團隊只降低了結果響應中涉及到的公差范圍，從而影響了機制的功能。這使他們能夠定義最佳機制，并以低成本實現最佳功能。
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
小 結
本文主要以金屬成形過程的非線性幾何優化模擬為例，介紹了機器學習工具在非線性優化中的應用方法。可以看到，在前處理器Mentat中引入了新的AI/ML工具菜單及后臺集成后，為Marc/Mentat用戶在ODYSSEE-CAE等軟件工具中部署AI/ML提供了一種有效的方式，便于用戶對非線性模型進行優化分析。
直播預告-基于機器學習的車輛行人保護頭部仿真研究
用戶對安全及舒適性的高度需求、研發周期的壓縮、車輛造型、材料等各方面的不斷推陳出新，都給整車仿真工作帶來了巨大的挑戰。
如何更好的進行行人保護是整車仿真中需要重點考慮的問題也是激烈市場環境中一個有力的競爭點。針對汽車行業行人保護仿真分析問題復雜、仿真時間長等痛點，海克斯康帶來了智能實時仿真平臺ODYSSEE，以助力汽車行人保護的設計開發流程。ODYSSEE是一款跨學科、跨領域、跨專業的軟件產品，基于機器學習模型，能夠實現秒級實時的CAE靜態、動態仿真、圖像識別、智能預測等，顯著縮短計算分析周期，提高生產效率。ODYSSEE為工程、制造和質量提供了實時解決方案。
本期海克斯康直播講堂請到了嵐圖汽車科技有限公司整車輕量化仿真專家段文立，聯合海克斯康技術專家常誠為我們分享ODYSSEE基于機器學習應用于行人保護頭部碰撞仿真快速精確預測，通過實際案例從概念階段SFE-Concept參數化建模、機器學習快速預測行人保護頭碰加速度和HIC值、多學科優化平衡各性能矛盾等方面，為我們全面講解如何應用ODYSSEE應對當前挑戰。趕快預約報名吧！
2月28日 14:00
▲ 掃碼參與報名
立即預定
直播案例搶先看
市場競爭激烈和消費理念升級決定著汽車產品需要快速迭代，各大主機廠都在盡量壓縮整車研發周期，以期在更短的時間內開發出更加優秀的產品。消費端則隨著整體的消費升級，汽車由增量市場向存量市場轉化。安全作為一個重要的競爭點，包括主動安全和被動安全兩個方面。據歐盟國家統計，交通事故中行人的死亡率是乘員的9倍。而目前常見的較激進造型、貫穿式大燈、塑包鋼風道等以及鋁合金材料的應用，對行人保護的仿真和設計提出更多的挑戰。
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
小 結
本文主要以金屬成形過程的非線性幾何優化模擬為例，介紹了機器學習工具在非線性優化中的應用方法。可以看到，在前處理器Mentat中引入了新的AI/ML工具菜單及后臺集成后，為Marc/Mentat用戶在ODYSSEE-CAE等軟件工具中部署AI/ML提供了一種有效的方式，便于用戶對非線性模型進行優化分析。
設計仿真 | 基于ODYSSEE 的機器學習方法在汽車約束系統魯棒性分析中的應用
某乘用車駕駛員側約束系統模型
基于CNCAP管理規則（2021 版）中正面100%重疊剛性壁障碰撞物理試驗的車體加速度波形，對上述模型加載，提取碰撞仿真后假人頭、頸、胸、大腿、小腿各性能指標曲線庫作為輸出響應，指導約束系統關鍵零部件設計參數優化與標定。
設計試驗（DOE）
本文研究的設計變量為氣囊泄氣孔面積A，安全帶預緊時刻TTF-1和氣囊點爆時刻TTF-2。在ODYSSEE中通過拉丁超立方采樣方法進行DOE樣本點生成，并通過軟件特有算法提升樣本點在設計空間的均勻度。生成的25個DOE樣本點空間分布如圖2所示。
圖2. 25個DOE樣本點空間分布
機器學習模型搭建
基于上述DOE樣本點進行的碰撞仿真，采用機器學習模型構建設計變量與各個響應曲線的關系。基于R2精度評價標準，采用交叉驗證法對駕駛員側約束系統碰撞仿真結果進行機器學習算法尋優。結果表明，本征正交分解（POD）+Kriging方法在所有算法中精度最高。
圖3 (a) 機器學習模型搭建；(b) 機器學習模型精度對比
假人傷害魯棒性分析
假人傷害魯棒性分析需要大量碰撞仿真，利用上述訓練的高精度機器學習模型，能夠快速計算不同輸入參數下系統的各個響應曲線，大大提高工作效率。
使用蒙特卡洛方法進行數據的采樣，假定3個設計變量滿足均值為設計值，均方差為設計值3.3%的正態分布。
從圖4統計結果來看，在魯棒性分析中，假人總得分均值略高于設計值，如考慮可靠性優化設計（如6σ設計要求），約束系統關鍵零部件設計參數仍需進一步優化，以確保假人在物理試驗中得分滿足預設的星級開發目標。
圖4.
展開 ANSYS發布SeaHawk--率先將大數據和機器學習系統引入工程仿真領域
---實現電子設備低功耗和高性能的全新ANSYS SeaHawk軟件進軍移動設備、數據中心和物聯網（IoT）市場
ANSYS 已將先進計算機科學中的靈活計算、大數據和機器學習系統應用于以物理學科為基礎的工程仿真領域，為業界提供未來產品開發的一手信息。已經面市的第一代ANSYS?SeaScape?架構能夠讓企業用戶以比以往更快的速度實現產品創新。作為首款利用這一新平臺功能的產品，ANSYS? SeaHawk?能夠加速優化設計實現下一代芯片產品。
與工程仿真生成的海量數據相比，能夠有效利用在新產品設計上的數據量對于大多數組織機構而言簡直是九牛一毛。例如，一個集成電路中可以仿真的數據變量通常達數十億個。然而，目前高度專業化的工程超級計算資源仍未能滿足不斷精細化產品對仿真精準性的高標準。通過使用諸如靈活性計算和映射化簡之類的大數據技術，SeaScape為實現工程設計目標提供一個解決上述各種問題的基礎平臺。并且，SeaScape讓產品開發者在設計流程的早期就具備更全面的研究分析能力，從而在最短的時間內研發出創新產品。
ANSYS SeaHawk是基于SeaScape平臺生產的第一個產品，這大力推動了電子產品設計的轉型，實現擴大仿真覆蓋區域、縮短周轉時間、提高分析靈活性大數據技術與ANSYS高性能仿真能力的整合讓SeaHawk的用戶能夠盡可能縮小芯片尺寸，并降低能源消耗，而且無需犧牲產品性能，或受時間約束。SeaHawk的早期用戶們的芯片尺寸平均縮小了5%，因此節省了數百萬美元的生產成本。
“我很高興能夠見證ANSYS SeaHawk在性能上的大幅提升，并因此促進了工程仿真產業的轉型，使得用戶能夠不受限制自主優化并創新產品設計，”英特爾公司副總裁兼HPC平臺事業部總經理Charlie Wuischpard表示。
展開 設計仿真 | 馬恒達使用Adams與ODYSSEE機器學習構建頻率相關阻尼器準確預測行駛和操縱性能
如果沒有使用ODYSSEE CAE的Quasar求解器及其機器學習算法學習測試數據的能力，這項任務將非常繁瑣或完全不可能完成。
06
客戶評價
使用ODYSSEE的頻率相關阻尼器建模有助于探索MBD模擬中阻尼器特性的傳統建模之外的問題。這為我們引入更復雜的阻尼器特性并提高模擬模型的保真度提供了動力。
機器學習 遷移學習
1.深入了解神經網絡的組成、訓練和實現，掌握深度空間特征分布等關鍵概念；
2.掌握遷移學習的思想與基本形式，了解傳統遷移學習的基本方法，對比各種方法的優缺點；
3.握深度遷移學習的思想與組成模塊，學習深度遷移學習的各種方法；
4.掌握深度遷移學習的網絡結構設計、目標函數設計的前沿方法，了解遷移學習在PDA、Source-Free DA上的應用；
5.掌握深度遷移學習在語義分割、目標檢測、行人重識別等任務中的應用，學習圖像/視頻風格遷移方法，了解風格遷移在實際生活中的應用；
6.掌握小樣本學習、Transformer等前沿方法和基本思想，了解小樣本學習、Transformer等在實際場景下的應用；
7.通過實操掌握圖片視頻風格遷移，自動駕駛中的跨域語義分割，目標檢測。
老師：來自中國科學院計算技術研究所、清華大學、北京理工大學等科研機構和大學的高級專家，擁有豐富的科研及工程技術經驗，長期從事深度學習、遷移學習、計算機視覺等領域的教學與研究工作。
人員：各省市、自治區從事人工智能、機器學習、深度學習、遷移學習、計算機視覺、自然語言處理、語音識別、圖像處理、小樣本分析等領域相關的企事業單位技術骨干、科研院所研究人員和大專院校相關專業教學人員及在校研究生等相關人員，以及深度遷移學習廣大愛好者。
一、機器學習簡介與經典機器學習算法介紹
1.什么是機器學習？
2.機器學習框架與基本組成
3.機器學習的訓練步驟
4.機器學習問題的分類
5.經典機器學習算法介紹
目標：機器學習是人工智能的重要技術之一，詳細了解機器學習的原理、機制和方法，為學習深度學習與遷移學習打下堅實的基礎。
展開 機器學習與深度學習 ￥9.9
以下內容關于機器學習與深度學習的入門資料。
關于“人工智能與機器學習”python-深度學習
Python 機器學習與人工智能深度學習案例實踐——課程大綱（配備機器學習教材）
第
一
節
Python與TensorFlow
1．機器學習與數據挖掘的基本概念、聯系及區別
2．機器學習和大數據、人工智能及其他學科領域的關系
3．機器學習和深度學習的關系
4．機器學習方法的分類及本課程內容
（1）有監督學習：分類、回歸
（2）無監督學習：聚類
（3）強化學習
（4）半監督學習
5．機器學習應用的一般流程
（1）對象的表示
（2）訓練/學習
（3）測試/應用
6．機器學習的典型應用案例
（1）機器學習在自然語言理解領域的應用(機器翻譯、智能問答)
（2）機器學習在多媒體處理領域的應用
(人臉識別、視頻分析)
（3）機器學習在語音處理領域的應用(語
音識別、語音合成)
（4）機器學習在網絡安全領域的應用(入
侵檢測、惡意軟件識別)
（5）機器學習在互聯網上的應用(搜索引
擎、計算廣告、推薦系統)
代碼和案例實踐：
1.卷積與(指數)移動平均線
2.股票數據分析
3.缺失數據的處理
4.環境數據異常檢測和分析
第
二
節
回歸分析
1．線性回歸
（1）回歸的基本概念
（2）線性回歸
（3）對率(Logistic)回歸
（4）嶺(Ridge)回歸
（5）Lasso 回歸
（6）Elastic Net
2．Logistic/Softmax回歸
展開 
機器學習與深度學習簡述和工程案例展示
機器學習(Machine Learning)，是一門人工智能的科學，是通過用算法解析數據，不斷學習，對世界中發生的事做出判斷和預測的一項技術。
深度學習(Deep Learning)，是用于建立、模擬人腦進行分析學習的神經網絡，并模仿人腦的機制來解釋數據的一種機器學習技術。
人工智能、機器學習與深度學習的關系
工程應用中 機器學習與深度學習的主要區別有以下幾方面：
機器學習典型過程：
（1）首先在計算機中存儲歷史的數據。
（2）將這些數據通過機器學習算法進行處理，這個過程在機器學習中叫做“訓練”。
（3）處理的結果可以被我們用來對新的數據進行預測，這個結果一般稱之為“模型”。
（4）對新數據的預測過程在機器學習中叫做“預測”。
“訓練”與“預測”是機器學習的兩個過程，“模型”則是過程的中間輸出結果，“訓練”產生“模型”，“模型”指導 “預測”。
機器學習與人類思考的類比
深度學習的主要差異：
深度學習不需要我們去提取特征，而是自動地對數據進行篩選，自動地提取數據高維特征。如下圖所示，深度學習與機器學習中的監督學習一般方法相比，少了特征工程，節約了工程師們大量工作時間。
展開 人工智能的三個分支：認知、機器學習、深度學習
c) 部署
機器學習需要從計算機科學實驗室進入到軟件當中。越來越多像CRM、Marketing、ERP等的供應商，正在提高嵌入式機器學習或與提供它的服務緊密結合的能力。
◆◆ ◆
3) 深度學習(Deep Learning)
如果機器學習是前沿的，那么深度學習則是尖端的。這是一種你會把它送去參加智力問答的AI。它將大數據和無監督算法的分析相結合。它的應用通常圍繞著龐大的未標記數據集，這些數據集需要結構化成互聯的群集。深度學習的這種靈感完全來自于我們大腦中的神經網絡，因此可恰當地稱其為人工神經網絡。
深度學習是許多現代語音和圖像識別方法的基礎，并且與以往提供的非學習方法相比，隨著時間的推移具有更高的準確度。
希望在未來，深度學習AI可以自主回答客戶的咨詢，并通過聊天或電子郵件完成訂單。 或者它們可以基于其巨大的數據池在建議新產品和規格上幫助營銷。或者也許有一天他們可以成為工作場所里的全方位助理，完全模糊機器人和人類之間的界限。
人工智能通過在其上使用的數據規模來生存和改進，這意味著不但我們能夠隨著時間的推移看到更好的人工智能，而且它們的發展將會圍繞著那些可以挖掘最大數據集的組織。
來源于網絡
展開 MATLAB數據分析、圖形圖像處理、機器學習與深度學習培訓班
各企事業單位、高等院校及科研院所：
MATLAB是由美國MathWorks公司推出的一款應用于科學計算和工程仿真的交互式編程軟件，它有包羅萬象的工具箱和草稿紙式的編程語言，將符號計算、數值分析、矩陣計算、科學數據可視化、數據處理與機器學習、圖像處理、信號處理、計算金融學、計算生物學以及非線性動態系統的建模和仿真等諸多強大功能集成在一個易于使用的視窗環境中，為科學研究、工程設計以及必須進行有效數值計算的眾多科學領域提供了一種全面的解決方案。
為進一步推動高等院校、科研院所及企事業單位在科研研究工作的開展，特邀請清華大學教授共同舉辦“MATLAB數據分析、圖形圖像處理與機器學習”培訓班。我們已經在舉辦培訓班共二十期，一百余家企業、高校和科研院所參加了培訓班，共計培訓學員數百名。培訓班實實在在地提高了學員Matlab數據分析、圖形圖像處理、Simulink仿真、算法開發、機器學習與深度學習科研水平和解決實際科研問題能力，通過實際操作和訓練，讓學員們掌握了Matlab軟件使用的方法，獲得一致好評。具體事宜如下：
一、培訓目標
通過課程學習，理解并掌握MATLAB軟件編程語法，工具箱的使用，各種作圖技巧，包含二維圖、三維圖、地形圖、交互式編輯圖形、動畫制圖，并通過實例講解科學計算及其可視化；并學會使用常見的分析工具分析數據，為科學研究提供更可靠的數據分析能力；結合工程應用實例講解MATLAB優化建模與求解、Simulink建模與仿真；掌握Matlab算法開發、圖像處理、機器學習及深度學習等應用技巧與細節分析；能夠根據數據分布選擇合適的算法模型并書寫代碼，能夠使用MATLAB軟件解決一些實際的應用項目和科研問題。
二、培訓專家
清華大學教授，博士生導師，1998年畢業于西安交通大學信息與通信工程系，獲學士學位。
展開 AMD EPYC Genoa 9654雙路八卡深度學習，機器學習GPU服務器
<p>凌炫8路GPU服務器是一款支持雙路AMD EPYC 9004最大支持TDP400W處理器，雙12通道內存，支持8片雙寬GPU卡，助力于深度學習、機器學習領域。</p><div contenteditable="false" width="100%"><img src="https://img.jishulink.com/upload/202306/b042aa8169054b3c8f86fe0d67280f13.jpg" title="1.jpg" alt="1.jpg" style="max-width:760px;" data-mobile-src="https://img.jishulink.com/upload/202306/b042aa8169054b3c8f86fe0d67280f13.jpg?image_process=/format,webp/quality,q_40/resize,w_400" data-pc-src="https://img.jishulink.com/upload/202306/b042aa8169054b3c8f86fe0d67280f13.jpg?
展開 