數據建模平臺
關注創建者：匿名 創建時間：2021-12-10
數據建模平臺的視頻教程
基于EBSD實驗數據的晶體塑性有限元建模-更新方法
針對實驗測試ebsd數據，結合mtex，對ebsd數據進行清理，最終建立基于實驗ebsd結果的晶體塑性模型，并輸出inp文件。 附件中包含課件中作為例子的cft，以及主要的腳本程序。
￥300 25分鐘 491播放
查看
SHPB動態壓縮仿真的三維建模以及數據后處理教學
對SHPB動態壓縮實驗的理論基礎進行了系統的講解，建立了仿真的整體三維模型，并且使用lsdyna軟件對目前我們用的撞擊桿加載以及波形加載整個過程進行了模擬，通過LSPP對有限元模擬的結果進行了后處理，通過二次開發的SHPB數據處理軟件對提取出的原始數據進行處理，最終得到了試樣的部分動態力學性能參數，后續還會對處理得到的結果進行更深層次的分析。
￥49.9 47分鐘 3280播放
查看
數據建模平臺的實例教程
如何快速的從工業數據中建立模型，并將其作為知識進行積淀和應用，以提高自身業務的競爭力，是工業企業非常關注的話題。人工智能和數據挖掘技術的發展雖然一定程度上降低了數據建模的上手難度，但是建立高質量的模型并與自身工業具體場景的結合，仍然存在著一定的門檻。在此背景之下，南京天洑軟件有限公司通過多年自主研發，推出了數據建模平臺DTEmpower，致力于降低工業數據建模的門檻。通過在DTEmpower V1.0基礎之上深入研發，DTEmpower V2.0現正式發布！
圖 1 DTEmpower V2.0正式發布！
此次DTEmpower V2.0相對于V1.0主要具備6大亮點：
1）新增智能數據清理工具，異常點識別更精準；
2）針對工業設計小數據集的智能訓練算法；
3）在數據建模流程中方便的融合機理模型；
4）與天洑智能優化平臺AIPOD的無縫集成，輕松開展優化；
5）PHM擴展工具箱，搭配預警模型運行模塊，實現早期預警；
6）軟件優化，運行更穩定，使用更便捷。
展開 圖3 基于DTEmpower軟件平臺的燃料電池溫度分布建模流程和結果，方案采用AIAgent智能訓練算法用以擬合溫度隨位置的分布情況。DTEmpower僅使用5個位置點上的溫度就能完美（R2指標都在99%以上）擬合出剩余995個位置上的溫度，這為SOFC的溫度分布建模提供了高精度的數據模型支撐
案例總結
本案例基于DTEmpower數據建模平臺對SOFC的仿真數據集進行溫度分布建模：
對溫度分布的統計參數及其相關的重要參數，采用基于數據驅動的方法進行訓練和測試，對于大部分目標變量，基于AIAgent算法的模型R2指標（越接近1模型精度越高）在0.97以上；
對基于位置的溫度分布進行訓練預測，AIAgent智能訓練算法的模型R2指標（越接近1模型精度越高）均在0.99以上。這為燃料電池的可靠性的快速評估提供了強有力的數據模型支撐。
DTEmpower建模工具在SOFC溫度分布的建模分析中提供了一站式的數據建模解決方案，平臺提供了強大的數據挖掘、特征工程和模型自動學習等支撐技術，可以幫助用戶快速、便捷的構建精度較高的數據模型。
應用價值
1. 節省燃料電池溫度分布的建模時間
采用數據訓練的方式得到SOFC關鍵參數和溫度分布的高精度代理模型，用戶只需給定相應的輸入條件，即可在毫秒級的時間內得到輸出。這與小時級別的基于有限元分析的溫度分布的建模耗時相比，具有巨大優勢。
2. 強有力的溫度分布數據模型支撐
試驗中所得到的基于位置的溫度分布模型的R2指標在0.99以上，這為基于模型的溫度控制和燃料電池的快速評估提供強有力的數據模型支撐。
相關案例
圖4 燃料電池溫度分布示意圖
如對完整實施方案或相關軟件感興趣，可以聯系我們或申請軟件試用。
展開 這會增加用電量預測的建模難度。
2. 電網短期用電量既具有波動性又具有非線性特征，這會降低用電量的預測精度。
3. 傳統的用電量預測方法在挖掘種類多、體量大、緯度高和生成速度快的用電大數據時存在一定的局限性，難以準確把握用戶的用電量關聯因素及變化規律。
解決方案：基于DTEmpower的時序預測建模實戰
為了對用戶用電量進行精準預測，并為智能配用電提供數據模型支撐，本案例基于DTEmpower數據建模平臺中的時序預測功能模塊（如圖1），采用數據驅動的方法建立用戶用電量的預測模型（如圖2）。
圖1 DTEmpower不僅提供了一站式的數據建模解決方案，通過簡單的節點拖拽即可搭建完整的建模流程；還集成了ARIMA、SARIMA、TBATS等常見的時序預測算法，滿足用戶對時序預測建模需求的同時，掃清了數據驅動技術在實際工業應用中落地的一大障礙
圖2 基于DTEmpower的用戶用電量預測建模過程，通過5個節點的連接即可搭建完整的時序預測模型，最終模型對t+1時刻預測值的R2指標為94.27%
1. 【時序變量設定】節點可以設置時間變量、預測變量和外源變量三類：時間變量為時序模型的對應時間索引列，預測變量為時序模型用于預測的變量，外源變量為影響預測變量的其他變量。
2. 【時序預處理】節點完成對時序數據校驗：由于時序模型訓練算法對于數據集有比較嚴格的限制，如連續采樣且時間間隔均勻等，因此為了避免后續算法節點運行出錯，需要結合【時序預處理】節點對數據進行校驗和預處理。
應用價值
提前預知用戶用電量的變化
通過時序預測的方法，精確快速的預測用戶用電量的變化情況，為合理的電力輸送及調度提供模型支撐。
展開 解決方案：基于DTEmpower的輪轂強度分析建模實戰
為了對輪轂在不同載荷下的應力情況進行快速分析，快速判斷輪轂結構的可靠性，本案例基于DTEmpower數據建模平臺，采用數據驅動的方法建立輪轂載荷和輪轂應力之間高精度的回歸模型，為輪轂的強度分析提供代理模型支撐。
輪轂強度分析建模試驗1
1. 數據集介紹：根據客戶提供的計算程序，結合AIPOD中的智能采樣功能生成輪轂強度數據集。數據集的3維輸入表示輪轂上的三個扭矩，5維輸出表示五個節點的應力。目標是得到輸入輸出變量之間的映射關系；
2. 建模方法和結果：圖1所示的建模方法采用了GBDT、隨機森林和AIAgent等多種算法進行回歸分析，最終選取精度最高的模型；
圖1 基于DTEmpower軟件平臺的輪轂強度分析建模流程和結果。首先利用AIPOD的智能采樣功能計算生成數據集，然后在DTEmpower中進行建模分析
3. 建模結果分析：結合DTEmpower數據建模工具，使用 AIAgent擬合輸入輸出變量之間的映射關系，可使模型的R2指標達到99%以上，優于其他訓練算法。
輪轂強度分析建模試驗2
1. 數據集介紹：某頭部風機制造商提供的結構應力評估數據集，含有15維輸入，為5個測點在三個方向上的載荷；輸出為9個測點的應力，共27維。數據集中有2400個樣本，目標是快速評估測點的結構應力；
2. 建模方法和結果：圖3所示的建模方法在試驗1的基礎上綜合使用了ROD、MDI/MDA等數據和特征的預處理技術。然后在不同的實驗條件下對比模型的評價指標。其中ROD是一種基于回歸分析并搭配使用天洑軟件自研的tf_accuracy作為評價指標的異常點檢測方法。
展開 二、AIAgent升級，代理精度更高、穩定性更好
AIAgent可通過與計算流程的連接，進行數據智能采樣，通過天洑自研的機器學習算法，進行代理模型的訓練，為優化設計加速助力。AIAgent中的機器學習算法來自于天洑數據建模平臺，其核心是天洑自研的超參學習框架，相較于傳統響應面、Kriging模型，AIAgent針對復雜問題表征能力更強、數據集需求量更低、使用門檻更低，而且訓練得到的模型可導出，可復用，可作為企業的核心知識進行管理，提升企業快速優化設計的能力。通過天洑數據建模平臺的賦能，AIAgent的代理精度得到了進一步的提高，訓練的模型穩定性更好，助力快速獲得更好的優化結果。
*AIAgent一鍵構建可復用的高精度代理模型
三、與天洑數據建模平臺無縫集成
工業企業擁有大量的仿真、實驗和實際運行數據，通過數據挖掘技術，用戶可以建立數據的相關關系，并希望將其方便的用于產品的優化設計中。針對這一需求，AIPOD V2.0建模工具箱中增加了DT節點，用戶可以在設計計算流程中一鍵導入天洑數據建模平臺建立的數據挖掘模型，并且可以和腳本、可執行程序進行耦合，實現任意復雜的設計計算流程的搭建。之后便可以借助于SilverBullet算法，進行優化設計。
*一鍵導入數據挖掘模型，耦合建模，進行優化
四、內核優化，軟件運行更穩定
“占用資源高，軟件易崩潰”是眾多軟件產品面臨的一個重要問題。AIPOD采用多進程架構，主進程負責人機交互和任務管理，所有任務都運行在獨立的進程中，保證主進程的穩定運行；主進程實時監測各任務進程的運行情況，及時關閉異常進程，釋放系統資源。AIPOD V2.0對該架構進行了大量細節優化，進行了多處功能增強，如閑置進程智能回收功能，任務中止自定義功能。
展開 
數據建模平臺的相關專題、標簽、搜索
數據建模平臺的最新內容
《使用R的線性回歸：數據建模導論，第二版》以非正式教程風格呈現了基礎數據建模技術之一。學習如何通過詳細的逐步流程預測測量數據的系統輸出，以開發、訓練和測試可靠的回歸模型。關鍵建模和編程概念通過R語言直觀描述。
Deep Learning with PyTorch Quick Start Guide: Learn to train and deploy neural
T型槽試驗平臺口碑報告：精度如何做到“穩如定海神針”？
在工業試驗、檢測場景中，T型槽試驗平臺的口碑核心，永遠繞不開“精度穩定”四個字。翻遍行業用戶反饋，“用了3年精度沒偏差”“重載試驗數據零漂移”“3個月前
T型槽試驗平臺口碑報告：精度如何做到“穩如定海神針”？
在工業試驗、檢測場景中，T型槽試驗平臺的口碑核心，永遠繞不開“精度穩定”四個字。翻遍行業用戶反饋，“用了3年精度沒偏差”“重載試驗數據零漂移”“振動環境下依然穩”等評價高頻出現，不少用戶直言其精度“穩如定海神針”。但也有新手疑惑：同樣是T型槽平臺，為何有的用半年就精度失效，有的卻能長期穩定？結合海量用戶口碑與技術拆解，揭秘其精度久穩定的核心秘密
本項目客戶為國內一所智能駕駛為核心研究方向的高校科研團隊。團隊長期聚焦于自動駕駛感知、定位與系統級驗證研究，同時承擔研究生教學與科研平臺建設任務。 在科研與教學并行推進的背景下，客戶希望構建一套可持續擴展、可復用的自動駕駛數據采集與數字孿生測試平臺，支撐從真實道路采集到高保真仿真驗證的完整研究鏈路。
在此背景下，康謀為其提供了數采車系統、無人駕駛車輛集成方案以及數字孿生仿真服務，幫助客戶打通“
T型槽試驗平臺：重載工況下的“定海神針”，穩到讓振動“自閉”
在重型機械試驗、大型工件檢測、重載設備校準等場景中，“穩”是核心訴求——一旦平臺出現輕微晃動或振動，不僅會導致試驗數據失真、檢測結果偏差，3個月前
T型槽試驗平臺：重載工況下的“定海神針”，穩到讓振動“自閉”
在重型機械試驗、大型工件檢測、重載設備校準等場景中，“穩”是核心訴求——一旦平臺出現輕微晃動或振動，不僅會導致試驗數據失真、檢測結果偏差，還可能引發工件移位、設備損壞等安全隱患。而T型槽試驗平臺，正是重載工況下的“定海神針”，憑借硬核的結構設計與材質特性，能實現穩振效果，甚至穩到讓重載運行產生的振動“無從下手、主動自閉”。
T型槽試驗平臺精度評測：實測數據解析，如何做到“穩如老狗”
在重載試驗、檢測等場景中，T型槽試驗平臺的精度穩定性直接決定試驗數據的可靠性。很多用戶在選型時，僅關注廠家標注的精度等級，卻忽略了實際工況下4個月前
T型槽試驗平臺精度評測：實測數據解析，如何做到“穩如老狗”
在重載試驗、檢測等場景中，T型槽試驗平臺的精度穩定性直接決定試驗數據的可靠性。很多用戶在選型時，僅關注廠家標注的精度等級，卻忽略了實際工況下的精度表現。本文結合實測案例，拆解T型槽試驗平臺的核心精度評測維度，通過數據解析其精度保持邏輯，同時揭秘平臺實現“穩如老狗”穩定性的關鍵技術，為選型和使用提供實操參考。
先明確核心前提
天洑智能數據建模軟件DTEmpower在2025R2版本基礎上，新增大量更新和Bug修復，持續提升軟件性能，改善用戶體驗。
現DTEmpower 2025R3版已正式上線天洑軟件官網，歡迎下載體驗！
R3版本主要更新：
一、新增趨勢分析功能
數據管理模塊新增時間序列分析板塊，可從中進入趨勢、突變分析功能。該功能內置曼肯德爾檢驗等分析方法，專門用于檢驗時間序列數據中的趨勢特征，適配于金融
跨平臺光學建模與設計5個月前
VLF和Python的跨平臺仿真
物理光學軟件VirtualLab Fusion構建了一個可組合不同的內置和自定義場解算器的平臺，實現了快速的物理光學仿真和設計，并嵌入了光線追跡。這種多解算器的概念使跨平臺方法成為了可能，即可從外部訪問VirtualLab Fusion。在兩個例子中，我們演示了與Matlab和Python的交互。 通過這種方式，可以使用來自其他程序或編程語言的工具和算法來擴展模擬
使用VirtualLab Fusion和Python進行跨平臺光學建模和設計
在我們的第三個“最佳”新聞中，我們重點介紹跨平臺光學建模和設計。
復雜光學系統的建模和設計通常需要同時使用多個軟件包。我們演示了如何使用Python訪問VirtualLab Fusion中的場求解器，以及如何從ZemaxOpticStudio
復雜光學系統的建模和設計通常需要同時使用多個軟件包。我們演示了如何使用Python訪問VirtualLab Fusion中的場求解器，以及如何從ZemaxOpticStudio?導入具有完整三維位置和材料（玻璃）信息的光學系統。
在我們的第三個“最佳”新聞中，我們重點介紹跨平臺光學建模和設計。
使用VirtualLab Fusion和Python進行跨平臺光學建模和設計
NEWS
Altair 數據分析與 AI 平臺 Altair? RapidMiner? 迎來重大更新。此次更新旨在幫助企業實現智能運營，在統一生態系統中打通人員洞察、數據自動化與智能體 AI 協作的壁壘。
最新更新進一步強化了Altair 的數據分析與 AI 生態系統，助力企業構建兼具可擴展性、可信賴的智能數據環境。
