數(shù)據(jù)模型的案例
如何將CATIA小螞蟻圖片logo轉(zhuǎn)換成CATIA 3D數(shù)據(jù)模型？
今天講一下如何將簡單圖片 轉(zhuǎn)換成CATIA 3D數(shù)據(jù)模型。具體步驟如下：
-第一步，準(zhǔn)備好你要轉(zhuǎn)換的圖片：
-第二步，這種圖片都是位圖，一般格式都是jpg，png之類的，我們需要將他們轉(zhuǎn)換成矢量圖（需要轉(zhuǎn)成CATIA支持的dxf格式），可以用一些位圖轉(zhuǎn)矢量圖的軟件，這里用的是contour trace軟件，大家可以直接網(wǎng)上下載，當(dāng)然需要簡單的軟件操作處理能力，處理完成之后，如下圖片所示, 將其另存為CATIA支持的dxf格式矢量圖。
-第三步，用CATIA軟件打開上一步轉(zhuǎn)出的dxf文件，并對其視圖輪廓進(jìn)行復(fù)制，(此后的操作方法可以參考CATIA500個小技巧第一節(jié)：如何在CATIA 3d實體上刻字)
-第四步，新建一個Part文件并創(chuàng)建草圖，將從CATdrwing復(fù)制過來的內(nèi)容粘貼到草圖中，檢查一下草圖的質(zhì)量并對草圖進(jìn)行一定的光順處理，無問題后對其進(jìn)行拉伸即可得到如下模型。
其他的一些簡單輪廓繪制，如下所示
各位小伙伴 現(xiàn)在學(xué)廢了嗎？如何將一張簡單的圖片轉(zhuǎn)換成CATIA 數(shù)據(jù)模型？
如果大家感覺還不錯，請點贊并轉(zhuǎn)發(fā)吧，祝老鐵大吉大利。
文章來源：CATIA小螞蟻
展開 【CAE案例】數(shù)據(jù)同化在一維水動力洪峰預(yù)報模型中的應(yīng)用
模型結(jié)果
全局模型分別在無數(shù)據(jù)同化（free run）和有數(shù)據(jù)同化（DA）兩種情況下運行，得出的結(jié)果表明了將數(shù)據(jù)同化應(yīng)用到洪水預(yù)報中的益處。表1總結(jié)對比了10次洪水事件中，無數(shù)據(jù)同化和有數(shù)據(jù)同化兩個模型在每個觀測站的最大預(yù)見期（預(yù)見期越長，當(dāng)局開展應(yīng)急處理的時間越充分）內(nèi)計算得到的平均納什系數(shù)（Nash-Sutcliffe coefficient）。其中納什系數(shù)是衡量模型結(jié)果好壞的標(biāo)準(zhǔn)，當(dāng)納什系數(shù)的值接近1時，表示模型質(zhì)量好，結(jié)果可信度高；值接近0時，表示模擬結(jié)果接近觀測值的平均值水平，即總體結(jié)果可信，但過程模擬誤差大；值遠(yuǎn)遠(yuǎn)小于0時，則模型是不可信的。經(jīng)過對比可以得知，使用數(shù)據(jù)同化后，模型的質(zhì)量得到了顯著提升。
展開 25針對西班牙風(fēng)場數(shù)據(jù)進(jìn)行風(fēng)場風(fēng)速預(yù)測和功率預(yù)測，也可根據(jù)自己的數(shù)據(jù)帶入模型進(jìn)行結(jié)果分析。 ￥100
針對西班牙風(fēng)場數(shù)據(jù)進(jìn)行風(fēng)場風(fēng)速預(yù)測和功率預(yù)測，也可根據(jù)自己的數(shù)據(jù)帶入模型進(jìn)行結(jié)果分析。程序所用算法包括花授粉優(yōu)化算法（FPA）優(yōu)化BP，優(yōu)化ELM,進(jìn)行預(yù)測，先對數(shù)據(jù)進(jìn)行VMD或EEMD,CEEMDAN等方法分解，然后進(jìn)行輸入模型預(yù)測。模型以調(diào)通，可直接運行。基于matlab平臺。標(biāo)價為程序價格，不包含售后。
25針對西班牙風(fēng)場數(shù)據(jù)進(jìn)行風(fēng)場風(fēng)速預(yù)測和功率預(yù)測，也可根據(jù)自己的數(shù)據(jù)帶入模型進(jìn)行結(jié)果分析。 ￥100
針對西班牙風(fēng)場數(shù)據(jù)進(jìn)行風(fēng)場風(fēng)速預(yù)測和功率預(yù)測，也可根據(jù)自己的數(shù)據(jù)帶入模型進(jìn)行結(jié)果分析。程序所用算法包括花授粉優(yōu)化算法（FPA）優(yōu)化BP，優(yōu)化ELM,進(jìn)行預(yù)測，先對數(shù)據(jù)進(jìn)行VMD或EEMD,CEEMDAN等方法分解，然后進(jìn)行輸入模型預(yù)測。模型以調(diào)通，可直接運行。基于matlab平臺。標(biāo)價為程序價格，不包含售后。
25針對西班牙風(fēng)場數(shù)據(jù)進(jìn)行風(fēng)場風(fēng)速預(yù)測和功率預(yù)測，也可根據(jù)自己的數(shù)據(jù)帶入模型進(jìn)行結(jié)果分析。 ￥150
針對西班牙風(fēng)場數(shù)據(jù)進(jìn)行風(fēng)場風(fēng)速預(yù)測和功率預(yù)測，也可根據(jù)自己的數(shù)據(jù)帶入模型進(jìn)行結(jié)果分析。程序所用算法包括花授粉優(yōu)化算法（FPA）優(yōu)化BP，優(yōu)化ELM,進(jìn)行預(yù)測，先對數(shù)據(jù)進(jìn)行VMD或EEMD,CEEMDAN等方法分解，然后進(jìn)行輸入模型預(yù)測。
ProE和UG之間三維模型數(shù)據(jù)交換方法
ProE和UG之間三維模型數(shù)據(jù)交換方法<BR><Font color=#FF0000><B>.PS.:</B>該帖附件于2006-09-24 19:32:54被malong評為5星級，為發(fā)貼者加分100。</Font><BR><Font color=#FF0000><B>點評:</B></Font>
ProE和UG之間三維模型數(shù)據(jù)交換方法.pdf
ProE二次開發(fā)中外部數(shù)據(jù)庫訪問及模型尺寸驅(qū)動
ProE二次開發(fā)中外部數(shù)據(jù)庫訪問及模型尺寸驅(qū)動<BR><Font color=#FF0000><B>.PS.:</B>該帖附件于2007-06-29 21:41:44被藍(lán)狐評為3星級，為發(fā)貼者加分60。</Font><BR><Font color=#FF0000><B>點評:</B></Font>
附件地址：
開發(fā)中外部數(shù)據(jù)庫訪問及模型尺寸驅(qū)動.rar
ProE二次開發(fā)中外部數(shù)據(jù)庫訪問及模型尺寸驅(qū)動.pdf
展開 基于大數(shù)據(jù)模型的數(shù)字孿生建模方法
本文來自：智造苑
隨著大數(shù)據(jù)、云計算等技術(shù)的高速發(fā)展，促進(jìn)了人工智能技術(shù)的革命性進(jìn)步，為數(shù)字孿生的建模提供了新的手段，指出了新的方向。采用大數(shù)據(jù)建模的方法，通過黑盒建模的方式，構(gòu)建輸入和響應(yīng)之間的關(guān)聯(lián)關(guān)系模型，由于數(shù)據(jù)的輸入和響應(yīng)是實際的數(shù)據(jù)，因此模型可以更準(zhǔn)確地逼近物理世界，可以實現(xiàn)更準(zhǔn)確的建模。需要指出，大數(shù)據(jù)模型并不是對物理模型的替代，而是對物理模型的良好補(bǔ)充。
1. 大數(shù)據(jù)建模的關(guān)鍵技術(shù)
大數(shù)據(jù)建模主要的關(guān)鍵技術(shù)包括工業(yè)大數(shù)據(jù)預(yù)處理技術(shù)、工業(yè)大數(shù)據(jù)可視化分析技術(shù)、工業(yè)大數(shù)據(jù)標(biāo)記技術(shù)、特征工程技術(shù)和人工智能技術(shù)。
1）工業(yè)大數(shù)據(jù)預(yù)處理技術(shù)
本節(jié)的工業(yè)大數(shù)據(jù)的預(yù)處理技術(shù)區(qū)別于數(shù)據(jù)搜集時的數(shù)據(jù)清洗技術(shù)，數(shù)據(jù)清洗技術(shù)面向的是大數(shù)據(jù)中存在的錯誤數(shù)據(jù)、冗余數(shù)據(jù)和異常點，而本文所述的工業(yè)大數(shù)據(jù)技術(shù)則是在數(shù)據(jù)清洗以后進(jìn)行的數(shù)據(jù)預(yù)處理工作，其目標(biāo)是從高質(zhì)量的數(shù)據(jù)中，提取出與目標(biāo)問題相關(guān)的分量，其主要手段為濾波。
濾波的主要方法有滑動平均濾波、IIR和FIR濾波器濾波、基于小波分析的濾波和基于EMD的濾波方法。
滑動平均的濾波方法的本質(zhì)是通過平均實現(xiàn)低通濾波，將波形加以平滑，減少信號中的高頻振蕩成分，其優(yōu)點是對相位保持的較好，而缺點則是沒有針對具體的頻帶進(jìn)行濾波。
IIR和FIR濾波器則是設(shè)計脈沖響應(yīng)函數(shù)的頻響特性，進(jìn)行特定頻段的濾波，可以實現(xiàn)頻段的精準(zhǔn)分離，包括低通濾波器、高通濾波器、帶通濾波器和帶阻濾波器，其缺點是會影響原始信號的相位，這對原始信號相位有要求的分析需要謹(jǐn)慎使用。
展開 成功案例丨開發(fā)時間從1小時縮短到3分鐘：如何利用歷史數(shù)據(jù)訓(xùn)練AI模型，預(yù)測設(shè)計性能？
</p><p><br></p><p><br></p><p><strong>Altair解決方案</strong></p><p>Hero 選擇了Altair<sup>?</sup> PhysicsAI?，這是一項強(qiáng)大的幾何深度學(xué)習(xí)技術(shù)，能夠利用歷史數(shù)據(jù)訓(xùn)練AI模型，并在傳統(tǒng)FEA方法所需時間的一小部分內(nèi)生成物理預(yù)測結(jié)果。PhysicsAI的工作流程已無縫集成到仿真與設(shè)計平臺 Altair<sup>?</sup> HyperWorks<sup>?</sup>中，這使得Hero的所有用戶，無論技能水平如何，都能輕松將這一解決方案融入現(xiàn)有流程。</p><p><br></p><p>為了充分利用PhysicsAI，Hero首先將現(xiàn)有數(shù)據(jù)分為訓(xùn)練集和測試集：訓(xùn)練集用于基于歷史仿真數(shù)據(jù)訓(xùn)練機(jī)器學(xué)習(xí)模型，測試集則用于評估和量化AI模型的預(yù)測準(zhǔn)確性。由于Hero的產(chǎn)品線涵蓋多種車型（如運動型摩托車、探險摩托車、通勤摩托車和巡航車等），團(tuán)隊使用了多樣化的把手數(shù)據(jù)集，以確保AI模型能夠生成準(zhǔn)確的結(jié)果。</p><p><br></p><p>數(shù)據(jù)分割和模型訓(xùn)練是AI驅(qū)動工程流程中的關(guān)鍵步驟。Hero采用了典型的80/20數(shù)據(jù)分割方式，即80%的數(shù)據(jù)用于模型訓(xùn)練，20%的數(shù)據(jù)用于預(yù)測評估。項目團(tuán)隊從24個數(shù)據(jù)集中選擇了30種把手變體進(jìn)行訓(xùn)練。訓(xùn)練完成后，他們使用剩余的6個把手數(shù)據(jù)集對AI模型進(jìn)行了測試，并通過將傳統(tǒng)FEA結(jié)果與AI生成的預(yù)測結(jié)果進(jìn)行對比來評估準(zhǔn)確性。對比顯示，兩者的偏差僅為3%，這證明了PhysicsAI能夠在極短時間內(nèi)提供與傳統(tǒng)FEA相媲美的精確預(yù)測。
展開 Abaqus-利用python處理有多個instances的odb文件，得到inp模型數(shù)據(jù)用于前處理
很多情況下需要得到該odb模型數(shù)據(jù)，并將其導(dǎo)入hypermesh進(jìn)行前處理。如果直接從abaqus中得到odb模型數(shù)據(jù)的inp輸入導(dǎo)入到hypermesh中，會有重合節(jié)點和單元報錯，然而利用python可以解決該問題。
巧妙轉(zhuǎn)換ProENGINEER與ANSYS間的模型數(shù)據(jù)！！
由于ANSYS的三維建模能力太差，給廣大的工程人員帶來的極大地不便，使用其他的三維軟件建模成為了一個有益的補(bǔ)充，ANSYS擁有和大部分三維軟件的接口，使用起來也比較方便，在此共享“巧妙轉(zhuǎn)換ProENGINEER與ANSYS間的模型數(shù)據(jù)”的文章
基于ProE與ANSYS的CADCAE數(shù)據(jù)交換方法研究.pdf
利用超彈性實驗數(shù)據(jù)進(jìn)行平面密封模擬（Mooney-Rivlin 超彈性模型） ￥3
經(jīng)過一系列數(shù)據(jù)擬合試驗表明，對于該材料試驗數(shù)據(jù)，雙參數(shù)“Mooney-Rivlin超彈性模型”擬合數(shù)據(jù)的效果優(yōu)于其他模型，決定采用雙參數(shù)Mooney-Rivlin模型。
本教程中使用的單位制是“美國習(xí)慣用單位 (in-lbm-lbf-s)”。
步驟 1：概述
汽車工業(yè)車門上的密封件。密封件是一條長條橡膠，將被建模為平面應(yīng)變問題。進(jìn)行了一系列材料測試，包括單軸拉伸試驗、雙軸拉伸試驗和剪切試驗。
經(jīng)過一系列數(shù)據(jù)擬合試驗表明，對于該材料試驗數(shù)據(jù)，雙參數(shù)“Mooney-Rivlin超彈性模型”擬合數(shù)據(jù)的效果優(yōu)于其他模型，決定采用雙參數(shù)Mooney-Rivlin模型。
第 2 步：設(shè)置
在 ANSYS Workbench 主菜單上拖放靜態(tài)結(jié)構(gòu)分析：
步驟3：工程數(shù)據(jù)（材料模型）
本教程最重要的部分是創(chuàng)建和定義材料數(shù)據(jù)。
創(chuàng)建一個名為“橡膠”的新材料：
擴(kuò)展超彈性實驗數(shù)據(jù)，將單軸測試數(shù)據(jù)、雙軸測試數(shù)據(jù)和剪切測試數(shù)據(jù)添加到創(chuàng)建的材料模型中：
單軸測試數(shù)據(jù)參數(shù)：
雙軸測試數(shù)據(jù)參數(shù)：
剪切試驗數(shù)據(jù)參數(shù)：
展開超彈性并將“Mooney-Rivlin 雙參數(shù)模型”測試數(shù)據(jù)添加到創(chuàng)建的材料模型中：
選擇“曲線擬合”，然后選擇“求解曲線擬合”：
再次右鍵單擊“曲線擬合”，并選擇“將計算值復(fù)制到屬性”：
點表示測試數(shù)據(jù)，線表示“雙參數(shù) Mooney-Rivlin 模型”擬合的曲線。
展開 Bert模型微調(diào)---產(chǎn)生自己的訓(xùn)練數(shù)據(jù)模型
1 引言
盡管已經(jīng)發(fā)展出許多預(yù)訓(xùn)練模型，但正如過去試驗看到的一樣，這些預(yù)訓(xùn)練模型還不能真正滿足我們巖土工程專業(yè)的需要，為了真正達(dá)到我們的目的，必須在預(yù)訓(xùn)練模型的基礎(chǔ)上微調(diào)出我們自己的模型GeotechSet，之所以長時間沒有這樣做，其中一個主要原因是考慮到時間問題，以我目前的硬件配置，訓(xùn)練出一個新的模型需要好幾個小時(下面例子的模型訓(xùn)練用了大約50分鐘，訓(xùn)練數(shù)據(jù)1.3M)。這個筆記簡要總結(jié)了微調(diào)模型的過程，檢驗了訓(xùn)練出來的模型是否可用。
2 訓(xùn)練模型
微調(diào)代碼保存在training_stsbenchmark.py中，訓(xùn)練數(shù)據(jù)集保存在datasets文件夾內(nèi)。
預(yù)訓(xùn)練模型可以選擇任意的Transformers模型，例如Bert，RoBERTa，XLNet, XLM-R，DistilBERT等(bert-base-uncased, roberta-base, xlm-roberta-base，bert-base-cased)。
展開 伊頓（Eaton）應(yīng)急照明系列CAD模型免費下載 BIM產(chǎn)品數(shù)據(jù)
針對該問題，CADENAS為Eaton提供了有效的解決方案：借助BIMcatalogs.net為Eaton在同一個三維模型數(shù)據(jù)庫中創(chuàng)建BIM產(chǎn)品數(shù)據(jù)，從而大幅簡化了數(shù)據(jù)的維護(hù)和更新工作，制造商和規(guī)劃人員之間的數(shù)據(jù)共享也將貫穿整個BIM流程。
從數(shù)據(jù)到模型：實現(xiàn)自動駕駛高效感知
數(shù)據(jù)合成紅綠燈識別
數(shù)據(jù)合成是強(qiáng)有力的增加訓(xùn)練數(shù)據(jù)的方法，低成本合成帶標(biāo)簽的數(shù)據(jù)可大大提升模型訓(xùn)練效率，降低模型部署成本。
針對數(shù)據(jù)難以收集的閃爍的紅綠燈（出現(xiàn)短時，且往往在臨時設(shè)置的紅綠燈上）識別，下圖展示了輕舟智航團(tuán)隊使用的生成模型框架：
紅綠燈生成算法框架
其特點有：
1）通過在輸入端加入class embedding，在loss上加入classification loss，將經(jīng)典的unconditional generation，擴(kuò)展到conditional generation，實現(xiàn)可控的圖像生成。生成類別紅燈、綠燈、黃燈，是程序可控制的，無需人工檢查、標(biāo)注。
2）通過style mixing和masking操作，可以很好地將一個亮的紅綠燈狀態(tài)轉(zhuǎn)成滅的狀態(tài)，將亮燈和滅燈組合在一起，就可以生成大量的閃爍的紅綠燈的數(shù)據(jù)，而且閃爍頻率也是可以控制的。
3）上述masking 操作可以讓程序非常方便的獲取燈體的bounding box，這可以將紅綠燈分類的任務(wù)轉(zhuǎn)變成檢測的任務(wù)，對于相距較近的紅綠燈的識別很有幫助，因為此時僅使用分類模型會造成混亂。
合成結(jié)果示例
實驗證明，將上述方法大量合成的閃爍的紅綠燈與真實標(biāo)注的數(shù)據(jù)一同加入模型訓(xùn)練，可以大幅度提升紅綠燈識別的性能。
自監(jiān)督學(xué)習(xí)點云運動狀態(tài)
自動駕駛汽車的運動狀態(tài)估計是一個非常重要的課題，實時理解各種交通參與者的運動，對于各個技術(shù)模塊來說都非常重要，涉及諸多任務(wù)，如檢測、跟蹤、預(yù)測、規(guī)劃等。
展開 