DEP AIWorks

Aerodinámica/Drenaje

Colisión/Impacto lateral

Carrocería con reducción de ruido y vibraciones

Completado a nivel mundial

Todas las cifras de precisión se validaron con datos de simulación de clientes reales, no con conjuntos de datos de referencia. La puntuación de equivalencia proporciona un nivel de confianza para cada predicción antes de que cualquier resultado de IA se utilice en una decisión de diseño.

Las redes neuronales basadas en la física (PINN) reemplazan las costosas ejecuciones de solucionadores. Se entrenan para cada caso de carga con ecuaciones físicas (Navier-Stokes, ecuaciones de elementos finitos y LES) integradas directamente en la función de pérdida de entrenamiento. Predicen escalares, curvas de historial temporal y contornos de campo 3D completos. Ofrecen un error de predicción inferior al 3 % en la resistencia aerodinámica y la rigidez de la carrocería, y un R² superior al 95 % en respuestas de colisión altamente no lineales. Una puntuación de equivalencia valida la confianza del modelo de IA antes de que cualquier predicción se utilice en una decisión de diseño.

Inteligencia artificial para el reconocimiento de características geométricas en ensamblajes complejos: identifica automáticamente nervaduras, salientes, filetes, soldaduras por puntos, soldaduras MIG, agujeros y bridas directamente en modelos de elementos finitos. Convierte las características reconocidas en manejadores paramétricos inteligentes, lo que permite la creación rápida de nuevos diseños y la generación de conceptos asistida por IA sin necesidad de recurrir a CAD. Impulsa la creación masiva de datos de entrenamiento para flujos de trabajo de IA posteriores. Admite geometrías de ensamblaje para fundición, estampado, moldeo por inyección y soldadura.

La geometría generativa impulsada por IA se combina con la predicción instantánea. Modifique una forma CAD mediante la transformación (cambie el ángulo de un alerón, la curvatura del techo o el perfil de un panel) y reciba una respuesta de rendimiento inmediata predicha por IA, sin necesidad de remallado ni espera en el solucionador. Resultados en segundos. Incluye la generación automatizada de submodelos para la iteración de diseño local, la creación de topología generativa a nivel de malla (piezas nuevas sin volver al CAD) y la creación de gemelos digitales mediante el mapeo de datos de escaneo de fabricación (incluida la geometría, la variación de espesor, la pre-tensión y la distorsión) en modelos de elementos finitos nominales para una simulación fiel al estado de fabricación.

Agentes de simulación autónomos que orquestan flujos de trabajo CAE completos y multietapa sin supervisión constante del ingeniero. La IA agente dirige de forma inteligente las tareas entre solucionadores físicos y modelos sustitutos de IA en función de los requisitos de ejecución y la disponibilidad de modelos de IA entrenados. Entre sus capacidades se incluyen la orquestación de múltiples solucionadores, bucles de optimización nocturnos autónomos, sincronización de variables multidisciplinares en análisis de colisiones, NVH, rigidez y CFD, y la generación automática de informes 3D integrados al finalizar el flujo de trabajo. El ingeniero mantiene el control y la IA agente actúa como copiloto.

Cada cifra se ha comparado con ejecuciones de solucionadores de producción, no con conjuntos de datos seleccionados.

Múltiples configuraciones de carrocería. Flujo externo de todo el vehículo

Precisión de la predicción frente a la línea base del solucionador

Casos de carga de la carrocería. Múltiples arquitecturas de vehículos (más de 90 variantes)

Precisión de la predicción frente a la línea base del solucionador

Historial de aceleración del pilar B en función del tiempo. Múltiples trayectorias de carga

Coeficiente de correlación frente a ejecución completa del solucionador

Múltiples configuraciones de techo con diferentes distancias entre ejes. Carrocería recortada

Predicción de frecuencia frente a la línea base del solucionador

Genere cientos de variantes listas para simulación a partir de una línea base, sin necesidad de recurrir a CAD

• Las modificaciones paramétricas de elementos finitos, la transformación y el modelado conceptual crean diversas variantes de geometría, espesor y material a nivel de malla.

• ROM procesa la población de variantes rápidamente, reduciendo el tiempo de resolución de días a horas, y alimenta un rico conjunto de datos de entrenamiento de IA.

• La eficacia de cualquier modelo de IA depende de la calidad de sus datos de entrenamiento, y la mayoría de las organizaciones no disponen de suficientes.

• Otras plataformas dan por sentado que el flujo de datos ya está resuelto. AIWorks lo construye.

  
  
  

Más de 250 modelos de colisión a partir de un único vehículo base, sin necesidad de reelaboración CAD.

Mapea estadísticamente la geometría, el grosor y los resultados en cientos de modelos, antes de que comience el entrenamiento

• La tecnología patentada de voxelización escanea robóticamente todas las variantes y las ubica en un espacio 3D común: la geometría, el grosor, el material y los datos de resultado se mapean estadísticamente.

• Revela la inteligencia de diseño de causa y efecto en toda la población (entradas y salidas) sin cargar archivos individuales en la memoria.

• Cargar 100 modelos de solucionadores de forma convencional es imposible

• La calidad del modelo de IA se determina aquí, antes de que se ejecute una sola época de entrenamiento.

  
  
  

La única plataforma con un motor de análisis estadístico del espacio de diseño como paso de preentrenamiento nativo.

La física está integrada en la función de pérdida de entrenamiento (ecuaciones de elementos finitos, Navier-Stokes, LES), no se añade posteriormente

• Arquitecturas de redes neuronales separadas para cada clase de problema: ligeramente, moderadamente y altamente no lineales, cada una con ecuaciones físicas coincidentes en la función de pérdida.

• Adaptable a cada caso de carga. La puntuación de equivalencia se calibra durante el entrenamiento para establecer el límite de confianza del modelo antes de su implementación.

• El aprendizaje automático estándar extrapola a ciegas más allá de los datos de entrenamiento, lo que supone un fallo silencioso en la simulación de ingeniería.

• La física en la pérdida obliga a la red a respetar las ecuaciones que la rigen, lo que permite una extrapolación precisa a nuevas geometrías.

Tres arquitecturas de clase de problemas: ligeramente, moderadamente y altamente no lineales, cada una ajustada según la física.

Tres modelos por caso de carga (predictivo, generativo y un evaluador de confianza) a partir de una única ejecución de entrenamiento

• La IA predictiva reemplaza al solucionador. La IA generativa funciona como un optimizador topológico. El evaluador de equivalencia califica la confianza en la predicción antes de su uso.

• Los tres se generan automáticamente por cada caso de carga: una puntuación alta significa que se debe actuar en consecuencia, una puntuación baja señala el resultado e invoca al solucionador.

• La predicción te dice qué. La generación te dice cómo. El evaluador te dice si debes confiar en ella; los tres elementos son necesarios para actuar con seguridad sobre los resultados de la IA.

• Sin el sistema de puntuación, no hay ninguna señal que indique cuándo un diseño se ha desviado fuera del rango de predicción fiable.

El sistema de evaluación de equivalencia, un mecanismo de confianza que ninguna plataforma de la competencia ofrece, indica a los ingenieros exactamente cuándo deben confiar en la IA y cuándo deben recurrir al solucionador.

Tensión, frecuencia, arrastre, desplazamiento: escalares, curvas y campos 3D completos, en segundos, no en días

• Predice respuestas de campo escalares, vectoriales y tridimensionales completas (tensión, presión, frecuencia, desplazamiento) para cualquier diseño nuevo sin necesidad de ejecutar un solucionador.

• La puntuación de equivalencia se calcula por predicción: se invoca automáticamente un sustituto de IA o un solucionador físico en función del nivel de confianza.

• La predicción mediante IA elimina la cola de resolución como cuello de botella del diseño.

• El coste computacional se ha reducido drásticamente, sin sacrificar el rigor de la ingeniería.

Error de arrastre <1%. Campo de presión 3D completo, no solo CD escalar. R² > 95% en el historial temporal del solucionador del modelo de colisión. Impacto lateral altamente no lineal.

Análisis multidimensional (MDO) simultáneo de colisiones, rigidez, NVH, CHT y CFD: se elige automáticamente mediante IA o un solucionador físico

• Variables paramétricas vinculadas directamente al bucle MDO: impacto, rigidez, NVH, CHT y CFD, controladas simultáneamente en una sola ejecución.

• Agentic AI ejecuta ciclos nocturnos: supervisa, alterna entre la IA y el solucionador según la respuesta y genera informes automáticos al finalizar.

• La optimización secuencial de una sola disciplina no tiene en cuenta las compensaciones: el mejor diseño para casos de colisión rara vez es el mejor diseño para reducir el ruido, la vibración y la aspereza (NVH, por sus siglas en inglés).

• La optimización multidisciplinar simultánea con conmutación automática entre IA y solucionador es lo que hace factible la optimización multidisciplinar a escala de ingeniería.

MDO integrado: análisis de impactos, NVH, CFD, rigidez y CHT en un solo ciclo, dentro de AIWorks.

Todo modelo sustituto de IA, independientemente de la plataforma en la que se entrene, es tan bueno como los datos que lo respaldan. La mayoría de las organizaciones de ingeniería, incluso los grandes fabricantes de equipos originales (OEM), no disponen de cientos de variantes de simulación etiquetadas, organizadas y listas para el entrenamiento de IA en todos los casos de carga. AIWorks resuelve este problema de raíz. Gracias a las capacidades de CAE paramétrico, transformación, modelado conceptual y modelado de orden reducido (ROM) de DEP, integradas en la plataforma MeshWorks, puede generar cientos de variantes listas para simulación a partir de un único modelo base, sin necesidad de recurrir a CAD. El motor ROM ejecuta estas variantes rápidamente, reduciendo el tiempo de resolución de días a horas. El motor de voxelización patentado analiza estadísticamente la población de diseño resultante antes de que comience el entrenamiento de IA. Generación de datos → análisis estadístico → entrenamiento de IA → implementación. Todo en una sola plataforma.

FE/CFD único

Paramétrico + transformación

Sin retrabajo CAD

Por caso de carga

Los especialistas en estructuras, pruebas de choque, durabilidad y fatiga pueden sustituir las ejecuciones de algoritmos que duran varios días por predicciones de IA en menos de un minuto en múltiples casos de carga simultáneamente.

Los ingenieros de aerodinámica, CHT y confort de cabina pueden predecir la resistencia aerodinámica en 2 minutos, frente a las 3 semanas de espera que requiere la simulación CFD. Se generan resultados de campo de presión 3D bajo demanda para nuevas geometrías de diseño.

Los responsables de ingeniería pueden crear organizaciones CAE preparadas para la IA, desde la estrategia de datos y la gobernanza de modelos hasta la implementación de flujos de trabajo basados ​​en agentes a gran escala en múltiples líneas de productos.

Los diseñadores de productos pueden usar GEOM AI para modificar geometrías y predecir el rendimiento en tiempo real, cerrando así el ciclo entre el diseño y la simulación en el mismo día.

Optimización de la frecuencia de la carrocería y mejora del rendimiento acústico gracias a las frecuencias naturales predichas por IA con un margen de error inferior al 5 % en todas las distancias entre ejes y configuraciones de techo.

Los científicos de datos que aplican el aprendizaje automático a datos de simulación física pueden aprovechar las arquitecturas PINN preentrenadas de DEP, optimizadas específicamente para problemas de ingeniería ligeramente, moderadamente y altamente no lineales.