DEP AIWorks

Aéro/Drag

Impact latéral/collision

Corps allégé NVH

Globalement achevé

Tous les chiffres de précision sont validés à l'aide de données de simulation réelles de clients, et non d'ensembles de données de référence. Le score d'équivalence fournit un niveau de confiance pour chaque prédiction avant toute utilisation d'un résultat d'IA dans une décision de conception.

Les réseaux de neurones à information physique (PINN) remplacent les calculs complexes de solveurs. Entraînés pour chaque cas de charge avec des équations physiques (Navier-Stokes, éléments finis et LES) directement intégrées à la fonction de perte, ils prédisent les scalaires, les courbes d'évolution temporelle et les contours de champ 3D complets. Ils offrent une erreur de prédiction inférieure à 3 % pour la traînée aérodynamique et la rigidité de la carrosserie, et un coefficient de détermination (R²) supérieur à 95 % pour les réponses aux chocs fortement non linéaires. Un score d'équivalence valide la fiabilité du modèle d'IA avant toute utilisation de ses prédictions dans une décision de conception.

Intelligence artificielle pour la reconnaissance des caractéristiques géométriques d'assemblages complexes : identification automatique des nervures, bossages, congés, points de soudure, soudures MIG, trous et brides directement sur les modèles par éléments finis. Conversion des caractéristiques reconnues en poignées paramétriques intelligentes, permettant la création rapide de nouvelles conceptions et la génération de concepts assistée par l'IA sans retour à la CAO. Génération massive de données d'entraînement pour les flux de travail d'IA en aval. Compatible avec les géométries d'assemblages issus de la fonderie, de l'emboutissage, du moulage par injection et du soudage.

La géométrie générative pilotée par l'IA rencontre la prédiction instantanée. Modifiez une forme CAO par morphing (changez l'angle d'un aileron, la courbure du toit ou le profil d'un panneau) et obtenez une prédiction immédiate des performances grâce à l'IA, sans remaillage ni file d'attente de solveur. Résultats en quelques secondes. Inclut la génération automatique de sous-modèles pour l'itération de conception locale, la création de topologies génératives au niveau du maillage (nouvelles pièces sans retour à la CAO) et la création d'un jumeau numérique par la projection des données de numérisation de fabrication (géométrie, variations d'épaisseur, précontrainte et distorsion) sur des modèles éléments finis nominaux pour une simulation fidèle de la pièce réelle.

Des agents de simulation autonomes orchestrent des flux de travail CAE complets et complexes sans supervision constante de l'ingénieur. L'IA Agentic répartit intelligemment les tâches entre les solveurs physiques et les modèles d'IA de substitution en fonction des exigences d'exécution et de la disponibilité des modèles d'IA entraînés. Ses fonctionnalités incluent l'orchestration de plusieurs solveurs, des boucles d'optimisation autonomes nocturnes, la synchronisation des variables multidisciplinaires (crash, NVH, rigidité et CFD) et la génération automatique de rapports 3D intégrés à la fin du flux de travail. L'ingénieur garde le contrôle et l'IA Agentic agit comme copilote.

Chaque chiffre a été comparé à des exécutions de solveurs en production, et non à des ensembles de données sélectionnés.

Configurations de carrosserie multiples. Flux externe du véhicule complet

Précision des prédictions par rapport à la valeur de référence du solveur

Cas de charge BIW. Architectures de véhicules multiples (plus de 90 variantes)

Précision des prédictions par rapport à la valeur de référence du solveur

Historique temporel de l'accélération du montant B. Chemins de charge multiples

Coefficient de corrélation en fonction de l'exécution complète du solveur

Plusieurs configurations de toit et d'empattement. Carrosserie profilée

Prédiction de fréquence par rapport à la référence du solveur

Générez des centaines de variantes prêtes pour la simulation à partir d'une seule configuration de base, sans avoir à revenir à la CAO

• Les modifications paramétriques par éléments finis, la morphologie et la modélisation conceptuelle permettent de créer diverses variantes de géométrie, d'épaisseur et de matériau au niveau du maillage.

• ROM traite rapidement la population de variantes, réduisant le temps de résolution de plusieurs jours à quelques heures et alimentant ainsi un ensemble de données d'entraînement IA riche.

• Tout modèle d'IA n'est performant que si ses données d'entraînement le sont également ; or, la plupart des organisations n'en possèdent pas suffisamment.

• D'autres plateformes partent du principe que le pipeline de données est déjà en place. AIWorks le construit.

  
  
  

Plus de 250 modèles de crash à partir d'un seul véhicule de base - aucune retouche CAO.

Cartographier statistiquement la géométrie, l'épaisseur et les résultats de centaines de modèles, avant même le début de l'entraînement

• La technologie brevetée de voxelation scanne de manière robotisée toutes les variantes et les place dans un espace 3D commun - géométrie, épaisseur, matériau et données de résultat cartographiées statistiquement.

• Permet d'obtenir des informations de conception de type cause-effet sur l'ensemble de la population (entrées et sorties) sans charger de fichiers individuels en mémoire.

• Charger 100 modèles de solveur de manière conventionnelle est impossible

• La qualité du modèle d'IA est déterminée ici, avant même le début de la première phase d'entraînement.

  
  
  

La seule plateforme dotée d'un moteur d'analyse statistique de l'espace de conception comme étape native de pré-entraînement.

La physique est intégrée à la fonction de perte d'entraînement (équations des éléments finis, Navier-Stokes, LES), et non ajoutée a posteriori

• Des architectures de réseaux neuronaux distinctes pour chaque classe de problème (légèrement, modérément et fortement non linéaires), chacune avec des équations physiques adaptées dans la fonction de perte.

• Adaptation à chaque cas de charge. Le score d'équivalence est calibré pendant l'entraînement afin de définir la limite de confiance du modèle avant son déploiement.

• L'apprentissage automatique standard extrapole aveuglément au-delà des données d'entraînement – ​​un échec silencieux dans la simulation en ingénierie.

• La physique des pertes oblige le réseau à respecter les équations qui le régissent, permettant ainsi une extrapolation précise sur de nouvelles géométries.

Trois architectures de classes de problèmes - légèrement, modérément, fortement non linéaires - chacune optimisée en fonction de la physique.

Trois modèles par cas de charge — prédictif, génératif et un modèle de confiance — issus d'une seule séquence d'entraînement

• L'IA prédictive remplace le solveur. L'IA générative fonctionne comme un optimiseur de topologie. L'outil d'évaluation d'équivalence détermine la fiabilité des prédictions avant leur utilisation.

• Les trois sont générés automatiquement pour chaque cas de charge : un score élevé signifie qu’il faut agir, un score faible signale le résultat et invoque le solveur.

• La prédiction vous indique quoi. La génération vous indique comment. Le système d'évaluation vous indique s'il est fiable ; ces trois éléments sont nécessaires pour exploiter les résultats de l'IA en toute sécurité.

• Sans le marqueur, aucun signal n'indique lorsqu'une conception s'est éloignée de l'enveloppe de prédiction fiable.

Le système d'évaluation d'équivalence – un mécanisme de confiance qu'aucune plateforme concurrente ne propose – indique précisément aux ingénieurs quand s'appuyer sur l'IA et quand faire appel au solveur.

Contraintes, fréquence, traînée, déplacement – ​​scalaires, courbes et champs 3D complets – en secondes, et non en jours

• Prédit les réponses scalaires, vectorielles et de champ 3D complet (contrainte, pression, fréquence, déplacement) pour toute nouvelle conception sans exécution de solveur.

• Score d'équivalence exécuté par prédiction - Substitut d'IA ou solveur physique invoqué automatiquement en fonction du niveau de confiance.

• La prédiction par IA élimine la file d'attente des solveurs comme goulot d'étranglement dans la conception.

• Coût de calcul réduit de façon considérable, sans sacrifier la rigueur de l'ingénierie.

Erreur de traînée inférieure à 1 %. Champ de pression 3D complet, et non simple coefficient de traînée scalaire. R² supérieur à 95 % sur l'historique temporel du solveur de modèle de collision. Impact latéral fortement non linéaire.

MDO appliqué simultanément aux simulations de collision, de rigidité, de NVH, de CHT et de CFD – choix automatique entre IA et solveur physique

• Variables paramétriques directement liées à la boucle MDO - crash, rigidité, NVH, CHT et CFD pilotées simultanément en une seule exécution.

• Agentic AI exécute des boucles nocturnes : elle surveille, bascule entre l'IA et le solveur en fonction de la réponse et génère des rapports automatiques une fois l'opération terminée.

• L'optimisation séquentielle dans une seule discipline ne tient pas compte des compromis : la meilleure conception en cas de collision est rarement la meilleure conception NVH.

• L'optimisation multidisciplinaire simultanée avec commutation automatique entre l'IA et le solveur est ce qui rend possible l'optimisation multidisciplinaire à l'échelle de l'ingénierie.

MDO intégré - Crash · NVH · CFD · Rigidité · CHT dans une seule boucle, au sein d'AIWorks.

Tout modèle d'IA de substitution, quelle que soit la plateforme sur laquelle il est entraîné, ne vaut que par la qualité des données qui le sous-tendent. La plupart des entreprises d'ingénierie, même les grands constructeurs, ne disposent pas de centaines de variantes de simulation étiquetées, organisées et prêtes à l'emploi pour l'entraînement de l'IA, couvrant tous les cas de charge. AIWorks résout ce problème à la source. Grâce aux fonctionnalités de CAE paramétrique, de morphing, de modélisation conceptuelle et de modélisation d'ordre réduit (ROM) de DEP, intégrées à la plateforme MeshWorks, vous pouvez générer des centaines de variantes prêtes pour la simulation à partir d'un seul modèle de base, sans avoir à revenir à la CAO. Le moteur ROM exécute ensuite ces variantes rapidement, réduisant ainsi le temps de calcul de plusieurs jours à quelques heures. Le moteur de voxelation breveté analyse statistiquement la population de conception résultante avant le début de l'entraînement de l'IA. Génération de données → analyse statistique → entraînement de l'IA → déploiement. Le tout sur une seule plateforme.

Éléments finis/CFD simples

Paramétrique + morphing

Aucune retouche CAO

Par cas de charge

Les spécialistes en structure, en collision, en durabilité et en fatigue peuvent remplacer les calculs de plusieurs jours par des prédictions d'IA en moins d'une minute, et ce, simultanément pour de multiples cas de charge.

Les ingénieurs en aérodynamique, en température de la cabine et en confort cabine peuvent effectuer une prédiction de la traînée en 2 minutes, contre 3 semaines pour une simulation CFD classique. Les résultats du champ de pression 3D sont générés à la demande pour les nouvelles géométries de conception.

Les responsables d'ingénierie peuvent créer des organisations CAE prêtes pour l'IA, de la stratégie des données et de la gouvernance des modèles au déploiement à grande échelle de flux de travail automatisés sur plusieurs gammes de produits.

Les concepteurs de produits peuvent utiliser GEOM AI pour modifier les géométries et prédire à nouveau les performances en temps réel, bouclant ainsi la boucle entre le style et la simulation le même jour.

Optimisation de la fréquence de caisse réduite, amélioration des performances acoustiques obtenue grâce à des fréquences naturelles prédites par l'IA avec une erreur inférieure à 5 % sur toutes les configurations d'empattement et de toit.

Les data scientists appliquant l'apprentissage automatique aux données de simulation physique peuvent tirer parti des architectures PINN pré-entraînées de DEP, spécifiquement adaptées aux problèmes d'ingénierie légèrement, modérément et fortement non linéaires.