DEP AIWorks

空力/抗力

衝突/側面衝突

NVHトリムボディ

グローバルに完了

すべての精度数値は、ベンチマークデータセットではなく、実際の顧客シミュレーションデータに基づいて検証されています。同等性スコアリングは、AIの結果を設計上の意思決定に使用する前に、予測ごとの信頼性を提供します。

Physics-Informed Neural Networks（PINN）は、計算コストの高いソルバー解析を置き換えます。各荷重ケースごとに学習され、ナビエ–ストークス方程式、有限要素方程式、LES（大渦シミュレーション）といった物理方程式が損失関数に直接組み込まれています。これにより、スカラー値、時刻歴曲線、さらには3次元の場分布コンターまで予測することが可能です。空力抵抗やボディ剛性においては3%未満の予測誤差を実現し、強い非線形性を持つ衝突応答に対しても95%以上のR²を達成します。さらに相関スコアにより、設計判断に用いる前にAIモデルの信頼性が検証されます。

複雑なアセンブリ全体にわたる形状特徴認識のための機械知能 - 有限要素モデル上でリブ、ボス、フィレット、スポット溶接、MIG溶接、穴、フランジを自動的に識別します。認識された特徴をスマートなパラメトリックハンドルに変換し、CADに戻ることなく、迅速な新規設計作成とAI支援によるコンセプト生成を可能にします。下流のAIワークフローのための大規模なトレーニングデータ作成を促進します。鋳造、プレス加工、射出成形、溶接アセンブリの形状をサポートします。

AI駆動型ジェネレーティブジオメトリと瞬時の再予測が融合。モーフィングによってCAD形状を変更すると（スポイラー角度、ルーフ曲率、パネルプロファイルなど）、再メッシュやソルバーキューなしで、AIが予測したパフォーマンス応答を即座に受け取ることができます。結果は数秒で得られます。ローカル設計反復のための自動サブモデル生成、メッシュレベルでのジェネレーティブトポロジー作成（CADに戻ることなく新しい部品を作成）、および製造スキャンデータ（形状、厚み変動、予ひずみ、歪みなど）を公称FEモデルにマッピングして真の実体シミュレーションを行うデジタルツイン作成が含まれます。

エンジニアの常時監視なしに、完全なマルチステップCAEワークフローをオーケストレーションする自律型シミュレーションエージェント。Agentic AIは、実行時の要件とトレーニング済みAIモデルの可用性に基づいて、物理ソルバーとAIサロゲートモデル間でタスクをインテリジェントにルーティングします。マルチソルバーのオーケストレーション、自律的な夜間最適化ループ、衝突、NVH、剛性、CFDにわたる複数分野の変数同期、ワークフロー完了時の3D埋め込みレポートの自動生成などの機能を備えています。エンジニアは制御権を保持し、Agentic AIは副操縦士として機能します。

すべての数値は、厳選されたデータセットではなく、実際の運用環境でのソルバー実行結果に基づいて算出されています。

複数のボディ構成。車両全体の外部フロー

予測精度とソルバーベースラインの比較

BIW（車体構造）の荷重ケース。複数の車両アーキテクチャ（90種類以上のバリエーション）

予測精度とソルバーベースラインの比較

Bピラーの加速度履歴。複数の荷重経路

相関係数とフルソルバー実行結果の比較

複数のホイールベース、ルーフ構成。トリムされたボディ

周波数予測とソルバーベースラインの比較

1つのベースラインから数百ものシミュレーション対応バリアントを生成 - CADに戻る必要はありません

• パラメトリック有限要素法の変更、モーフィング、およびコンセプトモデリングにより、メッシュレベルで多様な形状、厚み、および材料のバリエーションが作成されます。

• ROMは変異体集団を高速に処理し、ソルバーの処理時間を数日から数時間に短縮し、豊富なAIトレーニングデータセットを提供します。

• AIモデルの性能は、その学習データの質に左右される。そして、ほとんどの組織は十分な学習データを持っていない。

• 他のプラットフォームはデータパイプラインが既に解決済みであることを前提としているが、AIWorksはそれを構築します。

  
  
  

1台のベース車両から250種類以上の衝突モデルを作成 - CADの再作業は一切不要。

トレーニング開始前に、数百のモデルにわたって形状、厚さ、結果を統計的にマッピングします。

• 特許取得済みのボクセレーション技術は、ロボットを用いてすべてのバリエーションをスキャンし、共通の3D空間に配置します。形状、厚み、材質、および結果データは統計的にマッピングされます。

• 個々のファイルをメモリに読み込むことなく、入力と出力を含む全対象にわたる原因と結果の設計インテリジェンスを明らかにします。

• 100個のソルバーモデルを従来の方法でロードすることは不可能です

• AIモデルの品質は、トレーニングエポックが1回実行される前に、ここで決定されます。

  
  
  

統計的設計空間解析エンジンをネイティブな事前学習ステップとして搭載した唯一のプラットフォーム。

物理法則はトレーニング損失に組み込まれている（有限要素方程式、ナビエ・ストークス方程式、LESなど）ので、後付けで付け加えるものではない。

• 問題クラスごとに、非線形性の程度に応じて、それぞれ異なるニューラルネットワークアーキテクチャを用意し、損失関数には対応する物理方程式を組み込む。

• 負荷ケースごとに適応的に調整されます。等価性スコアは、展開前にモデルの信頼区間を設定するために、トレーニング中に較正されます。

• 標準的な機械学習は、訓練データを超えて盲目的に外挿を行う。これは、工学シミュレーションにおける静かな失敗である。

• 損失における物理法則は、ネットワークが支配方程式を遵守することを強制し、新しい形状に対する正確な外挿を可能にする。

物理法則に基づいて調整された、非線形性の低い、中程度の、高いの3つの問題クラスアーキテクチャ。

単一のトレーニング実行から、負荷ケースごとに3つのモデル（予測モデル、生成モデル、信頼度スコアラー）が生成される。

• 予測AIはソルバーの代わりとなる。生成AIはトポロジー最適化のように機能する。等価性スコアラーは、使用前に予測の信頼度を評価する。

• これら3つは負荷ケースごとに自動的に生成されます。スコアが高い場合はそれに基づいてアクションを実行し、スコアが低い場合は結果にフラグを立ててソルバーを起動します。

• 予測は「何が起こるか」を示し、生成は「どのように起こるか」を示し、スコアラーは「それを信頼すべきかどうか」を示します。AIの結果を安全に活用するには、この3つすべてが必要です。

• スコアラーがなければ、設計が信頼できる予測範囲から外れたことを知らせる信号がない。

競合プラットフォームにはない信頼性メカニズムである等価性スコアラーは、エンジニアに対し、AIに頼るべき時とソルバーを呼び出すべき時を正確に指示します。

応力、周波数、抗力、変位 ― スカラー、曲線、完全な3Dフィールド ― を数日ではなく数秒で取得

• ソルバーを実行することなく、あらゆる新規設計に対して、スカラー、ベクトル、および完全な3D場応答（応力、圧力、周波数、変位）を予測します。

• 予測ごとに等価性スコアが算出されます。信頼度レベルに基づいて、AIサロゲートまたは物理ソルバーが自動的に呼び出されます。

• AI予測により、ソルバーキューが設計上のボトルネックから解放される。

• 計算コストを桁違いに削減しながら、工学的な厳密さを損なうことはありません。

抗力誤差1%未満。スカラーCDだけでなく、完全な3D圧力場。衝突モデルソルバーの時系列データにおけるR²値は95%以上。非常に非線形な側面衝突。

衝突、剛性、NVH、CHT、CFDを同時に解析するMDO - AIまたは物理ソルバーを自動的に選択

• MDOループに直接リンクされたパラメトリック変数（衝突、剛性、NVH、CHT、CFD）を1回の実行で同時に駆動する。

• Agentic AIは夜間ループを実行し、監視を行い、応答に応じてAIとソルバーを切り替え、完了時に自動的にレポートを作成します。

• 単一分野を順次最適化していくと、トレードオフを見落としてしまう。最高の衝突設計が、最高のNVH設計になることは稀である。

• 自動的なAIとソルバーの切り替えを伴う同時MDOこそが、工学規模での多分野最適化を可能にするものである。

AIWorks内部に、MDO（衝突・NVH・CFD・剛性・CHT）を1つのループで組み込んだ機能が内蔵されています。

AIサロゲートモデルは、どのプラットフォームでトレーニングされたかにかかわらず、その背後にあるデータの質に左右されます。ほとんどのエンジニアリング組織、たとえ大手OEMであっても、あらゆる負荷ケースにわたってAIトレーニング用に整理され準備された数百ものラベル付きシミュレーションバリアントを保有していません。AIWorksは、この問題を根本から解決します。MeshWorksプラットフォームに統合されたDEPのパラメトリックCAE、モーフィング、コンセプトモデリング、および縮小次数モデリング（ROM）機能を使用することで、CADに戻ることなく、単一のベースラインモデルから数百ものシミュレーション準備済みバリアントを生成できます。ROMエンジンはこれらのバリアントを高速に実行し、数日かかっていたソルバー処理時間を数時間に短縮します。特許取得済みのVoxelationエンジンは、AIトレーニングを開始する前に、結果として得られた設計集団を統計的に分析します。データ生成→統計分析→AIトレーニング→展開。すべてが1つのプラットフォームで実現します。

単一FE/CFD

パラメトリック＋モーフィング

CADの再作業は不要です。

負荷ケースごと

構造、衝突、耐久性、疲労の専門家は、複数の荷重ケースを同時に考慮したAIによる予測を、複数日かかる解析処理から1分未満で実行することで置き換えることができる。

空力、CHT（シリンダーヘッド温度）、および客室快適性に関するエンジニアは、3週間かかるCFD（計算流体力学）解析の待ち時間に対し、わずか2分で抗力予測を行うことができます。新しいスタイリング形状に対応した3D圧力場解析結果もオンデマンドで生成可能です。

エンジニアリングマネージャーは、データ戦略やモデルガバナンスから、複数の製品ラインにわたる大規模なエージェント型ワークフローの展開まで、AI対応のCAE組織を構築できます。

プロダクトデザイナーはGEOM AIを使用して、形状を変形させ、リアルタイムで性能を再予測することで、スタイリングとシミュレーションの間のループを同じ日に完結させることができます。

車体周波数の最適化を細分化し、ホイールベースやルーフ構成に関わらず、AI予測による固有振動数を5%未満の誤差で算出することで、音響性能の向上を実現しました。

物理シミュレーションデータに機械学習を適用するデータサイエンティストは、DEPが提供する、軽度、中度、および高度に非線形な工学問題に特化して調整された事前学習済みのPINNアーキテクチャを活用できます。