DEP AIWorks

Aerodinamik/Sürtünme

Çarpışma/Yan Darbe

NVH Ayarlanmış Gövde

Küresel Olarak Tamamlandı

Tüm doğruluk rakamları, kıyaslama veri kümeleri yerine gerçek müşteri simülasyon verilerine göre doğrulanmıştır. Eşdeğerlik puanlaması, herhangi bir yapay zeka sonucu tasarım kararında kullanılmadan önce tahmin başına güvenirlik sağlar.

Fiziksel Bilgilere Dayalı Sinir Ağları (PINN), maliyetli çözümleyici çalıştırmalarının yerini alır. Her yük durumu için fizik denklemleri (Navier-Stokes, sonlu eleman denklemleri ve LES) doğrudan eğitim kayıp fonksiyonuna yerleştirilerek eğitilir. Skaler değerleri, zaman-geçmiş eğrilerini ve tam 3 boyutlu alan konturlarını tahmin eder. Aerodinamik sürüklenme ve gövde sertliğinde %3'ten az tahmin hatası ve oldukça doğrusal olmayan çarpışma tepkilerinde %95'in üzerinde R² değeri sunar. Bir eşdeğerlik puanı, herhangi bir tahmin tasarım kararında kullanılmadan önce yapay zeka modelinin güvenilirliğini doğrular.

Karmaşık montajlarda geometri özelliklerinin tanınması için yapay zeka - nervürleri, çıkıntıları, köşe kaynaklarını, punta kaynaklarını, MIG kaynaklarını, delikleri ve flanşları doğrudan sonlu eleman modelleri üzerinde otomatik olarak tanımlar. Tanınan özellikleri akıllı parametrik tutamaçlara dönüştürerek, CAD'e geri dönmeden hızlı yeni tasarım oluşturmayı ve yapay zeka destekli konsept üretimini mümkün kılar. Sonraki yapay zeka iş akışları için büyük miktarda eğitim verisi oluşturulmasını sağlar. Döküm, presleme, enjeksiyon kalıplama ve kaynaklı montaj geometrilerini destekler.

Yapay zekâ destekli üretken geometri, anlık yeniden tahminle buluşuyor. Bir CAD şeklini morphing yoluyla değiştirin - spoyler açısını, tavan eğriliğini veya panel profilini değiştirin - ve yeniden ağ oluşturmaya veya çözümleyici kuyruğuna gerek kalmadan anında yapay zekâ tarafından tahmin edilen performans yanıtını alın. Sonuçlar saniyeler içinde. Yerel tasarım yinelemesi için otomatik alt model oluşturma, ağ seviyesinde üretken topoloji oluşturma (CAD'e geri dönmeden yeni parçalar) ve üretilmiş tarama verilerini -geometri, kalınlık değişimi, ön gerilme ve bozulma dahil- nominal FE modellerine eşleyerek gerçek yapım simülasyonu için Dijital İkiz oluşturma içerir.

Sürekli mühendis gözetimi olmadan, çok adımlı CAE iş akışlarını eksiksiz olarak yöneten otonom simülasyon ajanları. Agentic AI, çalışma zamanı gereksinimlerine ve eğitilmiş yapay zeka modellerinin kullanılabilirliğine bağlı olarak, fizik çözücüleri ve yapay zeka vekil modelleri arasında görevleri akıllıca yönlendirir. Yetenekleri arasında çoklu çözücü yönetimi, otonom gece optimizasyon döngüleri, çarpışma, NVH, sertlik ve CFD genelinde çok disiplinli değişken senkronizasyonu ve iş akışı tamamlandığında 3 boyutlu gömülü raporların otomatik olarak oluşturulması yer almaktadır. Mühendis kontrolü elinde tutar ve Agentic AI yardımcı pilot görevi görür.

Tüm değerler, derlenmiş veri kümeleri yerine, üretim ortamında çalıştırılan çözümleyici verilerine göre karşılaştırılmıştır.

Çoklu gövde konfigürasyonları. Tam araç dış akışı

Tahmin doğruluğu ile çözümleyici temel performansı karşılaştırması

Gövde yükü durumları. Çoklu araç mimarileri (90+ varyant)

Tahmin doğruluğu ile çözümleyici temel performansı karşılaştırması

B sütunu ivme zaman grafiği. Çoklu yük yolları

Korelasyon katsayısı ile tam çözümleyici çalıştırma arasındaki ilişki

Çoklu dingil mesafesi ve tavan konfigürasyonları. Kesilmiş gövde

Frekans tahmini ile çözümleyici temel çizgisi karşılaştırması

CAD'e geri dönmeden, tek bir temel modelden yüzlerce simülasyona hazır varyant oluşturun

• Parametrik sonlu elemanlar değişiklikleri, şekil değiştirme ve kavramsal modelleme, ağ seviyesinde çeşitli geometri, kalınlık ve malzeme varyantları oluşturur.

• ROM, varyant popülasyonunu hızlı bir şekilde işleyerek çözümleme süresini günlerden saatlere indiriyor ve zengin bir yapay zeka eğitim veri setini besliyor.

• Her yapay zeka modeli, ancak eğitim verileri kadar iyidir; çoğu kuruluşun ise yeterli eğitim verisi yoktur.

• Diğer platformlar veri işlem hattının zaten çözülmüş olduğunu varsayar. AIWorks ise bunu kurar.

  
  
  

Tek bir temel araçtan 250'den fazla çarpışma modeli - sıfır CAD yeniden işleme.

Eğitim başlamadan önce yüzlerce modeldeki geometriyi, kalınlığı ve sonuçları istatistiksel olarak eşleştirin

• Patentli Voxelation robotu, tüm varyantları otomatik olarak tarar ve bunları ortak bir 3 boyutlu alana yerleştirir; geometri, kalınlık, malzeme ve sonuç verileri istatistiksel olarak eşleştirilir.

• Bu, tek tek dosyaları belleğe yüklemeden, girdiler ve çıktılar da dahil olmak üzere tüm popülasyon genelinde neden-sonuç ilişkisine dayalı tasarım zekasını ortaya çıkarır.

• 100 çözümleyici modelini geleneksel yöntemlerle yüklemek imkansızdır

• Yapay zeka modelinin kalitesi, tek bir eğitim döngüsü başlamadan önce burada belirlenir.

  
  
  

İstatistiksel tasarım alanı analiz motorunu yerleşik bir ön eğitim adımı olarak sunan tek platform.

Eğitim kaybına fiziksel prensipler (sonlu elemanlar denklemleri, Navier-Stokes denklemleri, LES) önceden dahil edilmiştir, sonradan eklenmemiştir

• Her problem sınıfı için (hafif, orta ve yüksek derecede doğrusal olmayan) ayrı sinir ağı mimarileri; her birinde kayıp fonksiyonunda eşleşen fizik denklemleri kullanılmıştır.

• Yük durumuna göre uyarlanabilir. Eşdeğerlik puanlaması, modelin dağıtımdan önce güven sınırını belirlemek için eğitim sırasında kalibre edilir.

• Standart makine öğrenimi, eğitim verilerinin ötesine körü körüne tahminlerde bulunur; bu da mühendislik simülasyonunda sessiz bir başarısızlıktır.

• Kayıptaki fiziksel etkiler, ağın temel denklemlere uymasını sağlayarak yeni geometriler üzerinde doğru tahminler yapılmasına olanak tanır.

Üç farklı problem sınıfı mimarisi - hafif, orta ve yüksek derecede doğrusal olmayan - her biri fiziksel olarak optimize edilmiştir.

Her yük durumu için üç model - tahmine dayalı, üretken ve güven puanlayıcı - tek bir eğitim çalışmasından elde edildi

• Tahmine dayalı yapay zeka, çözümleyiciyi değiştirir. Üretken yapay zeka, topoloji optimize edici gibi çalışır. Eşdeğerlik Puanlayıcı, kullanımdan önce tahmin güvenini değerlendirir.

• Her üç sonuç da her yükleme durumu için otomatik olarak üretilir; yüksek puan, üzerinde işlem yapılması anlamına gelir, düşük puan ise sonucu işaretler ve çözümleyiciyi çağırır.

• Tahmin size ne olduğunu söyler. Üretken öğrenme size nasıl yapılacağını söyler. Puanlayıcı size ona güvenip güvenmeyeceğinizi söyler; yapay zeka sonuçlarına güvenli bir şekilde göre hareket etmek için bu üçüne de ihtiyaç vardır.

• Puanlama sistemi olmadan, bir tasarımın güvenilir tahmin aralığının dışına çıktığına dair bir sinyal olmaz.

Eşdeğerlik Puanlayıcısı - hiçbir rakip platformun sunmadığı güven mekanizması - mühendislere yapay zekaya ne zaman güvenmeleri ve çözümleyiciyi ne zaman devreye sokmaları gerektiğini tam olarak söyler.

Gerilim, frekans, sürtünme, yer değiştirme - skaler değerler, eğriler ve tam 3 boyutlu alanlar - günler değil, saniyeler içinde

• Çözümleyici çalıştırmaya gerek kalmadan, herhangi bir yeni tasarım için skalar, vektör ve tam 3 boyutlu alan tepkilerini (gerilim, basınç, frekans, yer değiştirme) tahmin eder.

• Eşdeğerlik puanı, tahmin başına hesaplanır - güven düzeyine bağlı olarak yapay zeka vekili veya fizik çözümleyicisi otomatik olarak devreye girer.

• Yapay zeka tahmini, tasarımda darboğaz oluşturan çözümleyici kuyruğunu ortadan kaldırır.

• Mühendislik titizliğinden ödün vermeden hesaplama maliyeti kat kat azaltıldı.

<%1 sürüklenme hatası. Sadece skaler CD değil, tam 3 boyutlu basınç alanı. Çarpışma modeli çözücüsünün zaman-geçmişinde %95+ R² değeri. Son derece doğrusal olmayan yan darbe.

Çarpışma, sertlik, NVH, CHT ve CFD'yi eş zamanlı olarak kapsayan MDO - Yapay zeka veya fizik çözücü, otomatik olarak seçilir

• MDO döngüsüne doğrudan bağlı parametrik değişkenler; çarpışma, sertlik, NVH, CHT ve CFD, tek bir çalıştırmada eş zamanlı olarak yönlendirilir.

• Agentic AI, gece boyunca döngüler halinde çalışır; izleme yapar, her yanıt için yapay zeka ve çözümleyici arasında geçiş yapar ve tamamlandığında otomatik olarak rapor verir.

• Ardışık tek disiplinli optimizasyon, ödünleşmeleri gözden kaçırır; en iyi çarpışma tasarımı nadiren en iyi NVH (gürültü, titreşim ve sertlik) tasarımıdır.

• Otomatik yapay zeka-çözücü geçişiyle eş zamanlı MDO, mühendislik ölçeğinde çok disiplinli optimizasyonu mümkün kılan şeydir.

AIWorks içerisinde, tek bir döngüde entegre MDO (Çoklu Nesne Optimizasyonu) - Çarpışma · NVH (Gürültü, Titreşim ve Sertlik) · CFD (Akışkan Akış Dinamiği) · Sertlik · CHT (Kanat ve Isı Eşiği Ölçümü).

Her yapay zeka vekil modeli - hangi platformda eğitilmiş olursa olsun - ancak arkasındaki veriler kadar iyidir. Çoğu mühendislik kuruluşu, hatta büyük OEM'ler bile, her yük durumu için yapay zeka eğitimi için yüzlerce etiketli simülasyon varyantını organize edip hazır bulundurmaz. AIWorks bunu kaynağında çözüyor. MeshWorks platformuna entegre edilmiş DEP'in parametrik CAE, morphing, konsept modelleme ve Azaltılmış Sıralı Modelleme (ROM) yeteneklerini kullanarak, CAD'e geri dönmeden tek bir temel modelden yüzlerce simülasyona hazır varyant oluşturabilirsiniz. ROM motoru daha sonra bu varyantları hızlı bir şekilde çalıştırarak, günler süren çözümleme süresini saatlere sıkıştırır. Patentli Voxelation motoru, yapay zeka eğitimi başlamadan önce ortaya çıkan tasarım popülasyonunu istatistiksel olarak analiz eder. Veri üretimi → istatistiksel analiz → yapay zeka eğitimi → dağıtım. Hepsi tek bir platformda.

Tek FE/CFD

Parametrik + şekil değiştirme

CAD üzerinde yeniden çalışma yok

Yük durumuna göre

Yapısal, çarpışma, dayanıklılık ve yorulma uzmanları, günlerce süren çözümleme işlemlerini, aynı anda birden fazla yük durumu için dakikadan kısa sürede yapılan yapay zeka tahminleriyle değiştirebilirler.

Aerodinamik, CHT ve kabin konforu mühendisleri, 3 haftalık CFD bekleme süresine kıyasla 2 dakika içinde sürüklenme tahmini yapabilirler. Yeni tasarım geometrileri için talep üzerine 3 boyutlu basınç alanı sonuçları oluşturulabilir.

Mühendislik yöneticileri, veri stratejisi ve model yönetiminden, birden fazla ürün hattında ölçekli ajan tabanlı iş akışı dağıtımına kadar yapay zekaya hazır CAE organizasyonları kurabilirler.

Ürün tasarımcıları, GEOM AI'yi kullanarak geometrileri dönüştürebilir ve performansı gerçek zamanlı olarak yeniden tahmin edebilir; böylece stil oluşturma ve simülasyon arasındaki döngüyü aynı gün içinde tamamlayabilirler.

Gövde frekans optimizasyonu sayesinde akustik performansta iyileşme sağlandı; bu iyileşme, farklı dingil mesafeleri ve tavan konfigürasyonlarında %5'in altında hata oranıyla yapay zeka tarafından tahmin edilen doğal frekanslarla elde edildi.

Fiziksel simülasyon verilerine makine öğrenimi uygulayan veri bilimciler, DEP'in özellikle hafif, orta ve yüksek derecede doğrusal olmayan mühendislik problemlerine göre ayarlanmış önceden eğitilmiş PINN mimarilerinden yararlanabilirler.