Topoloji optimizasyonu için makine öğrenimini kullanma

Topoloji optimizasyonunda amacınız kütleyi en aza indirmekse, belirlediğiniz gereksinimler dizisi gerçekten tüm malzemelerin kaldırılmasını engelleyen tek şeydir. Veya amacınız esnekliği (compliance) en aza indirmek (= sertliği (stiffness) en üst düzeye çıkarmak) ise, tüm alan malzeme ile doldurulur. Ama ya önceden kesin gereksinimi bilmiyorsanız? Peki ya optimal bir topolojinin nasıl görüneceğine dair bir gösterge istiyorsanız? Ya da kütle ve sertlik arasında bir takas yapmak isterseniz? Genelde izlenen yöntem, farklı ayarlarla birden fazla topoloji optimizasyonu çalıştırmak ve ardından parçayı tasarlamakta ilham almak için her birini gözden geçirmektir.

Altair OptiStruct, 90’lı yılların başından bu yana yapısal optimizasyonda teknolojiyi belirleyen, alanında lider bir çözücüdür.

Makine öğreniminin ürün tasarımı için neler yapabileceğini düşünüyorsanız, burada bazı veriler üzerinde oturduğumuzu fark etmiş olabilirsiniz. Her sonuca ayrı ayrı bakmak yerine, sonuçlar arasında enterpolasyon yapan bir makine öğrenimi modeli oluşturabilirsek ne olur? Aşağıdaki videoda, Altair OptiStruct çözücüsü ve Altair physicsAI kütüphanesi tarafından üretilen ve değişen hacim kısmının topoloji sonucunu tahmin eden bir simülasyon vekili görebilirsiniz. Çok sayıda sonuç dosyasına bakmak zorunda kalmak yerine, mevcut ayarlara dayalı olarak sonucu tahmin eden ekranda yüklü bir makine öğrenimi (ML machine learning) modelimiz var.

ÜCRETSİZ e-kitap –> Yapısal optimizasyonun temelleri ( 252 sayfa )

ÜCRETSİZ e-kitap –> Altair Inspire ile simülasyon odaklı tasarım

ÜCRETSİZ öğrenci versiyonu –> İNDİRİN

Kurumsal kullanıcılar için süre kısıtlamalı versiyon –> İNDİRİN