Altair PhysicsAI 2025.1 Yeni Özellikler
Geçmiş simülasyon sonuçlarınızı kullanarak saniyeler içerisinde yeni model için animasyonlu sonuçları hesaplayan Altair PhysicsAI, 2025.1 versiyonunda yeni özellikler ve geliştirmeler içeriyor.
Altair physicsAI, CAE verilerini kullanarak hızlı tahmin modelleri oluşturan yenilikçi bir araçtır. Geçmiş simülasyon verilerinizden öğrenerek şekil ve mühendislik performansı arasındaki ilişkileri analiz eder. Eğitilmiş physicsAI modelleri, geleneksel çözücülere kıyasla 10 ila 100 kat daha hızlı tam animasyonlu konturlar üretir. Böylece, normalde mümkün olandan çok daha fazla tasarım konseptini hızla değerlendirerek daha iyi tasarımlar keşfedebilirsiniz.
Altair physicsAI çözümüne Altair HyperMesh, Altair SimLab ve Altair Inspire kullanıcı arayüzlerinden erişebilirsiniz.
Altair physicsAI hakkında detaylı bilgi için web seminer kaydını izleyebilirsiniz. Taleplerinizi iletişim formunu kullanarak iletebilirsiniz.
Yeni Özellikler
Yeni Mimari: Shape Encoding Regressor (SER)
Mevcut iki eğitim mimarisine ( Graph Context Neural Simulator (GCNS), Transformer Neural Simulator (TNS) ) ek olarak, Shape Encoding Regressor (SER) eklenmiştir. Shape Encoding Regressor (SER), eğitim örneklerinin geometrik şekil kodlamalarını kullanarak çoklu regresyonlar gerçekleştiren yeni bir mimaridir. Bu mimari yalnızca skaler KPI’lar ve vektörel eğriler için tahminlerde bulunabilir; kontur sonuçlarını desteklemez.
Notlar:
- Dataset oluştururken Extract Solid Faces seçeneği aktif olmalıdır.
- Transfer öğrenimi (transfer learning) desteklenmez.
- Aşağıdaki tablo, üç mimarinin karşılaştırmalı özelliklerini gösterir.
Mimari Karşılaştırması ve Kullanım Önerileri:
- GCNS: Genel kullanım için en uygunudur.
- TNS: CAD tabanlı tahminler için idealdir.
- SER: GPU gerektirmeden KPI tahminleri yapmak için en iyisidir.
Kullanıcı Doğrulama Veri Kümesi Oranı
Doğrulama veri setleri, büyük veri kümelerinde aşırı öğrenmeyi (overfitting) önlemede faydalıdır. Ancak küçük veri setlerinde, en iyi model konfigürasyonunu temsil etmeyen bir epoch seçilmesine neden olabilir.
- 50’den fazla örnek varsa varsayılan oran: 0.15
- 50 veya daha az örnek varsa varsayılan oran: 0.0
Geliştirmeler
Eleman Köşe Verisi Desteği
PhysicsAI artık eleman köşe (Element corner) verilerini okuyabilir hale geldi.
Eğri Tahmini için Benzerlik Skoru
Eğri tahminleri için benzerlik skoru artık hesaplanabiliyor ve kullanıcıya sunuluyor.
Gelişmiş Veri Hazırlama Yetenekleri
Veri seti oluşturma sürecinde yer alan veri düzenleme araçları önemli ölçüde geliştirildi. Bu geliştirmeler iki ana başlık altında sınıflandırıldı:
Veri İnceleme
Model özeti ve sonuç metrikleri tablosu: Aykırı değerler otomatik olarak turuncu renkle vurgulanır. Aykırı sütunlar ayrıca gösterilir ve aykırı KPI değeri kalın yazı tipiyle vurgulanır. Ekranın sağ bölümünden ek yanıtları seçebilir veya kaldırabilirsiniz.
Metriklerin çizimi: HyperStudy’deki paralel grafiklere benzer şekilde KPI’ların ve aykırı örneklerin dağılımı görselleştirilebilir.
Model boyutunu sorgulayarak rotasyonel aykırı değerleri belirleyin. Kütle merkezinden öteleme aykırı değerlerini tanımlayın.
Veri Yönetimi
Veri setleri artık düzenlenebilir: Yeni örnekler eklenebilir, aykırılar kaldırılabilir.
Örnekler farklı veri setleri arasında taşınabilir.
HyperMesh CFD’de KPI ve Eğri Tahminlerinin Görselleştirilmesi
HyperMesh CFD içindeki PhysicsAI şeridi artık tahmin edilen KPI ve eğrileri görselleştirme özelliğine sahip
Daha Hızlı Tahmin Süresi
Yeni tasarımlar için tahmin süresi, önceki sürümlere göre %50 daha hızlı!
