W dynamicznie rozwijającym się świecie symulacji inżynierskich Altair PhysicsAI wyróżnia się jako przełomowe narzędzie wykorzystujące sztuczną inteligencję do transformacji tradycyjnych procesów symulacyjnych. Zintegrowane bezpośrednio z Altair HyperMesh, PhysicsAI umożliwia inżynierom przewidywanie złożonych zjawisk fizycznych, optymalizację projektów oraz radykalne skrócenie czasu obliczeń – bez utraty dokładności. Jak to działa?

Jak działa PhysicsAI?

Do aproksymacji wyników symulacji PhysicsAI wykorzystuje wytrenowane sieci neuronowe oraz Geometric Deep Learning. Pozwala to na błyskawiczne eksplorowanie różnych wariantów projektowych. Jest to szczególnie przydatne w przypadkach, w których pełna symulacja numeryczna jest kosztowna obliczeniowo lub czasochłonna. Warto podkreślić, że sieci neuronowe w PhysicsAI nie posiadają wstępnej bazy danych – co eliminuje możliwość halucynacji modelu i pozostawia użytkownikom pełną kontrolę nad dokładnością predykcji.

Przykładowo, w analizie zderzeniowej PhysicsAI może w ciągu sekund przewidzieć rozkład naprężeń i deformacji zaistniałych w modelu, umożliwiając szybkie testowanie różnych konfiguracji konstrukcji. Podobnie, w obliczeniowej mechanice płynów (CFD) możliwe jest symulowanie przepływu cieczy i transferu ciepła w niespotykanym dotąd czasie. To czyni PhysicsAI nieocenionym narzędziem dla firm z branży motoryzacyjnej, lotniczej i energetycznej.

Aby otrzymywać wyniki, użytkownik musi jedynie dostarczyć model CAD lub model FE. Stworzenie siatki 3D jest wymagane tylko w przypadku potrzeby predykcji wielkości fizycznych z wewnątrz brył modelu.

Predykcja rozkładu ciśnienia podczas przepływu cieczy przez układ dolotowy

Wykorzystanie istniejących symulacji do precyzyjnych prognoz

Jednym z najciekawszych aspektów PhysicsAI jest jego zdolność do wykorzystywania historycznych wyników symulacji. Jeśli organizacja posiada repozytorium podobnych projektów i wyników obliczeń, PhysicsAI może wykorzystać te dane do wytrenowania niezwykle precyzyjnych modeli predykcyjnych, z których inżynierowie będą mogli korzystać łatwiej niż z tradycyjnych solverów.

PhysicsAI w czterech prostych krokach

Korzystanie z PhysicsAI jest intuicyjne i efektywne. Proces składa się z kilku kluczowych kroków:

  1. Importowanie danych – inżynierowie wczytują wcześniejsze wyniki symulacji (np. FEA, CFD) do HyperMesh.
  2. Trenowanie modelu – PhysicsAI uczy się wzorców na podstawie zaimportowanych danych.
  3. Testowanie – model jest weryfikowany na niezależnym zbiorze danych, aby sprawdzić jego dokładność.
  4. Analiza wyników – inżynierowie porównują prognozy AI z tradycyjnymi wynikami symulacji, uzyskując cenne informacje w ułamku czasu wymaganego przez klasyczne metody.

PhysicsAI może generować wiarygodne wyniki już przy 15 próbkach, choć bardziej złożone modele wymagają większych zbiorów treningowych.

Narzędzie to może przewidywać wyniki nie tylko na powierzchni modelu, ale także wewnątrz jego struktury. Trzeba jednak mieć na uwadze, że analizy tego typu wymagają więcej czasu ze względu na ich większą złożoność.

Parametry trenowania modelu – użytkownik może wybrać, jakie wielkości fizyczne nie są istotne dla projektu i wyłączyć je z modelu predykcyjnego.

Zastosowania PhysicsAI – gdzie sprawdzi się najlepiej?

PhysicsAI znajduje zastosowanie nie tylko w analizie strukturalnej i CFD. Rozwiązanie może być wykorzystywane z sukcesami również w innych obszarach symulacji, takich jak:

  • analiza modalna – przewidywanie trybów drgań (nowość w wersji 2024),
  • analiza silnie dynamiczna – np. w symulacjach zderzeń czy upadków,
  • symulacje multidyscyplinarne – ułatwiająca kompleksowe analizy praca z danymi wejściowymi z różnych solverów.

Dzięki tej elastyczności oraz zdolności do generowania wyników nawet 1000 razy szybciej niż tradycyjne metody PhysicsAI stanowi przełom w inżynierii symulacyjnej.

Potencjał i przyszłość PhysicsAI

Rozwiązanie PhysicsAI jest szczególnie przydatne dla organizacji posiadających duże zasoby danych symulacyjnych. Dzięki szybszym i bardziej precyzyjnym prognozom inżynierowie mogą skupić się na kreatywnym rozwiązywaniu problemów zamiast czekać na zakończenie skomplikowanych obliczeń.

Jednak skuteczność PhysicsAI zależy od jakości i ilości danych treningowych. Dla prostych modeli może wystarczyć niewielki zbiór danych. W przypadku złożonych systemów kluczowe dla uzyskania rzetelnych wyników będzie posiadanie większych zestawów informacji.

Model użyty do predykcji poniższych wyników został przygotowany na próbce około 30 plików wynikowych, a jego trenowanie trwało niespełna godzinę!

Przewidywane oraz prawdziwe (przeliczone) przemieszczenia obecne w ramie.

AI – nowy standard w symulacjach inżynierskich

Altair PhysicsAI to ogromny krok naprzód w dziedzinie technologii symulacyjnych. Łącząc szybkość, dokładność i wszechstronność, staje się niezastąpionym narzędziem w nowoczesnych wyzwaniach inżynieryjnych. Niezależnie od tego, czy chodzi o optymalizację bezpieczeństwa pojazdów, analizę opływu powietrza wokół skrzydła samolotu czy badanie trybów drgań turbiny – PhysicsAI ma potencjał, aby zrewolucjonizować sposób, w jaki inżynierowie podchodzą do projektowania i optymalizacji.

W miarę rozwoju sztucznej inteligencji narzędzia takie jak PhysicsAI bez wątpienia odegrają kluczową rolę w kształtowaniu przyszłości innowacji inżynieryjnych. Firma Altair znajduje się w ścisłej czołówce firm rozwijających technologie AI w branży inżynieryjnej oraz w sferze Data Science. Wraz z gwałtownie następującymi zmianami w dziedzinie sztucznej inteligencji warto śledzić ruchy Altair i uważnie obserwować rozwój inteligentnych rozwiązań, aby jak najefektywniej wykorzystywać AI dla swoich potrzeb.

Chcesz zobaczyć, jak to działa w praktyce?

Zapraszamy do obejrzenia nagrania z webinaru poświęconego wykorzystaniu AI w symulacjach CAE. Krok po kroku pokazaliśmy, jak stworzyć własny model predykcyjny na bazie danych posiadanych już danych i przyspieszyć proces projektowania jak nigdy dotąd.