Software FEA a CFD podporuje AI pro simulační pracovní postupy

Tags: Digital Twin | FEATool | MATLAB | Precise Simulation | Umělá inteligence

Nej­no­věj­ší verze FEA­Tool Mul­ti­phy­s­ics 1.18 od Pre­ci­se Si­mu­lati­on na­bí­zí vy­lep­še­né gra­fic­ké uži­va­tel­ské roz­hra­ní, ex­port a kon­ver­zi si­mu­lač­ních mo­de­lů a pod­po­ru si­mu­lač­ních pra­cov­ních po­stu­pů umělé in­te­li­gen­ce (AI). FEA­Tool Mul­ti­phy­s­ics je si­mu­lač­ní soft­ware FEA a CFD s více ře­ši­te­li. Nej­no­věj­ší verze při­ná­ší zcela pře­pra­co­va­né gra­fic­ké uži­va­tel­ské roz­hra­ní (GUI), díky čemuž je sada ná­stro­jů uži­va­tel­sky pří­vě­ti­věj­ší a snad­ně­ji po­u­ži­tel­ná.

FEA­Tool Mul­ti­phy­s­ics také na­bí­zí plnou pod­po­ru a in­te­gra­ci s MAT­LAB a sou­vi­se­jí­cí­mi sa­da­mi ná­stro­jů (na­pří­klad pro op­ti­ma­li­za­ci, ří­di­cí sys­témy a stro­jo­vé učení) a po­kro­či­lé funk­ce při­způ­so­be­né mě­ní­cím se po­tře­bám in­že­ný­rů a vý­zkum­ných pra­cov­ní­ků v prů­mys­lu a aka­de­mic­ké sféře.

Sada ná­stro­jů FEA­Tool nyní ob­sa­hu­je roz­hra­ní API pro mul­ti­fy­zi­kál­ní apli­ka­ce (Mul­ti­phy­s­ics Ap­pli­cati­on Pro­gra­m­ming In­ter­fa­ce) s funk­cí ex­por­tu jed­ním klik­nu­tím a au­to­ma­tic­kou kon­ver­zí si­mu­lač­ních mo­de­lů do skrip­to­vých mo­de­lů MAT­LAB a Py­thon. To uži­va­te­lům umož­ňuje rych­le de­fi­no­vat a na­sta­vit si­mu­lač­ní mo­de­ly v plně in­te­gro­va­ném a snad­no po­u­ži­tel­ném gra­fic­kém uži­va­tel­ském roz­hra­ní a poz­dě­ji je ex­por­to­vat, upra­vo­vat a pro­gra­mo­vě spouš­tět au­to­ma­tic­ky pro roz­sáh­lé pa­ra­me­t­ric­ké stu­die a ge­ne­ro­vá­ní a sběr dat pro fy­zi­kál­ně in­for­mo­va­né neu­ro­no­vé sítě (PINN), stro­jo­vé učení (ML) a si­mu­lač­ní mo­de­ly AI.

Pří­klad po­u­ži­tí FEA­Tool Mul­ti­phy­s­ics k od­vo­ze­ní re­fe­renč­ních dat a ově­ře­ní mo­de­lů CFD pro stro­jo­vé učení lze najít v ně­ko­li­ka pra­cích o me­to­do­lo­gii Deep Lear­ning (DL) CFD pro pre­dik­ci toku s vy­u­ži­tím umělé in­te­li­gen­ce a stro­jo­vé­ho učení, které vy­tvo­ři­li prof. Thi­‑Thu­‑Huong Le a jeho spo­lu­pra­cov­ní­ci z Block­cha­in Plat­form Re­search Cen­ter na Pusan Nati­o­nal Uni­ver­si­ty (PNU) v Ko­re­ji.

Gu­o­dong Sa vy­vi­nul rámec Di­gi­tal Twin (DT) pro vi­zu­a­li­za­ci a návrh in­te­li­gent­ních ku­chy­ní s cílem usnad­nit vy­lep­še­ní de­sig­nu ku­chy­ní a je­jich po­u­ži­tel­nos­ti. V této vý­znam­né práci byl FEA­Tool Mul­ti­phy­s­ics po­u­žit jako plat­for­ma pro pro­gra­mo­vá­ní a ří­ze­ní si­mu­lač­ní sítě a nej­mo­der­něj­ších CFD ře­ši­čů prou­dě­ní, jako je Open­FO­AM, a pro skrip­to­vá­ní, au­to­ma­ti­za­ci a pro­gra­mo­vé ge­ne­ro­vá­ní ti­sí­ců sad si­mu­lač­ních dat pro tré­no­vá­ní rámce di­gi­tál­ní­ho dvoj­če­te.

V ob­las­ti me­di­cí­ny prof. Zhang H. a jeho ko­le­go­vé ne­dáv­no vy­u­ži­li FEA­Tool Mul­ti­phy­s­ics k vý­vo­ji me­to­dy od­šumo­vá­ní a zlep­še­ní zob­ra­zo­vá­ní cév­ní­ho prů­to­ku krve pro lé­kař­skou di­a­gnos­ti­ku po­mo­cí PINN. Data pro tré­no­vá­ní PINN byla au­to­ma­tic­ky ge­ne­ro­vá­na si­mu­la­cí Na­vier­‑Sto­ke­so­vých rov­nic pro různé pod­mín­ky prů­to­ku a ge­o­me­t­rie. Více in­for­ma­cí na­jde­te v je­jich před­tis­ku Fluid Dy­na­mics and Do­ma­in Re­con­structi­on from Noisy Flow Ima­ges Using Phy­s­ics­‑In­for­med Neu­ral Ne­tworks and Quasi­‑Con­for­mal Map­ping (Fluid­ní dy­na­mi­ka a re­kon­struk­ce do­mé­ny z ob­ra­zů šu­mi­vé­ho toku po­mo­cí fy­zi­kál­ně in­for­mo­va­ných neu­ro­no­vých sítí a kva­zi­kon­form­ní­ho ma­po­vá­ní).

Více se dozvíte zde.