Mit HyperWorks shapeAI kann man die Muster- und Formerkennung innerhalb eines Modells automatisieren, so dass sich alle verwandten Formen auswählen und gleichzeitig bearbeiten lassen. Anhand von Clustering werden Teile gruppiert, so dass man eine kleine Anzahl von Gruppen anstelle einer großen Anzahl von Einzelteilen modellieren kann.

shapeAI enthält eine automatische Merkmalsextraktion für die angegebene Geometrie ohne zusätzliche Eingaben oder Eingriffe. Dank der Kombination dieser Funktionen mit ML-Algorithmen in den HyperWorks Matching Tools kann jeder die Leistungsfähigkeit von geometrischem ML selbst ausreizen. Mit shapeAI kann man Komponenten komplexer Modelle nach geometrischer Ähnlichkeit organisieren, so dass Änderungen an einem Teil mit allen anderen synchronisiert werden können.

Modelle reduzierter Ordnung (ROMs) sind nützlich, um detaillierte 3D-Simulationen in eine rechnerisch effizientere 1D-Umgebung für Untersuchungen auf Systemebene einzubinden. Simulationswerkzeuge wie Altair® EDEM™ oder Altair CFD™ ermöglichen detaillierte Untersuchungen zeitvariabler und nichtlinearer Systeme. Wegen der langen Simulationsläufe konzentriert sich die Analyse in der Regel auf eine Komponente oder ein Teilsystem. Im Falle einer Gesamtsystemsimulation ist es jedoch oft ausreichend, das Verhalten der Komponenten auf ihre Interaktion mit dem Gesamtsystem zu reduzieren, um die Laufzeit des Solvers zu verkürzen und dennoch ausreichend genaue Ergebnisse zu erhalten.

Durch den Einsatz des Werkzeugs romAI von Altair für künstliche Intelligenz können 3D-Simulationen als Trainingsdaten für die Erstellung dynamischer ROMs herangezogen werden. Es sind nur wenige 3D-Simulationsläufe erforderlich, da dieser Ansatz weniger Trainingsdaten benötigt als herkömmliche datengesteuerte Methoden. romAI kann mit jedem Solver arbeiten und liefert hochpräzise Ergebnisse, wenn es innerhalb des Trainingsbereichs arbeitet, und ist sogar bei der Extrapolation außerhalb des Bereichs stabil und nützlich. Das gleiche ML-Verfahren kann auch zur Systemidentifikation verwendet werden, wenn man von Testdaten ausgeht.

Digitale Zwillinge helfen bei der Optimierung der Produktleistung, bei einem transparenten Einblick in den Produktlebenszyklus, beim Bestimmen einer rechtzeitigen und zielgerichteten prädiktiven Instandhaltung und beim Verlängern der Nutzungsdauer eines Produkts. Die Integrationsplattform für digitale Zwillinge von Altair verbindet physikalisch und datengesteuerte Zwillinge zur Optimierung während des gesamten Produktlebenszyklus. Wir verfolgen einen vollständigen, offenen und flexiblen Ansatz für Ihre Vorstellungen bei der digitalen Transformation zu Ihren Bedingungen.

Der physikgestützte, simulationsgesteuerte digitale Zwilling nutzt standardisierte, toolunabhängige Schnittstellen wie das Functional Mock-up Interface (FMI), Co-Simulationsmethoden mit geometriebasierten 3D-CAE-Tools und Reduced-Order-Model-Ansätzen, um aus detaillierten Simulationen Low-Fidelity-Modelle abzuleiten. Der datengesteuerte Zwilling verwendet Algorithmen des maschinellen Lernens sowie Data Science zur Optimierung der Produktleistung. Wenn Sie das Problem aus diesem Blickwinkel betrachten, können Sie schnell und in Echtzeit Einblicke in den Produktstatus erhalten und dann die entsprechenden operativen Anpassungen vornehmen, um die Lebensdauer des Produkts zu verbessern und Ausfälle zu vermeiden.