Khoa học dữ liệu kỹ thuật và AI

Học sâu hình học

Các bộ giải truyền thống trên các lĩnh vực cấu trúc, nhiệt, chất lỏng, sản xuất và điện từ rất chuyên sâu về mặt tính toán - làm chậm sự đổi mới. Các mô hình học sâu hình học được đào tạo trên dữ liệu mô phỏng hoạt động trực tiếp trên các lưới và mô hình CAD, mang lại kết quả trường 3D đầy đủ trong vài giây. Các kỹ sư có thể đánh giá các thiết kế trong thời gian thực và chạy các nghiên cứu tối ưu hóa mà không yêu cầu chuyên môn AI.

Khám phá và tối ưu hóa thiết kế dựa trên AI

Khám phá thiết kế truyền thống tốn nhiều thời gian và có nguy cơ thiếu kết quả tối ưu. Thuật toán SHERPA - lai, thích ứng và nâng cao AI, học hỏi từ dữ liệu mô phỏng và thử nghiệm để điều hướng các không gian thiết kế phức tạp. Hỗ trợ Tối ưu hóa Thiết kế Đa ngành (MDO), nó đồng bộ hóa giữa các lĩnh vực kỹ thuật để xác định các thiết kế có hiệu suất cao, khám phá các đánh đổi tốt hơn và đưa ra quyết định tự tin nhanh hơn.

Mô hình theo thứ tự giảm

Các mô hình FEA, CFD và DEM có độ trung thực cao đòi hỏi nguồn lực và thời gian tính toán đáng kể. Mô hình bậc giảm đơn giản hóa sự phức tạp của các mô hình này thành các biểu diễn cực nhanh, chính xác bằng cách sử dụng các phương pháp Phân hủy trực giao thích hợp (POD), Krylov và mạng nơ-ron. Xuất thông qua FMI, ONNX hoặc mã C cho phép tích hợp liền mạch vào mô phỏng hệ thống và cặp song sinh kỹ thuật số mà không làm mất độ chính xác.

Twins kỹ thuật số thực thi (xDT)

Các mô hình tĩnh không thể theo kịp với sự phức tạp trong thế giới thực. Executable Digital Twins đóng gói các mô hình dựa trên vật lý, AI và thứ tự giảm vào các phiên bản di động, khép kín - có thể triển khai ở rìa, đám mây hoặc tại chỗ. Bằng cách liên tục phản chiếu các tài sản vật lý, XDT cho phép giám sát hiệu suất theo thời gian thực và bảo trì dự đoán, trao quyền cho các kỹ sư đưa ra quyết định dựa trên dữ liệu trong suốt vòng đời sản phẩm.

Khám phá Cổng Digital Twin của Simcenter