Модуль Data Analytics
Новый модуль Data Analytics был добавлен в DEFORM V12.0 осенью 2019г. (в данный момент находится в стадии бета-тестирования).
В версии DEFORM V12.0.1 модуль был улучшен и доработан. Модуль доступен для пользователей системы DEFORM Premier. Другие пользователи могут связаться с нами для получения дополнительной информации.
Инструменты модуля Data Analytics позволяют выполнять анализ инженерных и производственных задач путем вычисления статистики, построения моделей, и визуализации данных из существующей информации.
Эти инструменты позволяют найти взаимосвязи между известными вводными и известными результатами процессов, «тренируя» модель машинного обучения, чтобы идентифицировать скрытые закономерности и тренды, по схеме представленной на рисунке слева.
Как только обучаемая модель будет «натренирована», в модель можно вводить входные значения, с которыми она еще «не встречалась», далее в соответствии с набранным «опытом», модель интерпретирует новые вводные в соответствующий результат.
Проще говоря, модуль позволяет узнать, как или почему что-то произошло, и использовать этот опыт, чтобы найти то, что может произойти в альтернативных сценариях (см. след. рисунок).
В отличие от конечно-элементного моделирования (FEM) при решении инженерных и производственных задач, подход, реализованный в модуле Data Analytics,
позволяет в значительной степени экономить людские и вычислительные ресурсы.
Новые инструменты модуля Data Analytics имеют широкие возможности для применения и способны работать с наборами данных из множества различных источников.
Могут быть импортированы данные физических экспериментов, к примеру, поступающие от координатно-измерительных машин (КИМ), тензодатчиков, экстензометров, термопар или других приборов.
Численные результаты могут быть импортированы из DEFORM или другого программного обеспечения. Также могут быть интегрированы эвристические правила, основанные на человеческом опыте или эмпирических формулах.
Гибкий инструментарий модуля Data Analytics служит множеству целей. Анализ чувствительности позволяет определить, какие факторы процесса оказывают наибольшее влияние на результаты.
Моделирование FEM может быть напрямую сопоставлено с экспериментальными данными. Это может быть полезно для разработки суррогатной модели, которая применяется когда FEM моделирование или физический эксперимент слишком сложны или ресурсоемки.
Суррогатная модель предсказывает отклик параметров процесса по значительно меньшему количеству экспериментов/моделирований, чем при классическом подходе. FEM или постобработка данных также могут быть расширены путем привязки их к обученным моделям.
Пользователи имеют возможность выполнять проекты Data Analytics непосредственно в среде DEFORM.
Все проекты по анализу данных используют один и тот же рабочий процесс:
- сначала пользователь импортирует данные, систематизирует их, устанавливает цель исследования и выбирает тип модели.
Доступны следующие модели: регрессионная, гауссова, нейронной сети, подгонки уравнений или линейной интерполяции.
Одновременно можно работать с несколькими типами моделей, в частности, можно объединить несколько моделей или использовать одну модель в качестве входных данных для другой.
- далее происходит тренировка модели. После завершения тренировочного или прогностического прогона проверяются связи. Во время проверки тренированной модели, прогнозируемые результаты сравниваются с измеренными выходными данными.
Оценочные графические и статистические инструменты упрощают процесс проверки и обучения.
После того, как прогнозы модели в достаточной степени совпадают с результатами моделирований или экспериментов, модель готова для окончательного этапа создания, после которого,
обученная модель готова к прогнозированию новых выходных данных для новых наборов входных данных.
На рисунке слева приведен пример анализа (данные предоставлены Колорадской горной школой, Jernberg Forge (MPG) и Образовательным и исследовательским фондом кузнечной промышленности (FIERF)). Лабораторные испытания показали,
как контролируемая скорость охлаждения влияет на твердость заготовок из микролегированной стали. Этот набор известных вводных и результатов (слева на рисунке) был использован для обучения в Data Analytics модели, характеризующей это отношение (в центре рисунка).
Затем в натренированную модель в качестве нового ввода импортируется результат моделирования DEFORM-3D, в частности скорость охлаждения заготовки (на рис. - вверху справа). Обученная модель выдает прогноз окончательной твердости поковки (на рис. - справа внизу).
Двигаясь дальше в увеличении точности исследования, можно «перетренировать» модель добавив в нее уже производственные данные. Инструменты машинного обучения, как правило, тренируются более эффективно по мере роста объема данных.
На рисунке справа можно увидеть, экспериментальные данные дополняются данными из других источников.
Второй пример работы Data Analytics связан с разработкой суррогатной модели процесса прокатки профиля.
Предполагалось спрогнозировать выходные параметры этого процесса, такие как: осевая нагрузка на валок, крутящий момент валка и разброс геометрических размеров конечного профиля.
Вначале было произведено 50 моделирований в модуле планирования численного эксперимента (DOE) позволившего создать карту связей факторов и выходных параметров процесса.
Были оценены восемь факторов, включая 3 фактора формы исходной заготовки, 3 фактора формы валка и 2 фактора режимов процесса.
Входные и выходные переменные из исследования DOE были переданы в модуль анализа данных в качестве известных данных. Статистические инструменты в среде анализа данных определили, какие факторы оказали наибольшее влияние на осевую нагрузку,
крутящий момент, а так же разброс геометрии профиля. Затем была создана модель Data Analytics для выявления связи известных исходных уровней варьирования факторов с известными значениями выходных параметров DOE.
Нагрузка, крутящий момент и разброс были впоследствии предсказаны для 10 новых входных сценариев. Прогнозируемый крутящий момент оценивался по отношению к эталонному крутящему моменту из предыдущих расчетов DOE.
Было достигнуто хорошее соответствие (погрешность 0-9%) между крутящим моментом, предсказанным Data Analytics, и крутящим моментом, предоставленным базовым моделированием DOE.
Этот пример иллюстрирует, как Data Analytics может использоваться в качестве части системы проектирования изделий и процессов.
Результаты моделирования, эксперимента или производства могут использоваться для оценки и охарактеризования процесса. Затем обученная модель может предсказать «реакцию» технологического процесса на интересующие факторы.
Это может помочь пользователям ускорить оценку последствий изменений рассматриваемых процессов, без большого количества моделирований или физических экспериментов.
|
