Перейти к содержимому

Интеграция ИИ в рабочие процессы инженерного моделирования

Applied CAx

0:00 / 0:00

Интеграция ИИ в рабочие процессы инженерного моделирования

162 просмотра · 4 дня назад
Applied CAx
9,38 тыс. подписчиков
162 просмотра · 4 дня назад
Присоединяйтесь к нам, чтобы изучить практическую интеграцию, преимущества и ограничения применения моделей ИИ в традиционных рабочих процессах автоматизированного проектирования (САПР). После приобретения компанией Siemens компании Altair в 2025 году, Simcenter PhysicsAI и Altair AI Studio теперь входят в единый портфель — сама AI Studio теперь является одним из компонентов новой платформы Siemens Intelligence Center X. На этом сеансе сравниваются два базовых подхода (геометрическое глубокое обучение против табличного машинного обучения), показано, как каждый из них обеспечивает быстрое прогнозирование в STAR-CCM+ и HyperMesh, и подчеркнуто, как результаты PhysicsAI могут напрямую передаваться в Intelligence Center X. Мы также рассмотрим рентабельность инвестиций в внедрение ИИ в среды моделирования, а также требования к данным, проблемы масштабирования и распространенные проблемы, которые могут изменить объем проекта. Что мы рассмотрим: Введение в инструменты моделирования на основе ИИ — основные различия между PhysicsAI (геометрическое глубокое обучение), AI Studio (табличное машинное обучение, теперь часть Intelligence Center X) и другими вариантами, объединенными под эгидой Siemens. Интеграция программного обеспечения — общее руководство по взаимодействию этих инструментов в рамках объединенной экосистемы Siemens, включая использование данных и моделей, сгенерированных PhysicsAI, в Intelligence Center X. Генерация и подготовка данных — стратегии извлечения функциональных обучающих наборов данных с использованием планирования экспериментов (DoE). Сильные стороны и возможности — использование моделей ИИ для ускорения исследования на ранних этапах проектирования, получения результатов полевых испытаний и отслеживания KPI. Оценка рентабельности инвестиций и практического применения — определение того, для каких задач оправдано обучение модели ИИ, а для каких — использование традиционных решателей физических задач.