设计探索 预测建模 流程集成 智能选择 |
为什么要进行设计探索
设计探索功能使用户能够探索各种设计备选方案并轻松找到最佳解决方案。P7工具允许用户完全设置实验设计研究、组合设计优化策略、运行不确定性量化并在技术之间切换，即时解决设计问题。
Design Exploration 使工程师能够：
无需专业能力即可解决复杂工程问题：设计探索工具支持自动选择最合适的算法。
◉ 建立对其模型的信任
◉ 探索设计备选方案
创建模型 应用设计探索工具
根据结果做出决策
实验设计
实验设计 （DoE） 是测量模型输出的输入选择，以探索设计空间或使用尽可能少量的观测值获得有关模型行为的尽可能多的信息。DoE 可用于执行可靠的基于代理项的优化 （SBO） 或生成训练数据样本，以构建准确的预测模型。
模型行为在维度、大小、平滑度、噪声等方面可能有很大不同，并且可用的模型评估数量通常有限。为了更快、更有效地探索这些模型，P7提供了多种方法，包括众所周知的批处理算法和内部专有的自适应搜索。
实验的自适应设计
自适应实验设计 （ADoE） 在添加新点之前考虑模型行为，并考虑模型的线性和非线性约束。ADoE 支持 3 种方案：
● 设置：变量和边界，线性和非线性约束，目标函数
● 结果：在可行域中采样以获得更好的目标函数近似
统一-可行域采样
探索-响应面改进
轮廓-搜索具有给定
目标函数值的设计
设计优化
设计优化是查找输入参数值的过程，这些参数可以使所研究的产品或制造过程的分析或仿真模型具有最佳性能。最终，它回答了以下问题：
● 如何改善产品或工艺特性？
● 哪种输入参数组合最好？
● 如何降低输入参数可变性对整体产品或过程行为的影响？
P7提供了一整套内部开发的方法和算法，用于在各种约束条件下对一个或多个模型目标函数进行优化。它既可以快速评估分析模型，也可以有效地解决设计优化问题，以及计算资源成本高昂的问题。
在P7中，用户无需对优化算法的内部参数进行繁琐的调整，只需设置模型的基本属性（如果已知），例如其评估预算，响应的平滑度等。之后，智能选择技术提供了基于这些信息的特定设计优化算法的自动和自适应选择。
工程中使用的分析和仿真模型具有一些特点，这些特点通常会阻碍使用开源或学术优化工具。P7在设计优化过程中，可以很容易地考虑这些特点：
大维度
● P7允许处理以下优化问题：
● 数以百计的设计变量
● 数十种约束
多达 10 个目标函数
● 设置：变量和边界，线性和非线性约束
● 结果：可行域内样本均匀
● 设置：变量和边界，线性和非线性约束，目标函数及其所需值
● 结果：再给定目标函数值的可行域中取样
高级问题陈述
● P7 支持以下任意组合：
● 连续变量和离散变量
● 线性和非线性约束
嘈杂、多极值和不可微分的目标
评估时间长
● P7支持并行执行优化程序，从而大大减少计算时间。
模型辨识
模型输入参数有时候很难或不可能确定，例如阻尼或散射系数。进行实验可能会有所帮助，但如果无法直接找到这些参数，则需要进行更高级的研究。
在这种情况下，可以使用 P7 中的模型辨识（或数据匹配）功能。其思想是收集实验的输出数据，并利用未知输入参数创建产品或制造过程的仿真或分析模型。然后通过设置一个优化过程，在预测数据与实验数据之间进行残差检查，以识别未知的输入参数。这种方法提供了更为经济的研究，并确保了更可靠的仿真结果。
不确定性优化（UQ）
各行各业的专家都面临着评估产品不确定参数（如材料性质或工作条件）对其技术和操作特性影响的需求。P7 中的不确定性量化（UQ）完全满足这一需求，使工程师能够显著提高设计产品的质量和可靠性，并在早期设计、制造和运行阶段管理潜在风险。
不确定性量化用于评估模型设计点，考虑所有可能的输入参数偏差及其对输出的影响。输入参数的不确定性通过分布来描述，这些分布基于实验数据、生产约束、最佳实践或工程判断。UQ 过程中最重要的部分是定义模型评估标准，例如失效条件。作为不确定性量化的结果，用户获得了这些标准的分布，包括均值和离散度值，从而可以评估模型的可靠性并做出更好的工程决策。
不确定性传播
pSeven可以有效地量化和处理设计变量和响应中的不确定性：
手动选择输入分配类型
自动将输入和输出样本拟合到可用的分配类型
创建非参数分布
运行敏感性分析以估计不确定性对产品行为的影响
可靠性分析
一些具有不确定性的模型可能满足所有设计标准，但有些可能会失败。P7提供了便捷的产品可靠性评估方法：
提供多种模型采样方法（例如。蒙特卡洛、LHS等）
使用近似方法显著减少复杂仿真运行次数
失败概率估计（N 次失败 / 总仿真次数）
结果和外部数据分析
P7 提供对外部数据的完全控制和丰富的后处理功能。使用一整套交互式和可定制的工具（包括各种表格和统计数据、相关性、依赖关系、平行坐标和 2D/3D 可视化）可视化和重用工程数据。
参数相关性分析
参数依赖性分析
平行坐标图
通过自动和自适应选择技术，预测新设计的响应值，加速复杂仿真，并从大量数据中获取知识。
什么是预测建模
预测建模是一种工程方法，可帮助工程师回答以下问题：
如何预测各种条件下的产品响应？
如何同时处理实验和仿真数据？
如何更快地使用海量数据样本和仿真？
预测建模基于构建、管理和评估预测模型，这些模型通常也称为机器学习模型 （ML）、回归模型、近似模型、响应面模型 （RSM）、降阶模型 （ROM）、代理模式、元模型等。
预测模型用于预测产品设计的功能响应值或行为，而无需运行新的仿真和全面实验。从根本上说，预测模型是描述模型响应曲面的复杂多项式，或者换句话说，是现有数据或仿真的替代（“黑匣子”）。
预测模型允许以方便的格式从大量数据中获取关键知识，在保护知识产权的同时可以在合作伙伴之间安全地交换模型，并大幅加速复杂仿真模型的计算，例如用于快速参数化和优化研究。
构建和管理模型
P7包含一组用于构建和管理预测模型的工具，既可以处理从 P7 工作流中收集数据，也可以导入从来自CSV 或 Excel 文件的数据集。这些模型可以进行评估以获得预测结果或集成到工作流中使用。
特点：
简单易用的图形用户界面
完美处理各种大小的样本：
从微小到巨大的数据集
预测建模技术
pSeven 提供了多种经过行业验证的技术，用于从任何类型的数据构建预测模型：
分段线性逼近 (PLA)
带张力的一维样条曲线 (SPLT)
响应曲面模型 (RSM)
近似张量积 (TA)
不完全近似张量积 (iTA)
高斯过程 (GP)
稀疏高斯过程 (SGP)
张量高斯过程 (TGP)
梯度提升回归树 (GBRT)
高维逼近 (HDA)
结合高斯过程的高维逼近 (HDAGP)
近似器混合模型 (MoA)
表函数 (TBL)
对于缺乏预测建模经验的用户，P7 提供了一种称为智能选择的特殊技术。它是一个内置的决策树，具有一套层次化的选项系统，可自动选择和调整针对特定类型问题和数据最有效的技术。
数据融合
数据融合在是P7中一个非常强大的工具，有助于预测建模并处理具有不同保真度的数据集。作为构建预测模型的输入，它使用高保真度和低保真度的数据集。假设这些数据集分别使用高保真度和低保真度的来源或模型生成，例如实验数据和仿真数据。通过数据融合，可以通过这些模型做出更准确的预测，从而减少昂贵的实验和仿真次数。
数据融合允许用户利用一系列强大的技术来满足他们预测模型的具体需求：
差分近似 (DA)
可变保真度高斯过程 (VFGP)
多保真度高斯过程 (MFGP)
稀疏可变保真度高斯过程 (SVFGP)
高保真度近似 (HFA)
还提供基于提供的数据和用户需求自动选择技术的功能。
降维
复杂几何形状通常由大量参数描述，为了更方便地进行参数化、优化或可视化，通常希望减少其维度。例如，如果几何图形被表示为一组多维点，P7可以用平滑的超曲面来近似它，并生成压缩和解压过程，从而允许：
使用较少数量的参数自动重新参数化几何图形。
快速生成拓扑相近的几何图形
在P7中，用于描述几何形状并以最小误差的参数数量会自动估计，并且可以手动更改。
模型导出
产品越复杂，单一物理模型或独立部分的建模对确保整体产品可靠性和提供市场上最佳产品特性的帮助就越少。系统行为的仿真和优化变得比以往任何时候都更为关键。
将每个仿真连接到系统建模软件可能是可行的方法，但是当单个模型的计算需要几个小时时，通常没有时间进行系统优化，因此可能根本找不到最佳特性。
快速而强大的预测模型可以满足这一需求，并大大加快系统仿真速度。在P7 中根据仿真、分析和实验数据创建的模型可以导出用于外部软件产品，例如，用于 Simulink 或 Simcenter Amesim 等系统建模软件。P7支持以下格式导出预测模型：
FMI（FMU）
MS Excel
Matlab/Octave
可执行程序
C代码等
处理缺失数据和不连续性
完全控制建模时间
验证质量，根据参考数据进行测试，并使用误差图和统计数据比较模型以找到最佳近似值
精确贴合和平滑
使用新数据更新现有模型并合并模型
通过研究一系列二维切片上的输入输出依赖关系来探索多维模型的行为，每个切片都显示一个输入输出对
将模型导出为 C 代码、Matlab/Octave、Excel 和 FMI（用于协同仿真的 FMU）格式
将所有 CAD/CAE 软件集成到一个工作流程中，探索虚拟的产品原型行为，并通过自动化消除重复性任务
流程集成
创建仿真工作流
使用数据驱动的工作流程、逻辑操作和嵌套循环，完全控制计算顺序，支持创建任意复杂的设计流程。
自动更新模型
建立不同建模和仿真软件工具之间的自动数据和文件交换，以消除重复和常规的几何体、网格或结果更新任务。
定义设计探索步骤
逐步探索产品的行为，以节省计算资源和后处理时间。
进行权衡研究
利用本地和全局工作流程参数化来选择产品输入参数的最佳组合。
构建虚拟原型
将描述产品的不同第三方软件和内部软件结合到一个工作流程中，以获取关于产品行为的更多见解。
利用数据
收集复杂仿真的结果以便将来重复使用，或者将它们转化为稳健且易于使用的预测模型，以更快地获得输出响应。
工作流创建
P7中的设计过程表示为一系列具有特定执行顺序和条件的计算任务，称为工作流程。它由图形块、链接和全局参数组成，提供计算顺序的直观和可视化定义。
P7的工作流引擎允许处理任意复杂的工程问题，不仅可以将多个第三方软件简单集成到一个工作流中，也支持工作流的分层、嵌套、循环，以完成多保真度的多学科优化任务。
包含多个CAD/CAE软件的优化流程
外部软件集成
作为一个供应商中立的平台，pSeven允许工程师将他们公司使用的任何CAD/CAE软件包集成到一个工作流程中，并通过自动化它们之间的文件和数据交换来消除繁琐的重复性任务。
P7提供了3种集成外部软件的方式：
通用集成——使用程序块和文本块以及命令行界面进行集成。比直接集成块具有更大的灵活性，但通常需要一些脚本编写或手动命令输入。
直接集成——针对特定软件。
自定义集成——用户自行开发的带有UI和自动生成参数树的图形块，类似于直接集成块。比通用集成提供更多灵活性，但需要 Python 编程技能。
通用集成
在需要集成特定、罕见或内部软件的情况下，通用集成方法非常实用。它比直接集成模块更灵活，但通常需要根据所使用的软件手动输入特定的命令。这种方法基于输入/输出文件的交换，并默认使用大多数现代CAD/CAE软件提供的命令行接口。
通用集成方法允许使用程序块和外部文本文件集成几乎所有第三方软件，例如：
Abaqus
LS-DYNA
MSC Nastran / MSC Adams
Amesim
OpenFOAM
CST Microwave Studio
MATLAB / Simulink
Legacy Fortran / C++ programs
用户自建工具/脚本等等
直接集成
P7中的直接集成模块用于管理特定外部软件的执行，并处理它们之间输入/输出参数和文件的传输。这些模块易于配置，无需掌握软件的命令行接口。
P7支持与主流的CAD/CAE系统以及流行的工程软件包直接集成，如：
ANSA
◉ ANSYS Workbench
◉ CATIA
◉ Creo
◉ Excel
◉ FloEFD
◉ FMI models
◉ Kompas3D
◉ NX
◉ SimInTech
◉ SimulationX
◉ SolidEdge
◉ Solidworks
◉ STAR-CCM+
换句话说，这些块通过 API 在工作流和外部软件之间创建直接接口。例如，它可以是 CAD 软件或 CAE 求解器，允许创建几何模型或运行仿真，并将其计算结果在P7的工作流程中使用。
直接集成块的数量也在不断增加，受客户需求驱动。
FloEFD集成到P7中
自定义集成
P7提供了用户开发自定义模块以集成外部软件和自定义这些模块逻辑的方法。这需要一些 Python编程，UI是自动生成的。其他用户也可以将这些块添加到数据库中以便日后使用。
使用用户自定义块的主要场景包括：
创建一个直接集成块，该模块使用外部软件的API自动生成参数树并将结果映射到输出端口。
将通过文本和程序块的通用集成方法替换为单个块，该块可执行命令行调用外部软件自动生成输入并解析输出文本文件。
自定义块示例
自定义Python脚本
出了广泛的外部软件集成能力外，P7还允许您在工程流程中运行自定义Python脚本，这大大拓展了P7的应用范围。
Python脚本块的主要功能：
内置解释器，无需安装Pythone。
能够在块中测试和调试脚本。
包含许多可直接使用的专用Python模块
科学计算：NumPy、pandas、SciPy、SymPy、scikit-learn、NetworkX和statistics。
绘图：Bokeh和Matplotlib（包括cycler）
能够添加外部Python模块并使用外部Python解释器。
带自定义脚本的Python脚本块
远程执行和HPC
P7允许远程执行CAD/CAE程序于：
远程Windows计算机的P7代理
远程Linux计算机的SSH连接
直接与HPC服务器上的Slum、LSF和Torque接口交互
HPC和并行计算功能：
轻松处理批量数据输入（参数列表）
内置对Job数组机制的支持
数据同步自动化（文件管理）
CAD模块自动重建模型
智能选择
自动选择适当和最有效的设计探索和预测建模算法。
什么是智能选择
众所周知，设计探索和预测建模解决方案的效率很大程度上取决于正确的技术选择。繁琐的优化算法内部参数调整或手动搜索适当的预测建模技术可能会消耗大量时间，并且容易失败。
智能选择 是 P7 中设计探索和预测建模工具中的一种技术，它能自动选择针对特定类型问题和数据最有效的解决方案。该技术的原理是，用户仅需通过重要和清晰的问题描述和属性与工具进行交互，而不需要关注用户可能不熟悉或不关心的算法和技术的低级细节。
智能选择中的提示和选项可帮助用户从他自己的角度而不是从算法的角度描述问题和期望的解决方案，。它隐藏了内部技术的复杂性，以便于用户可以专注于工程问题本身。这为设计探索和预测建模提供了专家级数学工具，即便用户并非是该领域的专家也可以轻松应对。
用于设计探索的智能选择
成功的设计探索过程在很大程度上取决于许多技术方面，并且可以使用不同的内部算法集实现多种实验设计和设计优化技术。这就是为什么选择一种静态技术进行设计探索可能不会产生预期的结果。
智能选择使用用户提供的有关问题的线索进行初步导航并自动选择算法，同时在求解过程中自适应调整其参数。
帮助用户描述问题和期望解决方案的选项和线索：
变量类型：连续变量、离散变量、分类变量
响应类型：评估、最小化、约束等。
响应函数：通用、线性、二次等。
问题线索：嘈杂、昂贵
在求解过程中，如果结果性能下降，系统会中断并使用下一个合适的算法重新开始，
使用智能选择与AS、NSGA2优化算法的优化结果对比（280次迭代）
根据问题类型自动选择合适的设计探索算法
用于预测建模的智能选择
选择静态技术往往不足以构建准确的预测模型。预测建模技术的最佳模型类型和参数在很大程度上取决于特定问题和给定数据。换句话说，从技术角度来看，关键信息可能事先不知道。
智能选择为预测建模提供自动和自适应技术选择：
可帮助用户描述问题和期望解决方案的线索：
有关数据：依赖关系、结构等。
期望的模型属性：精确拟合、平滑等。
构建属性：时间、质量等。
为了获得更好的近似质量，可以使用不同的技术构建模型的不同部分。
用于预测建模的智能选择设置
不同的技术支持不同的选项和模型构建。SmartSelection 自动浏览所有这些选项，并为您的模型选择最佳的技术：
Ps：从左到右依次为：速度与质量预设、精度评估、精确贴合、线性度要求、张量结构、内部验证、点权重、平滑、随机训练、输出对数 （深色的√表示支持，浅色的√表示特定条件下支持）
即使使用默认设置，SmartSelection 构建的预测模型在模型质量和时间效率上都优于 Scikit-learn、XGBoost 和 GPy 等著名开源算法。 了解更多（Approximation in pSeven vs. Open Algorithms）
不同预测建模技术的模型精度对比
不同预测建模技术的训练时间对比
|
|