Diseño impulsado por la IA

Los avances en los campos de la inteligencia artificial (IA) y el machine learning (ML), combinados con una mayor disponibilidad de robustos conjuntos de datos de simulación, de prueba y de campo, han convertido la ciencia de datos de ingeniería en un componente crítico del ciclo de desarrollo de productos moderno. La ingeniería asistida por ordenador (CAE) aumentada por la IA está ofreciendo a los fabricantes la posibilidad de descubrir información guiada por machine learning, explorar nuevas soluciones a problemas de diseño complejos mediante flujos de trabajo basados en la física y la IA y lograr una mayor innovación en los productos mediante la colaboración y la convergencia de diseños.

Generación de diseños

Aumenta las prácticas de desarrollo de productos existentes y multiplica la productividad de los equipos de ingeniería con tecnología de IA para explorar una población más extensa de satisfacción al cliente y alternativas de diseño de nuevos productos de alto rendimiento y aptos para su fabricación.

Al aplicar las mismas herramientas basadas en la física que se utilizan para la verificación desde el concepto hasta el diseño, pasando por la aprobación, con la orientación del machine learning y utilizando restricciones de organización específicas, Altair® DesignAI™ permite una convergencia de diseños más rápida al rechazar con confianza diseños de bajo potencial al principio de los ciclos de desarrollo.

Previous
Next

Exploración de diseños

Aumenta la colaboración, acelera la convergencia de diseños y potencia la innovación en los productos con herramientas de diseño impulsadas por la IA.

Para el modelado de alta fidelidad de geometrías complejas, los analistas pueden utilizar Altair® HyperWorks® Design Explorer, un flujo de trabajo integral para la predicción y evaluación del rendimiento en tiempo real. Al automatizar las tareas repetitivas utilizando machine learning, Design Explorer realiza intuitivamente un modelado directo para la creación y edición de geometrías, la extracción de superficies medias, el mallado medio y de superficie y la corrección de la calidad de la malla, todo ello combinado con una gestión del ensamblaje y una orientación del proceso eficientes.

Optimización del diseño

Desde el ajuste preciso hasta la síntesis del diseño, pasando por complejos proyectos multifísicos o el estudio de conjuntos de datos, Altair® HyperStudy® ayuda a los equipos multidisciplinares a obtener información a partir de modelos complejos, a explorar y crear nuevos conceptos con diversas entradas, a determinar las mejores soluciones intermedias y a tomar decisiones.

La tecnología de simulación combinada con la exploración de diseños y el machine learning permite a los ingenieros afrontar con eficacia las exigencias de los plazos de comercialización y ayuda a los equipos a ofrecer productos de mayor rendimiento que tienen en cuenta más dimensiones de diseño a lo largo del proceso de desarrollo.

Previous
Next

Modelado de alta fidelidad simplificado gracias a la IA aqui voy

Gracias a HyperWorks shapeAI, es posible automatizar el reconocimiento de patrones y formas dentro de un modelo, de modo que el usuario puede seleccionar todas las formas similares y editarlas al mismo tiempo. Utiliza la agrupación en clústeres para agrupar las piezas, lo cual permite al usuario modelar un pequeño número de grupos en lugar de una gran cantidad de piezas individuales.

shapeAI contiene una función de extracción automática de características para la geometría especificada sin necesidad de intervenir ni de introducir ningún dato adicional. Al combinar estas características con algoritmos de machine learning en las herramientas correspondientes de HyperWorks, todos los usuarios tienen a su alcance el poder del machine learning geométrico. shapeAI puede utilizarse para organizar los componentes de modelos complejos por similitud geométrica, de modo que las modificaciones de una parte puedan sincronizarse con todos ellos.

Detección de anomalías y análisis en banco de pruebas con IA

Altair® Compose® es un entorno para realizar cálculos matemáticos y manipular y visualizar datos, así como para programar y depurar scripts, que resulta útil para repetir cálculos y automatizar los procesos. Compose permite a los usuarios realizar una gran variedad de operaciones matemáticas, entre ellas el procesamiento de señales.

signalAI es una biblioteca que potencia el procesamiento de señales con machine learning. signalAI puede llevar a cabo la preparación de datos tanto en dominios temporales como en dominios de frecuencia. A continuación, puede entrenar automáticamente modelos de detección de anomalías para detectar comportamientos atípicos. Además, para los datos etiquetados, puede entrenar automáticamente modelos de clasificación para predecir la firma de la señal e identificar el entorno operativo o de prueba.

Previous
Next

IA para la generación dinámica de modelos de orden reducido

Los modelos de orden reducido (ROM) son útiles para incorporar la simulación 3D detallada en un entorno 1D más computacionalmente eficiente para realizar estudios a nivel de sistema. Las herramientas de simulación como Altair® EDEM™ o Altair CFD™ permiten realizar investigaciones detalladas de sistemas no lineales que varían en el tiempo, pero, debido a las largas ejecuciones de simulación, el análisis se suele centrar en un componente o subsistema. Sin embargo, en caso de simulación de un sistema completo, a menudo basta con reducir el comportamiento de los componentes a su interacción con el sistema completo, lo que mejora el tiempo de ejecución del solver sin dejar de proporcionar resultados suficientemente precisos.

Al aprovechar la herramienta de inteligencia artificial romAI de Altair, las simulaciones 3D se pueden utilizar como datos de entrenamiento para generar ROM dinámicos. Solo se necesitan unas pocas ejecuciones de simulación 3D, ya que con este método se necesitan menos datos de entrenamiento que con los métodos tradicionales basados en datos. romAI puede trabajar con cualquier solver y produce resultados muy precisos cuando opera dentro del espacio de entrenamiento e incluso es estable y útil para la extrapolación fuera del espacio. También se puede utilizar la misma técnica de machine learning para la identificación del sistema cuando se parte de datos de prueba.

Previous
Next

Aprovechando los datos de campo para el análisis predictivo

Los analistas y científicos de datos de ingeniería utilizan Altair para generar información procesable a partir de sus datos. Altair® Knowledge Studio® es una excelente solución de machine learning y análisis predictivo fácil de usar que permite visualizar con rapidez los datos mientras genera rápidamente resultados explicables, sin necesitar ni una línea de código.

La ciencia de datos de ingeniería tiene aplicaciones prácticas en muy diversos problemas de diseño y de fabricación de productos. El estampado de chapa metálica es uno de los procesos de fabricación más comunes en la industria de la automoción, pero exige una dilatada experiencia y un gran esfuerzo manual para determinar el subproceso más adecuado y rentable para cada pieza.

Previous
Next

Gemelos digitales impulsados por la simulación y basados en datos aqui voy

Los gemelos digitales ayudan a las empresas a optimizar el rendimiento de los productos, a visualizar mejor la vida útil de un producto y a saber cuándo y dónde realizar el mantenimiento predictivo y entender cómo prolongar la vida útil restante de un producto. La plataforma de integración de gemelos digitales de Altair combina gemelos basados en datos y en la física para contribuir a la optimización a lo largo del ciclo de vida del producto. Adoptamos un enfoque integral, abierto y flexible que te permitirá materializar tu visión de transformación digital como desees.

El gemelo digital basado en la física e impulsado por la simulación se sirve de interfaces normalizadas e independientes de las herramientas, como Functional Mock-up Interface (FMI), métodos de co-simulación con herramientas CAE 3D basadas en la geometría y enfoques de modelado de orden reducido para obtener modelos de baja fidelidad a partir de simulaciones detalladas. El gemelo basado en datos utiliza algoritmos de machine learning y ciencia de datos para optimizar el rendimiento del producto. Observar el problema bajo este prisma te permite obtener información rápida y en tiempo real del estado del producto para hacer los ajustes operativos oportunos y mejorar la vida del producto evitando fallos.

Durabilidad

La durabilidad es una característica importante en un producto para garantizar la fidelidad del cliente. Basándose en las capacidades de resolución de OptiStructAltair® HyperLife® proporciona un completo y sencillo flujo de trabajo de análisis de fatiga que se conecta directamente con los principales archivos de resultados de análisis de elementos finitos. Con una base de datos de materiales integrada, HyperLife ofrece soluciones para predecir la resistencia a fatiga en condiciones de carga estática y transitoria en una amplia gama de aplicaciones industriales.

Soluciones de Altair Partner Alliance (APA) para estructuras

El APA establece colaboraciones a largo plazo con algunos de los principales proveedores de software estructural como:

  • MAESTRO de MAESTRO Marine es un producto comercial que lleva más de 30 años en el mercado para realizar análisis más rápidos y precisos de las estructuras flotantes y los buques marinos.
  • Para el análisis de materiales compuestos, QSD® de Cetim presenta un enfoque «desde el diseño hasta la fabricación» para optimizar las piezas de materiales compuestos.
  • Un aspecto importante del análisis estructural es el análisis NVH, para el que APA cuenta con varias tecnologías asociadas, entre ellas AlphaCell de Matelys.
  • Para obtener un modelado y una visualización diseñados para maximizar y acelerar tus datos 3D, la solución CADdoctor de Elysium reduce los errores y los retrasos del proyecto, que tanto tiempo hacen perder, para eliminar la incertidumbre de tus datos 3D.

Puedes tener a tu disposición estas y muchas otras herramientas con tu licencia Altair Units.