【2026.1】PhysicsAI 亮點新功能與 HyperStudy 最佳化整合應用

技術中心

Technology

技術中心

所有分類
【2026.1】PhysicsAI 亮點新功能與 HyperStudy 最佳化整合應用
Nov.19,2026

前言:突破傳統 CAE 算力瓶頸的 AI 最佳化實踐

以 PhysicsAI 結合邊界條件導出與數據純化擔任求解器,數秒內完成 PCB 結構尋優

在傳統結構最佳化流程中,每次變更幾何或鎖點位置皆須重劃網格並等待求解器運算,高昂耗時往往迫使工程師限縮迭代次數(Run Count),降低找到全域最佳解的機率。

    Altair PhysicsAI 透過幾何深度學習於數秒內完成物理場預測。本文彙整瑞其科技徐穎成協理(Chris)於 Altair RTC 大會之技術實戰,解析 PhysicsAI 2026.1 亮點並詳解 PCB 鎖點位置最佳化整合流程。


 

第一章 PhysicsAI 2026.1 核心亮點解析

▶ 瑞其觀點
PhysicsAI 2026.1 遷移至 PyTorch 並支援元素場熱點訓練,搭配邊界條件 3D 視覺化驗證,使 AI 模型更貼近工程實際精度需求。

PhysicsAI 2026.1 集中式專案儀表板與功能整合介面

圖 PhysicsAI 2026.1 集中式專案儀表板與功能整合介面

  • PyTorch 遷移與自動資源調度:底層引擎全面遷移至 PyTorch,自動偵測本機 GPU 啟用平行加速;推出 PhysicsAI Dashboard 歡迎介面,並支援自動掃描同目錄 .out 與 .pch 提取向量數據(模態分析自動識別固有頻率)。

  • 特徵視覺化與新元素擴展:Results Tree 納入 Model Data 與 Vector Features,支援於 3D 視窗雲圖顯示自訂邊界特徵;新增支援 SPH 粒子元素與單點質量元素(暫不支援 SOL2SPH)。

TNS 元素場訓練控制與標準化 0 至 1 相似度評分演算法

圖 TNS 元素場訓練控制與標準化 0 至 1 相似度評分演算法

  • TNS 元素場與離散控制:TNS(拓撲神經網絡)可直接訓練元素場數據,提升局部熱點(Hotspots)應力精度;新增 Discretization 控制項保留原始輸出定義。

  • 評分標準化與效能躍升:相似度評分更新為標準化 [0, 1] 區間並納入連續特徵加權;動態高亮標記離群值,訓練速度提升最高 5 倍且峰值記憶體降低 2 倍。


 

第二章 PCB 鎖點最佳化:資料生成與數據純化

▶ 瑞其觀點
外型變化有限而以鎖點位移為主的結構問題,須透過自動化導出邊界條件 CSV 與數據純化,方能建構可靠的工程 AI 模型。

PCB 模型與邊界條件設定

圖 PCB 模型與邊界條件設定

    本案例針對可變外型 PCB 之 4 處螺栓鎖點進行位置最佳化。全模型採用一階六面體元素(HEX 8),螺栓底面拘束全自由度,兩處鎖固區施加 300 N 與 150 N 下壓力,並以 4 處螺栓向內位移與 PCB 長度共 5 組變形向量定義空間。

AI 訓練用資料自動化生成與邊界條件導出架構

圖 AI 訓練用資料自動化生成與邊界條件導出架構

HyperMesh 自動參數建模、網格壓印與六面體擠出流程

圖 HyperMesh 自動參數建模、網格壓印與六面體擠出流程

  • 自動化建模與雙 DOE 抽樣:透過 HyperMesh Python 腳本自動更新尺寸、壓印擠出 HEX 8 網格,並擷取施力與拘束節點 ID、Fx、Fy、Fz 及 SPC 導出為 *.csv 邊界檔;於 HyperStudy 約束變數避開元件受力區,結合空間填充法與邊界極值法產生 84 組樣本交由 OptiStruct 求解。

HyperStudy 雙 DOE 抽樣設定與 84 組訓練樣本庫

圖 HyperStudy 雙 DOE 抽樣設定與 84 組訓練樣本庫

  • 數據純化與 Compose 純量化:以 HyperMesh Python API 刪除螺栓部件,結合 HyperView HWC 匯出空白 .h3d 檔;透過 Altair Compose 撰寫 OML 程式提取最大主應力張量,節點平均純量化後映射寫入空白 .h3d(解決 PhysicsAI 張量僅原生支援 von Mises 之限制),完成 84 筆純淨訓練集建置。

Compose OML 程式提取張量結果並純量化映射流程

圖 Compose OML 程式提取張量結果並純量化映射流程


 

第三章 HyperStudy 整合最佳化與驗證對比

▶ 瑞其觀點
以 PhysicsAI 搭配 Hook 指令動態注入最新邊界 CSV 擔任求解器,可將探索次數擴增至百次等級並維持高準確度。

HyperStudy 整合 PhysicsAI 與 Hook 指令傳遞邊界條件架構

圖 HyperStudy 整合 PhysicsAI 與 Hook 指令傳遞邊界條件架構

    在 TNS 模型訓練完畢後,於 HyperStudy 關聯自動化純化與導出腳本,並透過特定 Hook 指令讓 PhysicsAI 推論時讀取最新 *.csv 邊界資訊。目標函數設定為最小化最大主應力,拘束條件為位移小於 3 mm,採用 GRSM(全局響應面搜尋法,較基因演算法節省 70% 以上模擬次數)執行 100 次迭代。

HyperStudy GRSM 演算法 100 次最佳化迭代收斂歷程

圖 HyperStudy GRSM 演算法 100 次最佳化迭代收斂歷程

    將最佳設計提交 OptiStruct 進行有限元素驗證,結果與原始設計對比如下:

  • 最大位移:自原始 5.96 mm 降至 OptiStruct 驗證 1.52 mm(降幅 74.50%),PhysicsAI 預測為 1.59 mm(誤差 4.60%)。

  • 最大主應力:自原始 189.03 MPa 降至 OptiStruct 驗證 90.98 MPa(降幅 51.87%),PhysicsAI 預測為 94.50 MPa(誤差 3.87%)。

  • 等效應力:自原始 188.20 MPa 降至 OptiStruct 驗證 85.47 MPa(降幅 54.59%),PhysicsAI 預測為 90.35 MPa(誤差 5.71%)。

最大主應力熱點放大對比(左為 OptiStruct 驗證,右為 PhysicsAI 預測)

圖 最大主應力熱點放大對比(左為 OptiStruct 驗證,右為 PhysicsAI 預測)


 

 


 

Q&A:常見問題解答

Q1. 為什麼 PCB 鎖點案例不能僅依賴幾何外型訓練 PhysicsAI?

    因為 PCB 板外型差異微弱,受力主因來自螺孔與邊界條件位置變化,必須將載荷(Fx、Fy、Fz)與拘束(SPC)匯出為 *.csv 注入神經網路,AI 才能精準預測應力變化。

 

Q2. 為何需透過 Compose 將最大主應力純量化?

    目前 PhysicsAI 張量僅支援 von Mises 應力與應變,欲預測最大主應力須由外部 Compose OML 腳本提取張量並平均為純量數值,再映射至空白 .h3d 檔案中進行訓練。

 

Q3. HyperStudy 如何確保每次迭代都套用最新的邊界條件 *.csv?

    透過設定特定 Hook 指令,在每輪迭代呼叫自動化腳本產出新幾何與邊界 *.csv 後,動態將該 *.csv 檔掛載給 PhysicsAI 執行預測。

 

Q4. 使用 PhysicsAI 後是否即可完全省去 CAE 求解驗證?

    建議採用「AI 高速尋優、CAE 最終把關」流程,以 PhysicsAI 快速完成上百次全域探索,最後再以 OptiStruct 執行單次確認計算確保工程合規。

 


 

結論:AI 高速尋優與 CAE 把關的工程新範式

    本研究成功結合 PhysicsAI 2026.1 與 HyperStudy 建立自動化閉環最佳化流程,解決邊界條件導出與非等向張量純量化難題。在 100 次 GRSM 尋優下使 PCB 位移降低 74.50%、主應力降低 51.87%,且預測誤差僅 3.87%。瑞其科技已完成先期驗證與腳本建置,可協助企業快速導入應用。


 

瑞其科技是"CAE與AI數據分析的專家",我們完成了許多成功的案例實績。

▶ 現在就 聯絡我們,取得更多資訊。
▶ 訂閱 瑞其 Youtube 頻道,探索更多 CAE 與數據分析。

服務諮詢

軟體試用

公司簡介 最新消息 聯絡我們

若同意本網站之隱私權政策,請點選「CONFIRM」,若繼續閱覽本網站內容,即表示您同意我們使用 cookies 分析技術,更多資訊請瀏覽 隱私權聲明。

CONFIRM