AI x CAE最新工程應用 - PhysicsAI算法與精度再突破

【 訓練用資料生成 】

模型參數化與建模

       由於既有的模擬結果資料，其數量往往不足以支援 AI 訓練的需求，通常需要使用 DOE 的方法，配合模型參數化的技術，來生成足夠的資料，雖然 PhysicsAI  的技術核心，在於幾何深度學習的算法，但實際應用面，用戶對於3D模型參數化的技術掌握，也是很重要的一環。
 

       本文的 PhysicsAI 應用範例為自行車車架，模型參數化的示意圖如圖 1，透過 SimLab 強大的網格編輯功能，可以將網格模型做到類似於 CAD 模型修改得大幅度外型變更，使我們可以順利完成車架換管等複雜的外型修改。
 

       為了完成直接對 CAD 進行預測的目標，對於車架模型直接採用實體元素建模，考量到分析的精準度，對主要車架結構，採用二階四面體元素（TETRA10）進行網格劃分如圖 2，車架模型的邊界條件為自行車法規的水平力負載如圖 3，材料為鋁合金6061-T6， 過去我們度於自行車架的建模與對標經驗，大部分都是使用殼元素(Shell)，因此為了考量較嚴謹的分析設定流程，選擇一個合理的四面體元素尺寸，我們也做了殼元素與二階四面體元素的分析結果對標如圖 4，由對標結果可知，只要合理設定二階四面體元素的尺寸，也能得到高精度的結果，後續可以放心使用。
 

自動化生成訓練資料

       上述的模型外型變更與邊界條件設定，透過SimLab中的Python API功能可以撰寫自動化程式，達到全自動的模型修改與邊界條件設定，進而完成自動AI訓練資料生成如圖 5。

 

圖 1. 模型參數化示意圖



圖 2. 車架有限元素模型



圖 3. 車架模型邊界條件(自行車法規水平力負載)



圖 4. 殼元素與二階四面體元素的分析結果對標



圖 5. AI訓練集

 

【 數據純化 】

數據純化流程

       為了使 AI 訓練結果，更貼近於之後應用時，預測的對象，必須做數據純化，才能得到理想的預測結果。

主要做數據處理整體流程為：降階 → 移除治具 → 生成空h3d → 張量純量化與映射，細節的項目列出如下：

1. 將結果檔對應的網格資料，由二階元素降階為一階元素。
2. 移除在預測時，不會出現的part，例如：治具，並轉存為 h3d 檔。
3. PhysicsAI 的張量資料，僅支援 von Mises Stress/Strain，如果需要對其他的張量結果進行預測，例如：Max. Principal Stress/Strain，則需要在外部做數據處理。
4. 承上點，數據處理的做法就是，將張量結果純量化，並映射結果到降階後的一階元素模型上。

由於結果檔有200筆，需要透過自動化程式完成數據純化，此案例中使用到的工具如下：

1. 結合 HyperMesh python API 撰寫的 py 檔案，用以將網格檔進行降階並刪除治具如圖 6。
2. 結合 HyperView HWC 指令撰寫的 py 檔案，將降階後的網格檔轉存為空的 h3d 檔（沒有結果數據）如圖 7。
3. Compose oml 程式，透過其強大的功能，完成結果提取、張量純量化與映射數據到空的 h3d 檔上如圖 8。

圖 6. 自動網格檔降階並刪除治具

圖 7. 自動轉存降階後網格為 h3d 檔

圖 8. 張量純量化與映射數據

 

【 PhysicsAI 操作設定 】

建立專案與匯入

       透過內建於 HyperMesh 的 PhysicsAI GUI，可以順利完成模型訓練，不需要再做任何的程式編輯，其 GUI 的操作邏輯為從左到右完成每一個步驟，設定簡單明瞭。

       首先，先建立專案與匯入 H3D 結果檔，由於已經做過數據純化，結果檔中僅包含我們需要預測的3個物理量（位移、等效應力與最大主軸應力），直接全選用以作為訓練資料，此步驟的具體操作畫面如圖9。
 

算法選擇與精度驗證

       有了訓練資料後，便能選擇訓練 AI 預測模型的方法與要考量的物理量，在實際使用 AI 模型來預測結果之前，會先做精度驗證，PhysicsAI 的 GUI 也會引導使用者完成精度驗證，如圖10所示，本文挑選精度最差與最好的結果來作呈現如圖11，從結果可知精度十分良好。

       本文對於傳統的 GCNS 與 TNS 兩種方法都做訓練與預測，並比較使用與訓練資料近似的網格如圖12，以及直接重畫 CAD，對修改過的 CAD 做預測如圖13的兩種方法，在預測精度上的差異（比較基準為 CAE 分析結果）。

 

圖 9. PhysicsAI 設定步驟：建立專案與匯入結果檔



圖 10. PhysicsAI 設定步驟：設定算法、考慮的物理量與精度驗證



圖 11. 精度驗證結果

圖 12. 以 HST 產出預測用的網格模型



圖 13. 重新繪圖以產生預測用的CAD檔案

 

【 PhysicsAI 預測結果 】

GCNS 結果

       傳統的 GCNS 的預測結果如圖14~16，預測結果的誤差統計如表1，可以看到，此算法確實對於網格的變化，也就是訓練資料與預測模型的網格差異，比較敏感，這個現象也直接反映在誤差上，可以看到直接以 CAD 來預測的結果，誤差多數超過10%，甚至在等效應力與最大主軸應力上，誤差超過20 %，難以實現直接以 CAD 來預測結果的需求。

 

TNS 結果

       新的 TNS 算法的預測結果如圖17~19，預測結果的誤差統計如表2，可以看到，此算法的預測結果，在手動網格模型上的平均精度上比起 GCNS 算法略好，但是這個項目的平均精度提升不是重點，更重要的是，對網格變化的敏感度低，因此可以實現以 CAD 檔直接預測，得出可靠的結果，以誤差數值來看，位移、等效應力與最大應力的預測誤差都在10%以內，綜合來說在此案例上，TNS算法的結果更好。

 

表 1. GCNS 算法的預測結果

表 2. TNS算法的預測結果

圖 14. GCNS算法的位移結果比較圖



圖 15. GCNS算法的等效應力結果比較圖

圖 16. GCNS算法的最大主軸應力結果比較圖

圖 17. TNS算法的位移結果比較圖

圖 18. TNS算法的等效應力結果比較圖

圖 19. TNS算法的最大主軸應力結果比較圖

 

【 結論 】

1. 為了可以順利以DOE整合CAE分析生成訓練AI的資料，需要掌握模型的參數化與自動化技術，本文以SimLab強大的網格編輯與整合Python的自動化能力，輕易得生成足夠的AI訓練資料。
2. 要能順利運用PhysicsAI，也需要掌握數據純化的技術，因為如果要實現直接對CAD做預測，則需要移除在預測時，不會出現的part，例如：治具，也需要將訓練資料對應的網格檔，從2階元素降階為1階元素。
3. PhysicsAI的張量資料，僅支援von Mises Stress/Strain，如果需要對其他的張量結果進行預測，例如：Max. Principal Stress/Strain，則需要在外部做數據處理，也就是張量純量化，這點也是數據純化技術的一環。
4. 傳統的GCNS確實對於網格的變化，也就是訓練資料與預測模型的網格差異，比較敏感，較難以實現直接以CAD來預測結果的需求。
5. 新增Transformer神經模擬器(TNS)算法，通常能預測出更平滑且連續性更佳的雲圖，同時對網格變化的敏感度顯著降低，在此案例上，TNS提供了更加優秀的精準度，對CAD模型的最大主應力誤差由-25.56%(GCNS)降至 -5.99%(TNS)。
6. 以上的技術，我司已經完成先期研究，若有相關的需求，歡迎與我們聯繫。