請輸入正確的賬號名!
密碼格式有誤請驗證!
請輸入正確的賬號名!
請輸入正確的賬號名!
請輸入正確的單位名稱!
請輸入正確的所屬行業!
請輸入....!
請輸入....!
請輸入....!
請輸入....!
請輸入....!
目前您的賬號暫時還不能進行登錄哦~
對此我們深感抱歉!但還請您耐心等待審核通過
注冊信息審核通過后我們將會在第一時間以郵件的方式通知您
請輸入正確的賬號名!
請輸入手機號碼!
請輸入....!
請輸入....!
請輸入....!
密碼格式有誤請驗證!
密碼格式有誤請驗證!
請輸入....!
AIPOD是由天洑軟件自主研發的一款通用的智能優化設計平臺。它提供的業界一流的智能優化算法SilverBullet,專門針對工業設計領域數值模擬計算成本高等痛點而設計,優化效率高、效果好。公司擁有一批資深的工程設計專家,對于產品研發設計擁有獨到深入的理解,這讓AIPOD的智能優化技術具備出眾的優化效果的同時,還具有極低的使用門檻,軟件操作簡單便捷、優化快速。無論是結構、流體、熱力學、聲學或多物理場耦合問題,AIPOD都可以幫助設計團隊高效地尋找到更好的設計方案。
功能特色
(1)強大的計算流程建模——提供圖形化的計算流程定義功能,在計算流程圖中可以方便的調用任意的商業軟件、動態庫或直接以腳本形式嵌入專家經驗公式,可建立任意復雜的計算流程,實現計算流程的自動化,供優化引擎調用。
強大的計算流程建模
AIPOD提供了主流CAE軟件在內的CAE節點工具箱?;谶@些定制化的商用軟件接口,用戶通過簡單的操作即可實現批處理命令生成與變量識別,從而快捷地實現計算流程集成。
批處理命令自動生成 | 變量自動識別與關聯 |
圖2 CAE節點快捷配置
此外,AIPOD還提供了包含判斷、循環、并行等流程執行控制節點在內的控制節點工具箱,如圖3所示。
圖3 控制節點工具箱
基于判斷(IF)節點,用戶能夠實現對流程中分支的分情況執行,滿足前置條件不同,下游計算流程不同的使用場景?;谘h(Loop)節點,用戶能夠實現流程中分支的循環執行?;诓⑿?Concurrent)節點,用戶能夠實現對流程中分支的并行執行,最大化利用計算資源。
(2)全新的代理優化加速模塊——AIAgent可通過與計算流程的連接,進行數據智能采樣,通過天洑自研的機器學習算法,進行代理模型的訓練,為優化設計加速助力。AIAgent中的機器學習算法來自于天洑數據建模平臺,其核心是天洑自研的超參學習框架,相較于傳統響應面、Kriging模型,AIAgent針對復雜問題表征能力更強、數據集需求量更低、使用門檻更低,而且訓練得到的模型可導出,可復用,可作為企業的核心知識進行管理,提升企業快速優化設計的能力。
圖4 AIAgent一鍵構建可復用的高精度代理模型
(3)具有智能探索能力的SilverBullet算法——SilverBullet算法是針對工業設計領域數值模擬計算成本高的痛點而研發,在計算成本有限的情況下(百量級),以盡可能少的計算代價,獲取盡可能高的性能提升。SilverBullet算法整合了智能采樣技術、耦合優化技術,以及一套核心的參數指標動態協調全局優化和局部探索力度,從而實現在小計算規模下的高效性能優化提升。SilverBullet算法有以下兩大特色:
① 自適應優化場景,零使用門檻
SilverBullet算法具有強大的自適應性,用戶僅需提供計算代價,無需任何超參設定,即可一鍵啟動優化流程,大幅降低了用戶的使用門檻;
② 智能邊界突破(Bound-break)
SilverBullet獨有的智能優化探索能夠擺脫參數范圍不夠精確的困擾,對于無法精確給定變量范圍的部分變量,在滿足不增加搜索成本的前提下,自主決策有選擇性地突破設計參數范圍邊界,獲得更好的設計方案。
(4)耦合代理模型和求解器優勢的SilverWing算法——Silverwing算法集智能代理學習AIAgent、強化學習、啟發式優化等技術為一體。其中“高精度代理學習”技術,提供了激活利用用戶已有數據的載體,從龐雜的數據中尋找規律,推進工業流程和效率的持續優化,讓設計閉環積累,基礎創新提速;強化學習和優化技術則保證了在可控的時間內,高效設計方案集的快速輸出響應。
(5)豐富的優化算法——除了前述的SilverBullet和SilverWing智能優化算法外,AIPOD還集成了包含CG等梯度型算法和MGA等進化型算法在內的22種單目標優化算法,以及基于MOEA/D框架的4種多目標優化算法。NSGA3和MOEA/D等優化算法還實現了對離散變量優化的支持。
圖5 豐富的優化算法
(6)豐富的DOE(實驗設計)算法——AIPOD內嵌了包含均勻采樣、二水平、拉丁超立方、用戶自定義采樣等算法在內的多種DOE算法,并支持了包含離散變量的DOE計算功能。
圖6 豐富的DOE算法
(7)分布式支持——AIPOD可以在單個計算流程中調用位于不同計算機上的軟件,實現計算資源的有效利用。在安裝有被調用軟件的計算機上開啟AIPOD從節點服務,即可實現該計算機在AIPOD主節點流程中的調用,無需安裝輔助工具或進行額外參數配置,實現更為簡單、便捷。
圖7 分布式配置
(8)多種交互方式,跨平臺支持——AIPOD除提供單機版外,還提供服務器版,均支持跨平臺,提供多個Windows和Linux發行版本。服務器版基于Web的用戶界面,操作系統可不需要圖形界面;因此用戶可以將AIPOD部署在服務器中,充分利用服務器強大的硬件資源;用戶可在網絡中,通過瀏覽器隨時隨地的接入AIPOD,管理計算流程、提交優化任務、查看任務的運行狀態以及進行優化結果分析,賦予用戶更強的掌控能力。
圖8 客戶端啟動
圖9 優化任務遠程監控
實際案例
(1)船型優化案例1:
該案例的設計變量為6個,目標變量為阻力系數最小,有2個約束,CFD調用次數限定為64次。最終的優化過程如表 1所示,64次優化AIPOD實現5.01%的性能提升,競品算法的性能提升為3.36%,AIPOD對于競品算法的優勢體現明顯。
表 1 AIPOD和競品算法的優化過程關鍵節點信息
母型阻力系數 | 0.00363 | ||
優化算法 | 優化次數 | 優化性能 | 性能提升 |
競品軟件 | 31 | 0.003508 | 3.36% |
64 | 0.003508 | 3.36% | |
AIPOD | 24 | 0.003491 | 3.83% |
64 | 0.003448 | 5.01% |
AIPOD與競品算法的優化歷程下圖所示,競品算法雖然在優化早期性能提升相對較快,但后勁不足,陷入局部極值之后將無法進一步提升。
(a)競品算法優化軌跡 | (b)AIPOD優化軌跡 | (c)AIPOD對標競品算法 |
AIPOD與對標競品算法的優化歷程
在AIPOD優化過程中,我們開啟AIPOD特有的bound-break智能探索功能。表 2表明,若設計參數的范圍設置不恰當,市面上現有的優化引擎也不會在這些被忽略的高效可行空間內進行探索,而SilverBullet優化算法即便在64次小計算規模下,依舊可以快速突破因為工程師范圍設置不恰當人為引入的“優化壁壘”。
表 2 AIPOD和競品算法各自最優設計方案對于工程初期設定的參數邊界“突破”情況
Var1 | Var2 | Var3 | Var4 | Var5 | Var6 | |
范圍 | -0.5~1 | -5~20 | -0.01~0.01 | -0.005~0.005 | -0.03~0.3 | -0.4~0.4 |
競品軟件 | 0.7 | -5.0 | -0.01 | 0.004 | 0.3 | -0.4 |
AIPOD | 1.01 | 10.41 | -0.0097 | 0.0037 | 0.589 | -0.95 |
AIPOD與競品算法的優化結果船型如下圖所示
(a)競品算法優優化結果船型 | (b)AIPOD優化結果船型 |
船型優化結果
(2)船型優化案例2:
該案例的設計變量為8個,目標變量為阻力系數最小,有2個約束,CFD調用次數限定為100次(AIPOD因磁盤空間有限導致在83步時終止優化)。最終的優化過程如表3所示,100次優化AIPOD實現4.68%的性能提升,競品算法實現4.13%的性能提升,AIPOD對于競品算法的優勢體現明顯。AIPOD與競品算法的優化結果壓力云圖如下圖所示。
表 3 AIPOD和競品算法的優化過程關鍵節點信息
(a)競品算法優優化結果云圖 | (b)AIPOD優化結果云圖 |
船型優化結果壓力云圖
AIPOD與競品算法的優化歷程如下圖所示,在AIPOD優化過程中,我們同樣了開啟AIPOD特有的bound-break智能探索功能。結果表明,競品算法在優化效率和優化潛力表現上均落后于AIPOD,且bound-break能夠更好的輔助設計人員找到被忽略的高效設計區域。
(a)競品算法優化軌跡 | (b)AIPOD優化軌跡 | (c)AIPOD對標競品算法 |
AIPOD與對標競品算法的優化歷程
(3)斜流風扇輪轂造型優化案例:
該案例的設計變量為14個,目標變量為進出口壓差最大,有1個約束,CFD調用次數限定為150次。最終的優化過程如表 4所示,150次優化AIPOD實現52.32%的性能提升,競品算法實現49.36%的性能提升,AIPOD對于競品算法的優勢體現明顯。AIPOD與競品算法的優化結果壓力云圖如下圖所示。
表 4 AIPOD和競品算法的優化過程關鍵節點信息
(a)競品算法優優化結果云圖 | (b)AIPOD優化結果云圖 |
斜流風扇輪轂優化結果壓力云圖
AIPOD與競品算法的優化歷程如下圖所示,競品算法雖然在優化早期性能提升相對較快,但后勁不足,陷入局部極值之后將無法進一步提升,而AIPOD在保證優化效率的基礎上,始終保持著一定的探索潛力。
(a)競品算法優化軌跡 | (b)AIPOD優化軌跡 | (c)AIPOD對標競品算法 |
AIPOD與對標競品算法的優化歷程
在AIPOD優化過程中,我們開啟AIPOD特有的bound-break智能探索功能,表5表明雖然競品算法已經捕捉到幾個設計變量的高效設計區域,但由于參數設計范圍限制,其參數值僅能設定為約束值,無法實現優化效果進一步的提升。
表 5 AIPOD和競品算法各自最優設計方案對于工程初期設定的參數邊界“突破”情況
Var1 | Var2 | Var6 | Var8 | Var12 | |
范圍 | -0.5~0.15 | -0.15~0.15 | 10~70 | 0.25~0.5 | 0.25~0.5 |
競品軟件 | 0.15 | -0.15 | 10 | 0.4949 | 0.5 |
AIPOD | 0.1887 | -0.1791 | 3.9192 | 0.6200 | 0.6832 |
(4)進氣道幾何優化案例:
該案例的設計變量為5個,目標變量為出口總壓不均勻度和出口速度不均勻度加權最小,CFD調用次數限定為60次。最終的優化過程如表 6所示,60次優化AIPOD實現54.89%的性能提升,競品算法實現52.34%的性能提升,AIPOD對于競品算法的優勢體現明顯。AIPOD與競品算法的優化結果云圖如下圖所示。
表 6 AIPOD和競品算法的優化過程關鍵節點信息
母型不均勻度加權值 | 0.0462032 | ||
優化算法 | 優化次數 | 優化性能 | 性能提升 |
競品軟件 | 63 | 0.0220179 | 52.34% |
AIPOD | 49 | 0.0208391 | 54.89% |
(a)競品算法優優化速度云圖 | (b)AIPOD優化速度云圖 |
(c)競品算法優優化壓力云圖 | (d)AIPOD優化壓力云圖 |
進氣道幾何優化結果云圖
在AIPOD優化過程中,我們開啟AIPOD特有的bound-break智能探索功能,表 7表明,若設計參數的范圍設置不恰當,市面上現有的優化引擎也不會在這些被忽略的高效可行空間內進行探索,而開啟bound-break功能的SilverBullet智能優化算法能夠突破因為工程師范圍設置不恰當人為引入的“優化壁壘”。
表 7 AIPOD和競品算法各自最優設計方案對于工程初期設定的參數邊界“突破”情況
Var1 | Var2 | Var3 | Var4 | Var5 | |
范圍 | 0.4~0.9 | 0.5~2 | 0~100 | 0.9~1.1 | 1.75~35 |
競品軟件 | 0.7892 | 0.9952 | 59.4104 | 1.0858 | 3.25796 |
AIPOD | 0.5739 | 1.3448 | 45.5482 | 3.2944 | 1.0237 |
AIPOD與競品算法的優化歷程如下圖所示,在整個優化進程中,競品算算法僅在優化前期部分階段領先于AIPOD,且很快陷入局部極值,后期優化效率提升有限,而AIPOD在較高優化效率的前提下始終保持一定的優化潛力。
(a)競品算法優化軌跡 | (b)AIPOD優化軌跡 | (c)AIPOD對標競品算法 |
AIPOD與對標競品算法的優化歷程
(5)風機葉片優化案例:
該案例的設計變量為9個,目標變量為總壓損失最小,有3個約束,CFD調用次數限定為150次。最終的優化過程如表 8所示,150次優化AIPOD實現19.21%的性能提升,競品算法實現14.69%的性能提升,AIPOD對于競品算法的優勢體現明顯。
表 8 AIPOD和競品算法的優化過程關鍵節點信息
母型總壓損失 | 0.177 | ||
優化算法 | 優化次數 | 優化目標值 | 性能提升 |
競品軟件 | 150 | 0.151 | 14.69% |
AIPOD | 150 | 0.143 | 19.21% |
在AIPOD優化過程中,我們開啟AIPOD特有的bound-break智能探索功能。表 9表明,該算例中給定的設計變量的范圍較為合理,AIPOD和競品算法得到的更優設計均包含在設計空間之中,AIPOD雖然開啟了bound break,但是它并沒有盲目的嘗試越界探索,非常高效的找到了更優設計。
表 9 AIPOD和競品算法各自優化設計方案對于工程初期設定的參數邊界“突破”情況
Var1 | Var2 | Var3 | Var4 | Var5 | Var6 | Var7 | Var8 | Var9 | |
范圍 | 10~50 | 10~40 | 50~85 | 10~55 | 5~40 | 0.1~1 | 0.1~1.5 | 0.1~1.5 | 0.1~1.5 |
競品軟件 | 20.4 | 21.1 | 78.35 | 26.2 | 5.35 | 0.22 | 1.33 | 0.69 | 1.40 |
AIPOD | 20.94 | 21.42 | 79.79 | 26.92 | 7.09 | 0.35 | 1.17 | 0.66 | 1.32 |