Анализ данных и моделей

Анализ данных

pSeven предоставляет полный контроль над данными, полученными из различных источников, и богатые возможностями для их обработки и исследования. Визуализируйте и повторно используйте инженерные результаты при помощи полного набора интерактивных и настраиваемых инструментов, включая различные виды таблиц и статистики, корреляций, зависимостей, параллельных координат и 2D/3D визуализации.

Parameters correlation analysis

Корреляционный анализ параметров

Parameters dependency analysis

Анализ зависимостей параметров

Design points in parallel coordinates

Расчетные точки в параллельных координатах

Планирование эксперимента

Планирование эксперимента (Design of Experiments, DoE) - это набор значений входных параметров, для которых измеряются выходные параметры (или отклик) модели. Планирование экспериментов используют для изучения пространства параметров и получения как можно большего количества информации о поведении модели, используя как можно меньшее количество обращений к ней.

Model

Создайте модель

arrow_forward
Parameters

Назначьте переменные

arrow_forward
Design of Experiments

Используйте плаинрование эксперимента

arrow_forward
Analytics

Проанализируйте результаты

Поведение модели может быть очень разнообразным в зависимости от размерности, типов входных параметров и ограничений, гладкости или зашумленности отклика и т.п., а доступное количество обращений к модели зачастую ограничено. Для быстрого и эффективного исследования подобных моделей pSeven предлагает широкий набор техник для планирования эксперимента, включая прямое, последовательное и адаптивное семплирование. Последовательное семплирование — это равномерное заполнение белых пятен в модели шаг за шагом, в то время как адаптивное семплирование учитывает поведение модели перед добавлением новых точек. Планирование эксперимента используется также для проведения достоверной оптимизации на основе метамоделей или создания обучающей выборки для построения точной аппроксимационной модели.

Доступные в pSeven техники планирования эксперимента:

Прямые:

  • Latin Hypercube
  • Optimized Latin Hypercube
  • Full Factorial
  • Fractional Factorial
  • Parametric Study
  • Orthogonal Array
  • Box-Behnken Design
  • D-Optimality, I-Optimality

Последовательные:

  • Random Sampling
  • Halton Sequence
  • Sobol Sequence
  • Faure Sequence

Адаптивные:

  • Uniform
  • Maximum Variance
  • Integrated Mean Square Error Gain - Maximum Variance
  • Adaptive Design

Анализ чувствительности

Анализ чувствительности в pSeven позволяет изучать зависимости, присутствующие в данных, например, в серии значений входных и выходных параметров модели. В конечном счете, данный инструмент отвечает на вопрос: какие входные параметры оказывают незначительное влияние или вообще не влияют на результат и, следовательно, могут быть отброшены в дальнейших исследованиях?

Например, при проведении оптимизации, когда количество обращений к модели (или бюджет вычислений) ограничено, понимание, какие параметры менее важны, позволяет отбросить их в процессе оптимизации. Уменьшая количество параметров, которые мало влияют на отклик модели, можно провести больше итераций оптимизации с тем же бюджетом, возможно, найдя лучшее решение.

Data

Предоставьте наборы входных и выходных величин

arrow_forward
Sensitivity

Проведите анализ чувствительности

arrow_forward
Parameters ranking

Оцените переменные

При построении аппроксимационных моделей также может быть полезно удалить наименее важные параметры для создания за такое же количество вычислений более подробной обучающей выборки, которая обеспечит более точную аппроксимацию. Кроме того, многие методы аппроксимации иногда лучше работают в меньших размерностях модели с точки зрения требований к времени построения и оперативной памяти.

Оценка неопределенностей

Специалисты из широкого круга отраслей промышленности часто сталкиваются с необходимостью оценки влияния неопределенных параметров изделий, таких как свойства материала или условия эксплуатации, на его технические и эксплуатационные характеристики. Оценка неопределенностей в pSeven учитывает эту потребность и позволяет инженерам значительно повысить качество и надежность проектируемых изделий и управлять потенциальными рисками на ранних этапах проектирования, производства и эксплуатации.

Multiple Distributions

Задайте входные распределения

arrow_forward
Model

Получите отклики модели

arrow_forward
Single Distribution

Оцените выходное распределение

arrow_forward
Failure Conditions

Оцените вероятность отказа

Оценка неопределенностей используется для изучения одной вариации модели с учетом всех возможных отклонений входных параметров и их влияния на выходные. Неопределенности входных параметров описываются распределениями, основанными на экспериментальных данных, производственных ограничениях, существующем опыте или инженерном решении. Важнейшей частью процесса оценки неопределенностей является определение критериев оценки выходных параметров модели, например, условий поломки или отказа. В результате оценки неопределенностей пользователь получает распределение этих критериев, включая среднее значение и дисперсию, которые позволяют оценить надежность модели и принять правильные инженерные решения.

Подробнее navigate_next

Снижение размерности

Сложная геометрия зачастую описывается большим количеством параметров, и также часто требуется уменьшить её размерность для облегчения параметризации, оптимизации или визуализации. Например, если геометрия представлена в виде пространственного набора точек, pSeven может аппроксимировать ее гладкой гиперповерхностью и производить процедуры компрессии и декомпрессии, которые позволяют:

  • Автоматически перестраивать геометрию с меньшим числом параметров.
  • Быстро создавать топологически похожие варианты геометрии.

Число параметров, необходимых для описания геометрии с наименьшей ошибкой, в pSeven оценивается автоматически и может быть изменено вручную.

Original profile

Предоставьте входные параметры для набора профилей

arrow_forward
Dimension Reduction

Проведите снижение размерности

arrow_forward
Reconstructed profile

Воссоздайте профили с меньшим количеством входных параметров

Идентификация моделей

Иногда входные параметры модели трудно или невозможно определить, например, коэффициент демпфирования или рассеяния звуковых волн. Проведение эксперимента может помочь, но если эти параметры не могут быть найдены напрямую, необходимо провести более углубленное исследование.

Model

Создайте модель с неизвестными входными параметрами

arrow_forward
Experiment

Проведите эксперимент и соберите отклики

arrow_forward
Data

Минимизируйте невязку откликов при помощи оптимизации

arrow_forward
Parameters

Получите значения неизвестных входных параметров

В таких случаях можно провести идентификацию модели (или сопоставление данных) в pSeven. Суть данного подхода состоит в сборе выходных данных эксперимента и создании расчетной или аналитической модели изделия или производственного процесса с неизвестными входными параметрами. После этого настраивается процесс оптимизации с проверкой невязки между вычисленными и экспериментальными данными для идентификации неизвестных входных параметров. Такой подход обеспечивает менее дорогостоящие исследования и позволяет проводить более достоверное численное моделирование.

Заинтересовало решение?

Нажмите, чтобы запросить бесплатную 30-дневную демоверсию.

Запросить демо