Предсказательное моделирование

При помощью предсказательного моделирования вы можете спрогнозировать поведение изделия в новых условиях, а также использовать большие объемы данных и численные модели быстрее.

Что такое предсказательное моделирование?

Предсказательное моделирование - это инженерный подход, который помогает специалистам отвечать на следующие вопросы:

  • Как предсказать поведение изделия в различных условиях?
  • Как обрабатывать данные экспериментов и численного моделирования совместно?
  • Как использовать большие наборы данных и численные модели быстрее?

Предсказательное моделирование основывается на построении, управлении и расчете моделей при помощи техник аппроксимации. Их также называют поверхностями отклика, суррогатными моделями, метамоделями, моделями пониженного порядка и т.п.

Предсказательные модели используются для прогнозирования значений отклика функции или поведения конструкции изделия без проведения дополнительных полномасштабных экспериментов или численных расчетов. В своей основе, предсказательная модель – это сложный полином, который описывает поверхность отклика параметров модели или, другими словами, является подменой («черным ящиком») существующих данных или расчетной модели.

Input parameters

Предоставьте входные параметры

trending_flat
Predictive model

Постройте предсказательную модель

trending_flat
Output parameters

Получите прогноз выходных параметров

Предсказательные модели также позволяют сохранять наиболее важные знания из огромного объема данных в удобном формате, безопасно обмениваться моделями между партнерами, сохраняя интеллектуальную собственность, и ускорять вычисление сложных расчетных моделей на многие порядки, например, для быстрых параметрических и оптимизационных исследований.

Построение и управление моделями

pSeven включает в себя набор инструментов для построения и управления предсказательными моделями. Все его компоненты могут работать как с данными, собранными из расчетных схем pSeven, так и с данными, импортированными из файлов CSV или Excel. Построенные модели могут использоваться для получения прогнозов или последующей интеграции в расчетные схемы.

Model Builder

Model Builder

Model Validator

Model Validator

Model Explorer

Model Explorer

pSeven - это «Швейцарский нож» для построения предсказательных моделей:

  • Простой в использовании графический интерфейс
  • С легкостью обрабатывает наборы данных разного размера: от крошечных до огромных
  • Обработка отсутствующих данных и разрывов
  • Полный контроль над временем построения
  • Проверка качества моделей, сравние их с исходными данными и между собой
  • Точное совпадение или сглаживание
  • Обновление существующих моделей новыми данными и объединение моделей
  • Исследование поведения многомерных моделей и изучение зависимостей входных и выходных параметров на серии двумерных срезов, каждый из которых отображает пару вход-выход
  • Экспорт моделей в код C, формат Matlab/Octave, Excel и FMI (FMU for Co-Simulation)

Техники аппроксимации

pSeven предоставляет множество проверенных техник для любых типов данных и аппроксимации:

  • Piecewise Linear Approximation (PLA)
  • 1D Splines with Tension (SPLT)
  • Response Surface Model (RSM)
  • Tensor Approximation (TA)
  • Incomplete Tensor Approximation (iTA)
  • Gaussian Processes (GP)
  • Sparse Gaussian Process (SGP)
  • Tensored Gaussian Processes (TGP)
  • Gradient Boosted Regression Trees (GBRT)
  • High-Dimensional Approximation (HDA)
  • High-Dimensional Approximation Combined with Gaussian Processes (HDAGP)
  • Mixture of Approximators (MoA)
  • Table Function (TBL)
SmartSelection

Для пользователей с небольшим опытом построения предсказательных моделей pSeven предлагает специальную технику под названием SmartSelection. Это встроенное дерево решений с иерархической системой опций для автоматического выбора и настройки наиболее эффективной техники (или нескольких) аппроксимации для данного типа задачи и данных.

Подробнее >

Слияние данных

Слияние данных - это мощный инструмент в pSeven, который дополняет инструментарий для построения предсказательных моделей и позволяет использовать наборы данных с различной достоверностью. В качестве входных данных для построения моделей он использует наборы с высокой и низкой точностью.

Предполагается, что эти наборы данных генерируются с использованием источников или моделей с высокой и низкой достоверностью соответственно, например, при помощи экспериментов и расчетных моделей. Благодаря слиянию данных количество дорогостоящих экспериментов и расчетов может быть уменьшено из-за более точных предсказаний, сделанных с помощью предсказательных моделей.

Simulation

Предоставьте данные с низкой точностью

trending_flat
Experiment

Предоставьте данные с выоокой точностью

trending_flat
Data Fusion

Постройте предсказательную модель на основе данных разной точности

trending_flat
Model Explorer

Прогноз откликов для новых вариантов конструкции

Слияние данных позволяет пользователям достигать своих особых требований к построению предсказательной модели, используя широкий диапазон продвинутых техник:

  • Difference Approximation (DA)
  • Variable Fidelity Gaussian Processes (VFGP)
  • Multiple Fidelity Gaussian Process (MFGP)
  • Sparse Variable Fidelity Gaussian Processes (SVFGP)
  • High-Fidelity Approximation (HFA)

Автоматический выбор техник, основанный на представленных данных и пользовательских требованиях, также доступен.

Снижение размерности

Сложные объекты обычно описываются большим числом параметров. Часто бывает полезно снизить размерность описания, например, для упрощения параметризации, оптимизации и визуализации. Если множество объектов представлено в виде набора многомерных точек, то модуль аппроксимирует его гиперповерхностью и предоставляет пользователю методы сжатия и восстановления описания, которые позволяют:

  • Автоматически репараметризовать объекты меньшим числом параметров,
  • Генерировать объекты, похожие на уже заданные

Размерность сжатого описания может быть задана вручную или может быть найдена автоматически, основываясь на желаемой ошибке сжатия/восстановления.

Original profile

Предоставьте входные параметры для набора профилей

trending_flat
Dimension Reduction

Проведите снижение размерности

trending_flat
Reconstructed profile

Восстановите профили с меньшим количеством параметров

Экспорт моделей

Чем сложнее становятся сами изделия, тем меньше моделирование одного физического процесса или поведения отдельной его части помогает обеспечить общую надежность и наилучшие характеристики всего изделия. Моделирование и оптимизация поведения системы в целом становятся все более актуальными и важными, чем когда-либо.

Подключение расчетной модели каждого отдельного элемента изделия к программному обеспечению для моделирования систем может быть решением в данной ситуации, но когда расчет одной подобной модели занимает несколько часов, часто на оптимизацию всей системы времени не остается, и, таким образом, лучшие характеристики изделия могут быть не найдены вовсе.

Model

Оцените отклики модели

trending_flat
Predictive model

Постройте предсказательную модель

trending_flat
Export

Экспортируйте во внешний файл

trending_flat
System model

Импортируйте в сторонее ПО, например, для системного моделирования

Использование быстрых и надежных предсказательных моделей может оказаться полезным в подобных ситуациях и значительно ускорить моделирование всей системы. Предсказательные модели, созданные по аналитическим, расчетным или экспериментальным данным, могут быть затем экспортированы в другие форматы для использования в программных продуктах, к примеру, для моделирования систем. pSeven поддерживает экспорт моделей в следующие форматы:

  • FMI (FMU for Co-Simulation)
  • MS Excel
  • Matlab/Octave
  • Исполняемые файлы
  • Исходный код на языке C

Заинтересовало решение?

Нажмите, чтобы запросить бесплатную 30-дневную демоверсию.

Запросить демо