Предсказательное моделирование

Что такое предсказательное моделирование?

Предсказательное моделирование - это инженерный подход, который помогает инженерам 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?
Data

Предоставьте входные данные

arrow_forward
Approximation

Рассчитайте аппроксимационную модель

arrow_forward
Analytics

Получите прогноз откликов

Предсказательное моделирование основывается на построении, управлении и расчете аппроксимационных моделей. Их также называют поверхностями отклика, суррогатными моделями, метамоделями и т.п.

Аппроксимационные модели

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

Аппроксимационные 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.

pSeven включает в себя набор инструментов для построения и управления аппроксимационными 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 аппроксимационных 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
  • Точное совпадение или сглаживание
  • Проверка качества моделей, сравние их с исходными данными и между собой
  • 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 аппроксимационных 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 navigate_next

Слияние данных

Слияние данных - это мощный инструмент в pSeven, который дополняет инструментарий для построения аппроксимационных 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 аппроксимационных моделей.

Experiment

Предоставьте данные высокой достоверности

arrow_forward
Model

Предоставьте данные низкой достоверности

arrow_forward
Data Fusion

Постройте смешанную аппроксимацию

arrow_forward
Analytics

Проанализируйте отклики

Слияние данных позволяет пользователям достигать своих особых требований к построению аппроксимационной 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.

Ускорение системного моделирования

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

Получите отклики модели компонента

arrow_forward
Approximation

Постройте аппроксимацию

arrow_forward
Export

Экспортируйте во внешний файл

arrow_forward
System model

Импортируйте в модель системы

Использование быстрых и надежных аппроксимационных моделей может оказаться полезным в подобных ситуациях и значительно ускорить моделирование всей системы. Аппроксимационные модели, созданные по аналитическим, расчетным или экспериментальным данным, могут быть затем экспортированы в FMI (FMU for Co-Simulation) или в другие форматы для использования в программных продуктах для моделирования систем.

Заинтересовало решение?

Нажмите, чтобы запросить бесплатную 30-дневную демоверсию.

Запросить демо