La modellazione surrogata (talvolta chiamata modellazione black-box, meta-modellazioneo modellazione della superficie di risposta) è un modo per costruire un modello matematico semplice in grado di imitare una simulazione complessa. Sulla 3DEXPERIENCE piattaforma, utilizzando SIMULIA app come ABAQUS, Isighto Process Composer, questo approccio aiuta gli ingegneri a risparmiare enormi quantità di tempo.

Invece di eseguire una simulazione completa per ogni variante di progetto, si esegue un set limitato di simulazioni una sola volta. Il modello surrogato apprende quindi da quei risultati e può prevedere istantaneamente i risultati, come stress, deformazione o spostamento, per nuovi valori di input.

1. Progettazione degli esperimenti (DOE): scegli diverse combinazioni di parametri di input (ad esempio, lunghezza, spessore o posizione).
2. Esecuzione di simulazioni: utilizzare ABAQUS per eseguire simulazioni FEA per ogni punto di progettazione.
3. Costruisci un modello surrogato: adatta un modello più semplice (ad esempio, regressione polinomiale, kriging o reti neurali) ai risultati della simulazione.
4. Previsione e ottimizzazione: utilizzare il surrogato per eseguire in modo efficiente analisi di sensibilità, ottimizzazione o quantificazione dell'incertezza.

Questo processo è spesso integrato tramite SIMULIA Process Composer o SIMULIA Isight, che possono funzionare insieme ad ABAQUS per automatizzare la creazione di modelli surrogati e l'ottimizzazione del progetto.

• Ottimizzazione della progettazione: esplora rapidamente un ampio spazio di progettazione e trova i parametri ottimali senza dover eseguire migliaia di simulazioni fisiche.
• Analisi di sensibilità: comprendere come le variazioni degli input influenzano gli output.
• Quantificazione dell'incertezza: modellare e gestire la variabilità nelle proprietà dei materiali o nelle condizioni al contorno.
• Simulazioni in tempo reale: utilizzare il modello surrogato nei sistemi in tempo reale in cui le simulazioni complete sarebbero troppo lente.
• Analisi multidisciplinare: combina i risultati di ABAQUS con altri strumenti di simulazione in un flusso di lavoro di ottimizzazione semplificato.

Esempio: Formula Student Team

Immaginate un team di Formula Student o SAE BAJA che testa un telaio spaceframe. Il loro obiettivo è ridurre le sollecitazioni torsionali, ma ogni modifica progettuale richiede ore di simulazioni. Con così tanti elementi portanti nel telaio, provare diverse configurazioni potrebbe significare centinaia o addirittura migliaia di simulazioni, con un enorme dispendio di tempo e risorse.

Ecco come la modellazione surrogata può aiutare:

1. Imposta parametri: definisci variabili chiave come la lunghezza o la posizione degli elementi del telaio.

2. Eseguire DOE in ABAQUS: eseguire un set strutturato di simulazioni per coprire lo spazio di progettazione.

3. Addestrare il modello surrogato: utilizzare questi risultati per creare un modello predittivo rapido.

Ora, invece di aspettare ore, il team può spostare i cursori (per parametri come larghezza o estrusione) e ottenere risultati aggiornati, come massa o spostamento,in pochi secondi.

Ciò significa risparmio di tempo e denaro e decisioni di progettazione più rapide, senza compromettere la precisione.

1. I modelli surrogati sono modelli empirici a bassa fedeltà.

2. Questi vengono creati dal basso verso l'alto dai dati di simulazione

3. In grado di attenuare una risposta rumorosa

4. Estremamente veloce da valutare!

5. Preciso.

Prerequisiti per l'istituzione di un modello surrogato:

1. Risolvere un'analisi FE con parametri geometrici: 

Analisi delle travi mediante parametri geometrici in FEA

Parametri per lunghezza (Len), larghezza (BR) ed estrusione (ext)

2.Ottimizzazione delle simulazioni con DOE, ML e modellazione surrogata in SIMULIA

Nell'app Optimization Process Composer , viene creato un processo strutturato per eseguire un Design of Experiments (DOE), generando un set rappresentativo di coppie input-output nell'intero spazio di progettazione. I dati numerici risultanti vengono inseriti direttamente in una pipeline di addestramento del modello di Machine Learning, dove vengono applicate tecniche di modellazione surrogata come il Response Surface Modelling (RSM) o l'Universal Kriging (UK) per approssimare il comportamento di risposta sottostante.

Per migliorare l'accuratezza predittiva, la regolazione degli iperparametri è integrata nel flusso di lavoro, impiegando strategie di ottimizzazione per ridurre al minimo l'errore di approssimazione medio (ad esempio, errore quadratico medio o errore quadratico medio) dei modelli surrogati.

Una volta addestrato e convalidato, il modello surrogato viene reso accessibile all'interno dell'app Results Analytics, consentendo l'elaborazione avanzata, la visualizzazione e l'analisi di sensibilità utilizzando le superfici di risposta approssimate.

Flusso di lavoro di modellazione e ottimizzazione surrogata

3. Applicazione di analisi dei risultati SIMULIA

1. Estrazione dei dati dalle simulazioni ABAQUS

• L'app Physics Results Analytics consente di visualizzare ed estrarre risultati (ad esempio spostamenti, sollecitazioni, temperature) dagli output della simulazione.
• Supporta un'efficiente post-elaborazione di grandi set di dati, ideale per creare modelli surrogati da una serie di simulazioni.

 2. Creare e analizzare set di dati

• È possibile aggregare i risultati delle simulazioni da più esecuzioni (campioni DOE).
• L'app Physics Results Analytics aiuta a creare metriche di risultati personalizzate che possono essere utilizzate come output nel modello surrogato.
• Supporta il filtraggio, il raggruppamento e il confronto tra diverse combinazioni di parametri.

 3. Collegamento agli strumenti di modellazione surrogata

• Una volta estratti e preparati i dati della simulazione, PRA si integra perfettamente con strumenti come Isight, 3DEXPERIENCE Process Composer o persino strumenti Python/ML esterni.
• È possibile utilizzare questo set di dati pulito e organizzato per addestrare i modelli di superficie di risposta, kriging, reti neurali o altri tipi di surrogati.

4. Eseguire analisi di sensibilità e correlazione

• PRA include strumenti integrati per analizzare la sensibilità e le correlazioni dei parametri, utili per la selezione delle caratteristiche prima dell'addestramento del modello surrogato.
• Questo ti guida nel concentrarti sugli input più influenti, migliorando l'accuratezza del modello e riducendo la complessità

5. Pre-processare l'addestramento del modello con facilità 

 6. Integrazione nell'esplorazione del design

• I progettisti possono reinserire l'analisi e i modelli surrogati nel processo di progettazione per l'ottimizzazione, gli studi di compromesso o la quantificazione dell'incertezza.
• PRA fornisce un'interfaccia intuitiva per monitorare le decisioni di progettazione e i risultati nel tempo.

Il dashboard del modello di approssimazione può essere utilizzato in questo modo:

Ruotando il cursore della larghezza (BR) su 38,96

I valori di uscita del sensore FEA vengono aggiornati entro 2 secondi con i valori aggiornati.

Successivamente, modificherò il parametro “ext” reimpostando il parametro “BR”.

I valori di massa e spostamento vengono aggiornati entro 2 secondi.

Nel complesso, vediamo che senza dover effettivamente utilizzare le app CAD e FE sulla piattaforma, otteniamo risultati immediati dell'analisi FE, risparmiando tempo ed eliminando flussi di lavoro ripetitivi.

Vantaggi principali