Az Altair® PhysicsAI™ segíségével  a Hero Motocorp vállalat 99%-kal gyorsabb tervezésre képes.

Az ügyfél

A Hero MotoCorp Ltd. (Hero), indiai multinacionális motorkerékpár- és robogógyártó vállalat, több mint 45 országban szolgálja ki ügyfeleit. A világ egyik legnagyobb motorkerékpár-gyártójaként a Hero közel 31%-os részesedéssel bír az indiai kétkerekű piacon, és olyan globális márkákkal alakított ki partnerséget, mint a Zero Motorcycles és az ikonikus Harley-Davidson. A vállalat célja a fejlesztési folyamat optimalizálása, a legkorszerűbb technológiák és a legújabb szimulációs módszerek – beleértve a mesterséges intelligenciát (AI) és a gépi tanulást – alkalmazásával.

A kihívás

A szimuláció évek óta központi szerepet tölt be a Hero termékfejlesztési folyamatában. A hagyományos végeselemes analízis (FEA) lehetővé tette a fejlesztőcsapatok számára, hogy alkatrész szintű elemzéseket végezzenek és részletes tervezési betekintést nyerjenek. A Hero azonban ki szerette volna küszöbölni a fejlesztési folyamat szűk keresztmetszeteit és még gyorsabb döntéshozatalt kívánt elérni. Ez vezette őket arra, hogy túllépjenek a hagyományos FEA szimuláción és bevezessék az AI-t és a gépi tanulást.

Annak érdekében, hogy a CAE mérnökök napi munkafolyamataiba beépíthessék az AI-t és a gépi tanulást, a vállalatnak hatékony, erőteljes, felhasználóbarát eszközökre volt szüksége. Az első AI-vezérelt projektjük egy új motorkerékpár kormányának tervezésére fókuszált. A kormány a motorkerékpár alapvető alkatrésze, befolyásolja az ergonómiát, meghatározza a vezető pozícióját, és hatással van a motorkerékpár kormányzására, egyensúlyára, kényelmére és karakterére. Kiemelt szerepe miatt a csapatok általában sok időt fordítanak a kormány tervezésére és finomítására. Céljaik elérése és a tervezési folyamat lerövidítése érdekében a Hero az Altair AI-alapú technológiájához fordult.

A megoldás

A Hero az Altair® PhysicsAI™, nagy teljesítményű, geometriai mélytanulási technológiát választotta, amely a korábbi adatok felhasználásával tanítja be a mesterséges intelligencia modelleket, és a hagyományos végeselemes analízis (FEA) módszereinél jóval rövidebb idő alatt képes fizikai előrejelzéseket generálni. A PhysicsAI munkafolyamatok kényelmesen beépülnek az Altair® HyperWorks® szimulációs és tervezési platformba, így a vállalat bármely tudásszinttel rendelkező felhasználója zökkenőmentesen illeszthette be ezt a megoldást a meglévő folyamataiba.

A PhysicsAI kihasználásához a Hero először két részre osztotta a meglévő adatait: tanító adathalmazra, amellyel a gépi tanulási modellt korábbi szimulációkon tanították, és teszt adathalmazra, amellyel az AI modell előrejelzési pontosságát értékelték és számszerűsítették. A különböző motorkerékpár-típusok – sportmotorok, túramotorok, városi motorok, cirkálók stb. – széles választékánál a Hero csapata különféle kormány-adatkészleteket használt annak érdekében, hogy az AI modell pontos eredményeket produkáljon.

Az adatok szétválasztása és a modell betanítása kulcsfontosságú lépések az AI-alapú mérnöki folyamatban. A Hero a tipikus 80/20-as adatszétválasztást választotta, vagyis az adatok 80%-át használták a modell tanítására, 20%-át pedig az előrejelzések értékelésére. A projektcsapat 30 kormányváltozatot választott ki a tanításhoz 24 adatkészletből. A betanítás után a fennmaradó hat kormány-adatkészlettel tesztelték az AI modellt, és az eredmények pontosságát a hagyományos FEA eredmények és az AI által generált előrejelzések összehasonlításával értékelték. Az összehasonlítás mindössze 3%-os eltérést mutatott, ami bizonyítja, hogy a PhysicsAI a hagyományos FEA-hoz képest töredék idő alatt is pontos előrejelzéseket adott.

Egy külön szimulációban a csapat egy olyan kormány-adatkészletet importált, amely nem szerepelt sem a tanító, sem a teszt adathalmazban, hogy új kormánytervek feszültségeit jósolják meg. Az újonnan betanított PhysicsAI modelljükkel a csapat egyetlen kattintással tudta előre jelezni a feszültségértékeket. Az AI által előrejelzett feszültségadatokat összehasonlították a hagyományos FEA eredményein alapuló feszültség eloszlással, amely ismét kevesebb mint 3%-os eltérést mutatott. Ez a szoros egyezés magabiztosságot adott a mérnököknek az AI által generált eredményeket illetően egy új tervezési koncepció esetén is. Az eljárás rengeteg időt megtakarított, a hagyományos FEA egy óra alatt adott eredményt, míg a PhysicsAI mindössze három perc alatt.

Eredmények

A PhysicsAI alkalmazásának előnyei óriásiak voltak a Hero számára. Leginkább az időmegtakarítás volt jelentős – az egy órából néhány percre csökkent futási idő komoly előrelépés. Emellett a PhysicsAI szimuláció nagyon pontosnak bizonyult, eredményei mindössze 3%-os eltérést mutattak a hagyományos FEA eredményekhez képest. Az AI-alapú mérnöki folyamatok alkalmazása segített a Hero-nak csökkenteni a termékfejlesztési időt, bővíteni a csapat szakmai tudását, és felgyorsítani a tervezési lehetőségek feltárását. A siker alapján a Hero tervezi az AI-technológia további alkalmazását, hogy más összetett alkatrészeket is még hatékonyabban, pontosabban és gyorsabban tervezhessen.

A cikk forrása: Altair