• Description


SmartUQ不確定性量化軟體(DOE,模擬,統計校準和逆運算分析)

 

不確定性量化分析可以讓我們發現模擬結果的誤差範圍(非預期範圍),並評估模擬模型的成熟度和可靠度。

 

現代DOE減少了探索設計空間所需的模擬運行次數,而emulation則允許快速最佳化(優化)和不確定性分析。統計校準方法可以瞭解模擬模型與物理測試之間的差異,並可以校準模擬模型以更好地展示真實物理模型。

SmartUQ 從 設計校準設計最佳化設計穩健性可靠度分析在虛擬原型製作中的應用,涉及航太科學電動汽車半導體以及藥劑業...等等行業。


SmartUQ是功能強大的預測分析和不確定性量化(UQ)軟體工具,將真實世界的變異性和機率行為納入工程和系統分析中。


從工程與製造行業的《財富》 500強公司到初創企業和諮詢公司,SmartUQ軟體可幫助我們的客戶解決汽車,航空航太與國防,渦輪機械,重型設備,醫療設備,半導體,能源,石油和天然氣,以及加熱,通風和空調。SmartUQ軟體替我們的客戶節省了數百萬美元和數千小時的工作時間。


易於使用的軟體、即使是初學者也能馬上使用

它不僅可以單獨使用,還可以與您的工具結合使用

分析軟體僅在與其他系統兼容時才變得強大。透過使用SmartUQ API,可以將SmartUQ工具無縫整合到工作流程中,從而最大程度地利用GUI的優勢並顯著減少分析時間。SmartUQ還具有與CAE工具的內置整合。


可根據您的工作內容進行建模

使用現有的數據集或模擬結果,您可以重複運行,構建和比較預測模型,直到獲得所需的精度為止。


解決複雜分析問題

 

敏感性分析

  • 支援高維數據
  • 減少計算量
  • 瞭解輸入之間交互的影響

 

實驗/測試評估

  • 改進不確定性估計
  • 選擇最佳測試點
  • 識別高影響力的輸入

 

不確定性分析

  • 不確定性的傳播
  • 穩健的設計過程

 

加快模擬工作

  • 快速尋找高效的設計空間
  • 減少執行次數

 

實際系統應用

  • 控制系統
  • 虛擬感測器
  • 預測與診斷
  • 掌握嘈雜的數據

 

製造分析

  • 預測6 sigma(處理能力)
  • 管理層壓成型方法(例如3D列印機)中的不確定性
  • 減少零件之間的差異

 

數位分身/數位線程應用

  • 在早期階段調整參數權衡
  • 管理和評估不確定性估計
  • 開發可靠的資訊源

不確定性量化和預測分析


不確定性量化的基石之一是通過預測分析來構建準確的預測模型,但是我們的一些客戶在不確定性量化工作流之外將SmartUQ的預測模型用作獨立工具。SmartUQ的預測模型可以使用來自模擬模型,製造,操作和感測器以及數位分身模型的數據集構建。SmartUQ的預測模型的某些應用包括開發虛擬感測器或執行根本原因分析。


各行各業應用不確定性量化分析

航空與國防

汽車與重型車輛行業

馬達與渦輪發動機

醫療器材業

半導體業

製藥業



SmartUQ超越了不確定性傳播


除了傳播輸入不確定性之外,不確定性量化還提供了更全面的框架,其中包括幾種關鍵分析技術:


現代工程的預測分析


預測分析包含一組高級分析技術,這些技術用於開發用於即時分析和預測未來事件的預測模型。經過訓練的SmartUQ預測模型可以使用所有類型的數據集,例如模擬建模,製造以及操作和感測器數據,可以快速執行複雜的分析,例如預測維護或風險分析,從而為您的團隊帶來競爭優勢。以下是SmartUQ的行業規模預測分析的一些應用程式:

描述預測分析的流程圖

不確定性量化決策。

SmartUQ決策


無論數據來自何處(模擬,物理測試,感測器或數位分身),總會有不確定性因素。不要依賴確定性的點估計,該點可能超出預期範圍並且會造成高昂的後果。

透過使用不確定性量化來考慮所有可能的結果,您可以優化決策過程,從而降低風險並提高對結果的信心。

瞭解SmartUQ如何優化所有數據類型的決策,包括:

 

借助Analytics進行加速:從有限數據中最大化洞察力


時間和資源總是有限的,有時重要的決策只能基於少數幾個數據點來做出。SmartUQ可以幫助您從最少的點中獲取最多的資訊:

  • 在利用現有數據的同時優化新數據的採樣。

  • 在利用現有數據的同時建立平衡的空間填充樣本。

  • 直接採樣僅在必要時精煉數據集。

  • 透過準確的模擬探索整個設計空間。

  • 透過減少設計和測試反覆運算來節省時間和資源。

描述分析如何加速系統評估的流程圖

SmartUQ界面顯示功能仿真器。

Analytics(分析)提升到新的水準


我們提供廣泛的功能,包括:

  • 實驗設計

  • 模擬

  • 統計校正

  • 敏感性分析

  • 不確定性的傳播

  • 統計優化

  • 逆向分析

利用分析來獲得更深刻的見解並更快地創建更好的產品。


統計校準:物理數據中的紮實模擬


建立模型時必須進行校正,以提高模擬的保真度或預測能力。SmartUQ具有專用於工具的模型校正工具,包括專用的混合實驗設計生成器和自動統計校正。

透過快速找到最適合的參數並自信地評估模型差異來改善模型驗證。

描述統計校準的流程圖。

不確定性如何進入過程的示意圖。

不確定性無處不在


不確定性是每個系統的一部分。它來自於測量精度,材料特性,使用場景,建模近似和未知的未來事件。模型邊界條件,初始條件和參數的不確定性使您更難以自信地回答最重要的問題:它將滿足所有要求並且是否最佳化?


應用焦點領域

數位分身

不確定性下的決策

負載預測

工程模擬

人工智能

添加劑製造





實驗設計


實驗設計概述

SmartUQ 提供一套專門的空間填充設計、各種最先進的實驗設計 (DOE) 以及幾個獨特的正在申請專利的 DOE,以應對複雜的挑戰。我們瞭解您在實驗設計方面主要關注兩個問題:獲得足夠的資料以準確表示被採樣的系統,以及通過減少樣本數量來控制成本。

 

平行最優拉丁超立方體實驗設計(LHS / Latin hypercube sampling)。

我們最先進的 DOE 確保足夠的採樣,同時減少所需的點數。我們專有的 DOE 走得更遠,使用來自先前採樣點的資訊來確定下一次採樣的位置,從而為您提供前進所需的資料。您甚至可以通過從大型觀測資料集中進行二次抽樣來跳出框框思考。此外,SmartUQ 靈活的 DOE 生成工具可讓您根據自己的特定需求定制採樣。

 

可以肯定的是,當您選擇 SmartUQ 軟體設計 DOE 時,您將獲得更準確、更全面的結果,運行次數明顯減少,從而節省時間和金錢。


麼是DOE

實驗設計 (DOE) 是系統的抽樣模式,用於進行實驗以確定輸入和輸出之間的因果關係。如果 DOE 無法確保從正確的實驗中收集到足夠的資訊,則可能難以或不可能達到測試目標。如果您使用依賴於實驗者或模擬使用者直覺的採樣模式進行模擬或測試實驗,可能會導致缺乏對輸入如何相互作用的理解,這可能會浪費測試資源並導致錯失機會。

使用多個因素同時變化的多因素設計可以幫助解決這些問題。不僅要評估單個因素的影響,還要評估各種因素對或組合如何相互作用以改變輸出值,這一點至關重要。

 

空間填充設計

析因 DOE 提供強大的資訊收集能力,但它們通常需要以更高的成本採集更多的樣本,而不是在高度非線性系統中確定因果關係所真正需要的樣本。對於具有高度非線性回應的模擬和複雜物理實驗,現代空間填充設計通常是最有效的 DOE

空間填充設計,例如拉丁超立方體設計(LHS / Latin hypercube sampling )和最優拉丁超立方體設計,對一系列均勻分佈的代表性輸入配置進行採樣以填充設計空間。研究表明,這種類型的 DOE 最大限度地減少了運行次數,同時最大限度地提高了從每次模擬中獲得的潛在學習。因此,空間填充設計提供了高精度,同時減少了採樣點的總數。

 

順序和多重保真度 DOE

順序 DOE 使用多個 DOE,每個都經過優化以填補先前採樣模式中的空白。可以重複此過程以提高模擬器精度,通過僅運行達​​到所需精度水準所需的模擬來幫助最大程度地減少總模擬時間。該 DOE 還允許使用新的選項來組合多保真度模擬。低保真模擬可用于生成模擬器並快速探索設計空間。為確保準確性,可以使用較小的高保真模擬樣本來校準模擬器。還可以使用此 DOE 戰略性地運行模擬並在計算資源可用時提高模擬器精度。

 


順序 DOE
在這個例子中,生成了一個初始的 4 DOE。接下來是第二個 4 DOE 和第三個 8 DOE,它們依次添加到初始 DOE 的解析度中。


平行空間填充 DOE

在並行 DOE 中,採樣點被分成單獨的並行批次。這在改變連續和離散輸入的混合時特別有用:每個批次處理可以處理單獨級別的離散輸入。還可以通過構建每個批次來支持多個離散輸入,使其由較小的並行 DOE 組成。

這些 DOE 也可用於在多個組之間劃分計算和實驗工作。對於計算器實驗,能夠將整個實驗的計算負載分配給更大的計算設備組可以顯著減少時鐘時間。

並行 DOE
此示例顯示了一個最佳的 2-D20 點、4 批次 DOE,適用於處理兩個連續輸入和一個具有四個級別的離散輸入。

雙並聯 DOE
該示例顯示了一個 2-D36 點、雙並聯 DOE,適用於處理兩個連續輸入和兩個離散輸入,每個輸入具有三個級別。


自我調整 DOE

自我調整設計允許使用者通過自我調整地向用於創建模擬器的 DOE 添加更多點來提高擬合模擬器(代理模型、元模型)的準確性。在此過程中,模擬器是根據現有的 DOE 和相關的結果資料創建的。然後使用此模擬器來確定應在何處添加下一次類比運行以提高模擬器的準確性。可以重複此過程,直到達到所需的擬合精度水準。


例子

此處顯示的測試表面具有幾個難以擬合的特徵,我們的演算法使用兩種方法類比了該表面:一次性最優拉丁超立方體設計(LHS / Latin hypercube sampling )和我們的自我調整 DOE

第一個 DOE 是一次性最優拉丁超立方體設計(LHS / Latin hypercube sampling )。使用此 DOE 生成的模擬器產生瞭如下所示的模型表面。

第二個 DOE 是我們專有的自我調整 DOE。從最初的 20 點最優 LHD 開始,SmartUQ 的自我調整設計功能向設計空間添加了五個點,一個接一個。每個點都針對我們的演算法根據之前的模擬器選擇的設計空間的特定區域。這種方法產生了一個更準確的模型,在使用相同數量的類比運行時將錯誤減少了一個數量級。

DOE 增強

Design Augmentation 允許使用者生成與現有 DOE 組合的 DOE,使新點最大化組合 DOE 的空間填充特性。實際上,在一個模擬系列中運行大型 DOE 所需的所有設計點有時是不可取的或不可行的。從以前的設計空間探索、優化程式和以前的產品開發週期中獲得現有的 DOE 是很常見的。這些 DOE 可能沒有良好的空間填充特性,但仍包含有價值的資訊。Design Augmentation 可用於確定最佳模擬運行,以最大化可以從給定數量的新類比運行中學到的資訊,同時還可以利用以前收集的資料。

設計增強不同於自我調整設計:在設計增強中,最優點僅基於現有 DOE 本身的屬性生成。因此,新點對模擬結果是盲目的。在 Adaptive Design 中,最佳點是基於使用以前的模擬結果創建的模擬器以及 DOE 的屬性生成的。設計增強比自我調整設計更穩健,因為前者是無模型的,適用於具有任意數量回應的模擬。設計增強和自我調整設計都是有用的補充工具,使用者應根據正在研究的特定案例的屬性在這兩個選項之間做出決定。

增強的 DOE
在此案例中,增強了品質較差的初始 DOE,以便生成的 DOE 更好地覆蓋整個設計空間。

稀疏網格
在此案例中,由於模擬收斂失敗而導致資料丟失的稀疏網格被擴充以增加 DOE 的空間填充屬性。當由於資料丟失而無法執行基於多項式混沌的不確定性分析時,此功能特別有用。

 


資料採樣

DOE 通常用於從系統中收集新資料。在許多情況下,已經收集了足夠的資料。通常在這些場景中,收集的資料是長期積累的,資料多到難以分析。例如,來自現場元件上感測器的健康監測資料可能會在元件的整個使用壽命期間連續捕獲即時資料。SmartUQ 的資料採樣工具可以劃分資料以模擬由完整資料集的子集組成的空間填充 DOE。與在資料收集之前開發的 DOE 不同,資料採樣(例如二次採樣和切片採樣)採用現有的輸入-輸出資料對並選擇能夠很好地代表設計空間的點。