A végeselemes elemzési módszerek az elektronikai rendszertervezés számos területén jelennek meg: mechanikai feszültségelemzés több szerszámos rendszerekben, termikus analízis a hűtés- és feszültségelemzés (pl. vetemedés) párjaként, valamint az elektromágneses megfelelőség-elemzés. (A számítási folyadékdinamika – CFD – egy másik vadállat, amivel egy külön blogban foglalkozhatok.) Egy másik klienssel foglalkoztam az e területtel kapcsolatos témákkal, és továbbra is vonzónak találom ezt a tartományt, mert összecseng a fizika múltam és a belső matematikai mesterkedésemmel. (differenciálegyenletek megoldása). Itt vizsgálom meg a friss papír a Siemens AG-tól a müncheni és braunschweigi műszaki egyetemekkel együtt.
A probléma kijelentése
A végeselemes módszerek a 2D/3D parciális differenciálegyenletek (PDE) rendszereinek numerikus megoldására szolgáló technikák, amelyek számos fizikai elemzés során felmerülnek. Ezek kiterjedhetnek a hő diffundálásától az összetett SoC-ban, az autóradar elektromágneses elemzésén át, a mechanikai szerkezetek feszültség alatti hajlításáig, egészen az autó elejének összegyűrődéséig egy ütközés során.
A FEM esetében a hálót a fizikai térben egy különálló elemzési keretként építik fel, finomabb szemcsézettséggel a határok körül és különösen gyorsan változó peremfeltételekkel, másutt pedig durvább szemcsézettséggel. A véres részleteket kihagyva a módszer optimalizálja az egyszerű függvények lineáris szuperpozícióit a hálón a szuperpozíció együtthatóinak változtatásával. Az optimalizálás célja, hogy megtalálja a legjobb illeszkedést bizonyos elfogadható tűréshatárokon belül, összhangban a PDE-k diszkrét proxyjával, valamint a kezdeti feltételekkel és a peremfeltételekkel lineáris algebra és más módszerek segítségével.
Általában nagyon nagy hálókra van szükség az elfogadható pontosság eléréséhez, ami nagyon hosszú futási időt eredményez a reális problémák FEM-megoldásainál, ami még megterhelőbbé válik, ha több elemzést futtat az optimalizálási lehetőségek feltárása érdekében. Minden egyes futtatás lényegében a nulláról indul, a futtatások között nincs tanulási hatás, ami lehetőséget kínál az ML módszerek használatára az elemzés felgyorsítására.
Az ML és a FEM használatának módjai
A FEM-elemzések (FEA-k) felgyorsításának széles körben használt megközelítése a helyettesítő modellek felépítése. Ezek olyanok, mint az absztrakt modellek más területeken – az eredeti modell teljes összetettségének leegyszerűsített változatai. A FEA szakértői a csökkentett sorrendű modellekről (ROM) beszélnek, amelyek továbbra is jól közelítik a forrásmodell (diszkretizált) fizikai viselkedését, de megkerülik a FEA futtatásának szükségességét, legalábbis a tervezés optimalizálási szakaszában, bár sokkal gyorsabban futnak, mint a FEA .
A helyettesítő felépítésének egyik módja az lenne, ha egy csomó FEA-val kezdenénk, és ezeket az információkat képzési adatbázisként használnák fel a helyettesítő létrehozásához. Ehhez azonban még hosszas elemzésekre van szükség a bemenetek és kimenetek betanítási készleteinek létrehozásához. A szerzők egy másik gyengeségre is rámutatnak egy ilyen megközelítésben. Az ML nem ismeri az összes ilyen alkalmazásban fontos fizikai korlátokat, ezért hajlamos a hallucinációra, ha a képzési sorozatán kívüli forgatókönyvet mutatnak be.
Ezzel szemben a FEM helyettesítése a fizikailag informált neurális hálózat (PINN) beépíti a fizikai PDE-ket a veszteségfüggvény számításokba, lényegében fizikai korlátokat vezet be a gradiens alapú optimalizálásba. Ez egy okos ötlet, bár a későbbi kutatások kimutatták, hogy bár a módszer egyszerű problémákon működik, magas frekvenciájú és többléptékű jellemzők jelenlétében tönkremegy. Szintén kiábrándító, hogy az ilyen módszerek képzési ideje hosszabb lehet, mint a FEA futásideje.
Ez a cikk egy érdekes alternatívát javasol, az FEA és az ML képzés szorosabb kombinálására, hogy az ML veszteségfüggvények a FEA hibaszámításaira oktassák a próbamegoldások hálóra való illesztését. Van némi hasonlóság a PINN megközelítéssel, de van egy fontos különbség: ez a neurális háló a FEA-val együtt fut, hogy felgyorsítsa a konvergenciát a megoldáshoz a képzésben. Ami láthatóan gyorsabb edzést eredményez. Következtetésképpen a neurális háló modell FEA nélkül fut. A felépítés során az így kiképzett modellnek szorosan meg kell felelnie a valós probléma fizikai korlátainak, mivel nagyon szorosan képezték ki egy fizikailag tudatos megoldóval szemben.
Azt hiszem, itt az értelmezésem meglehetősen pontos. Szívesen veszem a szakértők javításait!
Oszd meg ezt a bejegyzést ezen keresztül:
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- Forrás: https://semiwiki.com/artificial-intelligence/341034-blending-finite-element-methods-and-ml/
- :van
- :is
- $ UP
- a
- Rólunk
- KIVONAT
- gyorsul
- elfogadható
- pontosság
- pontos
- át
- AG
- ellen
- célok
- Minden termék
- Is
- alternatív
- an
- elemzések
- elemzés
- és a
- Másik
- alkalmazások
- megközelítés
- VANNAK
- TERÜLET
- felmerülő
- körül
- AS
- At
- vonzó
- szerzők
- autóipari
- tudatában van
- háttér
- BE
- mert
- egyre
- óta
- viselkedés
- BEST
- között
- keverési
- Blog
- mindkét
- határait
- szünetek
- épít
- Csokor
- de
- by
- kitérő
- TUD
- autó
- CFD
- vásárló
- szorosan
- össze
- általában
- bonyolult
- bonyolultság
- teljesítés
- számítási
- Körülmények
- következetes
- korlátok
- szerkesztett
- építés
- folytatódik
- Konvergencia
- Hiba
- hasonmás
- terjed
- fedett
- Crash
- termés
- adatbázis
- Design
- részletek
- különbség
- különböző
- kiábrándító
- domain
- domainek
- le-
- dinamika
- minden
- Elektronikus
- elem
- máshol
- egyenletek
- hiba
- különösen
- lényeg
- lényegében
- Még
- kiállít
- szakértők
- feltárása
- terjed
- meglehetősen
- gyorsabb
- Jellemzők
- Találjon
- megfelelő
- szerelvény
- folyadék
- Folyadékdinamika
- A
- Keretrendszer
- Frekvencia
- ból ből
- front
- Tele
- funkció
- funkciók
- Geek
- generál
- jó
- Legyen
- itt
- Magas
- Hogyan
- azonban
- HTTPS
- i
- ötlet
- if
- fontos
- in
- Más
- magában
- információ
- tájékoztatták
- kezdetben
- belső
- bemenet
- értelmezés
- bele
- érdekesnek
- bevezetéséről
- IT
- ITS
- nagy
- vezető
- tanulás
- legkevésbé
- Tőkeáttétel
- mint
- Hosszú
- hosszabb
- le
- sok
- matematikai
- max-width
- mechanikai
- Találkozik
- háló
- módszer
- mód
- esetleg
- perc
- ML
- modell
- modellek
- több
- sok
- többszörös
- München
- my
- bennszülött
- Szükség
- szükséges
- háló
- ideg-
- nem
- of
- on
- Alkalom
- optimalizálás
- Optimalizálja
- érdekében
- eredeti
- Más
- ki
- kimenetek
- kívül
- Papír
- fázis
- fizikai
- fizikailag
- Fizika
- Plató
- Platón adatintelligencia
- PlatoData
- pont
- lehetőségek
- állás
- jelenlét
- bemutatott
- Probléma
- problémák
- proxy
- radar
- gyorsan
- igazi
- valószerű
- Csökkent
- megköveteli,
- kutatás
- rezonál
- Eredmények
- futás
- futás
- fut
- forgatókönyv
- kaparni
- különálló
- készlet
- Szettek
- kellene
- mutatott
- Siemens
- Egyszerű
- egyszerűsített
- óta
- So
- megoldások
- Megoldások
- SOLVE
- Megoldása
- néhány
- forrás
- Hely
- kezdet
- kezdődik
- Még mindig
- feszültség
- struktúra
- későbbi
- ilyen
- javasolja,
- ráhelyezés
- rendszer
- Systems
- Beszél
- Műszaki
- technikák
- mint
- hogy
- A
- The Source
- Ott.
- ebből adódóan
- termikus
- Ezek
- Szerintem
- ezt
- bár?
- Keresztül
- idő
- alkalommal
- nak nek
- együtt
- tolerancia
- Témakörök
- Vonat
- kiképzett
- Képzések
- próba
- alatt
- megértés
- Egyetemek
- használ
- használt
- segítségével
- változó
- verzió
- nagyon
- keresztül
- Út..
- gyengeség
- fogadtatás
- amikor
- ami
- míg
- széles körben
- val vel
- belül
- nélkül
- művek
- lenne
- zephyrnet