- 우선, 제조 산업을 둘러싼 현재 상황과 CAE 사용 문제에 대해 물어볼 수 있습니까?

sato제조 산업에서는 대규모 및 소량의 생산이 진행되었으며 개발주기가 단축되었으므로 주요 주제는 경쟁 업체보다 더 빠르고 저렴한 비용으로 신제품을 출시하는 방법입니다 "비용과 다른 요인의 80%가 설계 단계에서 결정됩니다" 가능한 한 많은 재 작업이 없도록 제품을 설계하고 제조 공정을 고려하고 비용을 줄여야하며, 이것이 CAE 가이 목적으로 사용 된 것입니다
그러나 CAE를 사용하는 데 전문 지식이 필수적이며 누구나 도구와 함께 사용할 수있는 것이 아닙니다

Watanabe따라서 많은 회사에서 디자인과 CAE는 다른 회원이 처리합니다 먼저, 디자인 관리자는 CAE 관리자에게 시뮬레이션을 수행하도록 요청하고 CAE 관리자는 계산을 수행하고 결과를 디자인 관리자에게 다시 공급합니다 CAE로 단일 모양의 강도를 시뮬레이션하는 데는 일반적으로 몇 시간에서 수십 시간이 걸립니다 결과적으로, 시뮬레이션 외에 일련의 작업은 오랜 시간이 걸리므로 보고서를받는 데 며칠이 걸립니다 이것은 최근 몇 년 동안 개발주기의 단축을 충족시킬 수 없다는 과제가되었습니다

- 디자이너 자신은 CAE를 사용하지 않았습니다

sato물론 디자이너 자신이 CAE를 사용하여 시뮬레이션에 책임을 질 수있는 경우에 가장 좋습니다 그러나 디자이너의 작업은 매우 다양하며 각 도구에 대한 전문 지식이 필요한 전용 CAE의 경우에도 스스로 연구하고 다루기가 어렵습니다 소위 디자이너 CAE 필드가 확장되고 있지만 그 기능은 제한적입니다 CAE의 발전으로 더 크고 더 복잡한 현상을 처리 할 수있어 더욱 전문화됩니다

디자이너와 CAE 직원이 다른 현재 상황에서는 시뮬레이션 결과를 제대로 활용할 수없는 경우가 있습니다 예를 들어, 보고서가 "시뮬레이션 결과를 반환하더라도 강도가 충분하지 않다는 것을 보여 주므로 두께가 증가해야합니다"설계 단계와 비용의 진행으로 인해 이것이 어렵다는 것을 알지 못합니다

이와 같이 설계 문제가 발견 되더라도 현실적인 솔루션을 제시하는 데 시간이 걸리므로 많은 회사들이 "CAE 계산 시간 속도를 높이고 싶습니다"및 "디자인 프로세스를 단축하고 싶습니다"와 같은 요청을 받았습니다

- 대리 모델은 어떻게 이러한 과제를 해결합니까?

sato대리 모델은 데이터에서 법률과 패턴을 발견하고 알 수없는 결과를 예측하는 모델입니다 CAE는 물리학을 기반으로했지만 대리 모델은 통계 기계 학습을 기반으로했습니다 복잡한 물리 방정식을 사용하여 모든 현상을 해결하는 CAE와 비교하여 대리 모델은 기계 학습을 사용한 조건과 결과 간의 관계를 도출하여 중간 계산을 생략 할 수 있으므로 동일한 결과에 도달하는 데 걸리는 시간이 크게 단축 될 수 있습니다

(소스)최적화/기계 학습을 사용한 공간 탐색 소프트웨어 설계 PSEVEN : 예측 모델링 | SCSK Corporation

최근에, 나는 제조 외부에서 기계 학습의 많은 사례를 들었습니다 예를 들어, 판매 예측은 과거 날씨, 온도, 판매 성과 등과 같은 데이터를 학습하여 패턴을 도출하고 향후 판매를 예측하지만 디자인의 대리 모델은 비슷한 이미지를 가지고 있습니다 제품 모양이 고정되면 과거 실험 및 "힘이 적용되는 곳 및 얼마나 많은 손상이 발생할 것인지"와 같은 많은 양의 데이터를 수집하여 제품 모양 및 생산 공정을 변경할 때 결과를 예측하여 모델이 생성됩니다 물리적 방정식을 풀기보다는 이제 전통적인 CAE 계산에 비해 모양의 결과를 예측하는 데 필요한 시간을 크게 줄일 수 있습니다 SCSK는 약 7-8 년 동안 대리 모델을 사용하여 제품을 판매 해 왔으며 주요 제조 회사를 포함한 고급 회사의 제한된 양의 연구 및 기타 분야에서 사용되고 있습니다

- 대리 모델이 지금까지 널리 사용되지 않은 이유는 무엇입니까?

Watanabe대리 모델은 일반적으로 응답 표면 방법을 사용하며 모양과 치수는 매개 변수 (수치)를 만들어 분석합니다 따라서 치수의 숫자 또는 부분이 변경되면 모델을 다시 만들어야합니다 또한, 외관 및 모양의 변화와 같이 숫자로 표현하기 어려운 부분에 대해 배우기가 어려웠다는 도전이있었습니다 이러한 예측 가능한 모델 형상 제약 조건으로 인해 전통적인 대리 모델에는 이용률이 제한되어 있습니다 3D 대리 모델을 생성하는 "NCS (Neural Concept Studio)"제품은 현재 이러한 문제에 대한 해결책으로 주목을 받고 있습니다

- NCS는 어떤 종류의 제품입니까?

satoNCS는 딥 러닝 및 이미지 인식 기술을 사용하여 3D 모양과 분산 데이터를 직접 학습하고 3D 대리 모델을 사용하여 예측하는 도구입니다 딥 러닝은 기계 학습 유형이지만 기능 수량을 자율적으로 추출하고 학습하므로 미리 매개 변수를 설정할 필요가 없습니다 많은 사람들은 아마도 AI가 이미지 인식에 종종 사용되는 기술을 사용하여 다양한 동물 사진에서 개와 고양이의 특성을 자동으로 배우는 경우를 보았을 것입니다 사진과 같은 2 차원 이미지를 다룰 때 CNN (Convolutional Neural Network)이라는 기술이 사용되지만 NCS에서는 Geodesic CNN이라는 기술을 사용하여 3 차원 모양을 학습합니다

이것은 전통적인 대리 모델과 달리 교사 데이터로 설정된 차원의 숫자 또는 일부에 구속되지 않고 3 차원 모양을 AI 모델에 적용 할 수 있습니다 설계 데이터를 매개 변수화 할 필요가 없으며 학습에 사용될 수 있으므로 무료 3 차원 모양에 대한 분산 데이터를 예측할 수 있습니다 또한 예측 결과는 매개 변수가 아니라 분포 맵으로 얻을 수 있으므로 한 눈에 이해하기 쉽습니다 따라서 모양 데이터가있는 한 디자이너 자체는 NCS를 사용하여 예측을 할 수 있으므로 이전과 다른 접근 방식을 사용할 수 있습니다

- 우리는 어떤 특정한 일을 할 수 있습니까?

Watanabe지정된 치수의 확장이 아닌 항목과 치수로 표현하기 어려운 모양은 한 번에 모두 배울 수 있으며 예측 범위를 확장 할 수 있습니다 예를 들어, 이미지는 다른 세대의 자동차 모양을 결합한 단일 대리 모델이 만들어지고 동일한 모델이 광범위한 설계 데이터를 수용 할 수 있다는 것입니다 또한 예측 자체는 단 몇 초만에 완료 될 수있어 더 많은 디자인 아이디어를 고려할 수 있습니다

- 예측 정확도가 AI의 문제인 것 같습니다 그러나 NCS는 어떻습니까?

Watanabe확실히 그러한 문제가 있지만 처음에는 100% 정확도가 필요하지 않으며 CAE와 동일합니다 결국, 우리는 실험을 통해 그것을 확인할 것입니다 그러나 NCS를 사용하여 일정한 정확도를 예측하고 강력한 설계 모델을 좁히면 불필요한 시뮬레이션 및 실험을 줄일 수 있습니다

satoNCS는 예측할 때 교사 데이터와 유사성에서 예측 신뢰성을 정량화합니다 이 숫자가 높을수록 예측이 더 정확하므로 많은 디자인 중에서 가장 좋은 방법을 정량적으로 결정할 수 있습니다 이것이 당신이 그것을 좁히고 CAE를 사용하여 시뮬레이션을 수행하는 방법입니다

- Cae가 더 이상 필요하지 않다고 말하는 것은 아닙니다

Shibukawa아이디어는 CAE 사용을 멈추지 않고 설계 및 시뮬레이션 프로세스가 크게 변할 것입니다 이전에는 디자인 세트 및 시뮬레이션 세트를 여러 번 CAE로 수행했으며 한 번의 루프는 며칠이 걸렸습니다 대조적으로, NCS의 경우 디자이너는 특정 예측 자체를 만들 수 있으며 결과를 몇 초만에 얻을 수 있습니다 디자인 작업의 일환으로, 당신은 시뮬레이션 할 수 있고 일정량의 좁아진 후에 CAE 담당자를 요청할 수 있습니다 CAE 및 실험 (※) 이전에 설계 단계의 효율성과 품질을 높여 해외에서 리드 타임이 90% 이상 줄어든 사례에 대한보고가있었습니다

*참조 :AI 기반 성능 예측 및 배터리 전기 자동차의 냉각 플레이트 설계 및 시뮬레이션에 대한 적용 | SpringerLink

- 소개는 어떻게 진행됩니까?

sato실제 데이터를 메가 슬롯 POC로 시작하는 것이 좋습니다 SCSK는 필요한 데이터를 추론하고 고려하여 테마에 필요한 양을 추론하고 고려하여 귀하를 지원할 것입니다

- 데이터를 준비하기가 어려울까요?

Watanabe많은 고객들이 데이터 수가 문제라는 것을 알게됩니다 그러나 CAE 시뮬레이션 결과 및 실험 결과를 포함하여 다양한 데이터가 사용할 수 있습니다 교사 데이터 인 CAE 계산 및 SCSK에서 데이터를 배열하는 방법을 자동화하기위한 도구를 제안하고 조언 할 수도 있습니다

- 마지막으로 NCS의 매력을 요약하는 요점은 무엇입니까?

Watanabe다른 유사한 도구가 있지만 NC의 가장 큰 장점은 유체 분석, 전자기장 분석, 구조 분석 및 하나의 도구를 사용한 프로세스 시뮬레이션과 같은 다양한 시뮬레이션을 처리 할 수 ​​있다는 것입니다

Shibukawa다시 말해, 회사 전체의 시뮬레이션은 NCS로 컴파일 될 수 있음을 의미합니다 CAE에서 직원은 다른 분야로 나뉘었지만 NCS에서는 모든 분석 필드에 대한 모델을 만들 수 있습니다 그런 다음이 모델을 사용하여 시뮬레이션과 동등한 예측을 쉽게 얻을 수 있습니다 물론 모델 생성에는 특수 지식이 필요하지만 NC의 장애물은 상당히 낮습니다 인적 자원을 확보하는 데 어려움을 겪고있는 효과적인 도구이므로 분야와 부서의 시뮬레이션을 통합하는 능력도 새로운 형태의 조직으로 이어질 것입니다