Создание предиктивных моделей в DT Seven на основе инженерных расчетов в Логос

Данная статья посвящена построению предиктивных моделей на примере расчетной цепочки, включающей в себя несколько расчетных модулей программного продукта ЛОГОС. В инженерной практике предиктивные модели позволяют прогнозировать поведение системы на основе заранее собранных данных, исключая необходимость запуска ресурсоёмких расчетов для каждого нового набора параметров. Такой подход особенно актуален при работе со сложными задачами, когда требуется быстро получить достоверные результаты.

Построение предиктивных моделей на основе методов машинного обучения

«Под капотом» предиктивных (аппроксимационных) моделей заложены алгоритмы машинного обучения. Основная идея применения методов машинного обучения в программном продукте DT Seven заключается в том, чтобы заменить трудоёмкие расчёты или дорогостоящие эксперименты аппроксимационной моделью. Такая модель работает как «чёрный ящик»: на вход подаются параметры, а на выходе мгновенно выдаются значения интересующих характеристик системы. Это позволяет значительно ускорить анализ и упростить работу инженера. В DT Seven для создания таких моделей используются инструменты для построения предиктивных моделей на основе существующих данных, инструменты, позволяющие оценить точность созданной модели, для сравнения с реальными результатами или другими моделями, а также инструменты для визуализации и анализа моделей.

Стоит отметить, что в DT Seven используются стандартные алгоритмы машинного обучения, при этом нейронные сети не применяются. Причина использования классических алгоритмов связана с размером наборов данных в инженерных расчётах: как правило, инженерные данные составляют десятки, сотни или тысячи расчетных случаев, тогда как для эффективного обучения нейросетей требуется значительно больше данных. Такой подход на основе классических методов машинного обучения обеспечивает надёжные и интерпретируемые модели, которые хорошо работают в рамках ограниченных выборок.

Практический пример интеграции расчетных цепочек ЛОГОС в DT Seven

В таблице 1 приведены входные параметры модели с диапазонами их изменения. Ниже также указаны выходные параметры, значения которых будут прогнозироваться.

Входные параметры:	Скорость на входе Inlet1 Vel1	Скорость на входе Inlet2 Vel2	Температура потока на входе Inlet1 T1	Температура потока на входе Inlet2 T2
Диапазон изменения параметров	0.1 м/c < Vel1 < 1 м/c	1 м/c < Vel2 < 15 м/c	280 К < T1 < 300 К	350К < T2 < 400 К

Выходные параметры для предсказания:

• Температура потока в выходном отверстии T_out
• Максимальные напряжения Stress
• Uniformity Index (коэффициент перемешивания см. формула 1) в выходном отверстии
• Ограничение на объемную долю метана на выходе φ_ch4

где φ_i – локальное значение объемной доли метана;
φ_ch4 – среднее значение объемной доли метана на выходе Outlet;
UI – индекс перемешивания, принимающий значения от 0 (полностью неравномерное распределение) до 1 (идеально равномерное распределение);
A_i– площадь ячейки.

Свойства материала T-образного трубопровода: E = 2 ×10^11 Па, μ = 0.3, λ = 16.27 Вт / (м²×K),
ρ = 8030 кг/м³. В качестве модели турбулентности для CFD-региона выбрана модель k-omega SST, заданы физические модели: модель многофазности – односкоростная VOF модель, модель энергии, модель гравитации, постановка задачи стационарная.
Давление на выходе P_outlet = 10^5 Па.

Настройка блока DSE для построения предиктивной модели

В блоке Design Space Exploration также, как и для выполнения оптимизации определяются входные и выходные данные. Отличие состоит в том, что необходимо сгенерировать облако данных, которое равномерно распределено в пространстве параметров.

Построение предиктивной модели

Для обучения, как правило, необходимо разделить полученный набор данных на тестовую и тренировочную выборки. Это позволяет оценить предиктивную модель на тестовом наборе данных, которую она «не видела». В DT Seven разделение данных выполняется с помощью инструмента Split data.

Для построения предиктивной модели необходимо выбрать набор тренировочных данных, определить выходные параметры и нажать кнопку построения модели. По умолчанию для каждого выходного параметра будет автоматически подобран алгоритм машинного обучения, с помощью техники SmartSelection, которая также помогает модели не переобучиться.

Для сравнения моделей можно воспользоваться удобным инструментом Quantile в Model validator, где по оси x откладывается ошибка модели, а на оси y – число точек с данной ошибкой. Например, ниже представлен соответствующий график для выходного параметра Stress на тренировочной выборке Train и на тестовой Test.

Также в DT Seven имеется возможность сравнения моделей с помощью инструмента Scatter в Model validator, где по оси x откладывается предсказанное значение модели, а на оси y – действительно значение. Ниже представлен пример сравнения модели, обученной с помощью техники SmartSelection, Model_SS и с помощью техники на основе Гауссовских процессов Model_GP для выходных значений temp_out.

Для визуализации предсказаний моделей имеется инструмент Model explorer, который строит двумерные срезы зависимостей откликов моделей от входных параметров с возможностью их интерактивного изменения.

Помимо широкого набора инструментов визуализации и обработки данных, в DT Seven можно экспортировать предиктивную модель в различные форматы. Так, например, если модель будет использоваться в другой расчетной цепочке, можно экспортировать ее в виде исполняемого файла, или в виде таблицы в Excel, что может быть удобно в использовании для инженерных расчетов без необходимости проводить долгие CAE вычисления.

Заключение

Использование DT Seven обеспечивает инженерам эффективный и универсальный инструмент для работы с расчетными цепочками, сочетая автоматизацию процессов, ускорение анализа данных и повышение надежности проектных решений, что проявляется в следующих основных преимуществах:

• Автоматизация инженерных расчётов. Построение расчетных схем в DT Seven охватывает полный цикл работы – от подготовки данных до анализа результатов, минимизируя ручной труд и снижая вероятность ошибок.
• Создание предиктивных моделей. На основе облака данных, равномерно покрывающего пространство параметров, инженер может создавать аппроксимационные (суррогатные) модели, позволяющие мгновенно получать отклики системы без запуска ресурсоёмких расчётов. Это особенно важно при анализе больших проектов или в условиях ограниченного времени.
• Сокращение затрат и ускорение проектирования. Благодаря оптимизации и предиктивным моделям уменьшается число «дорогих» расчётных экспериментов, что позволяет быстрее находить рабочие решения и снижать нагрузку на вычислительные ресурсы.
• Безопасная передача результатов. Построенные модели могут экспортироваться в удобных форматах (например, Excel, исполняемые файлы), что позволяет делиться результатами с коллегами или заказчиками без раскрытия исходных данных и интеллектуальной собственности.

Таким образом, связка ЛОГОС и DT Seven объединяет возможности точных инженерных расчётов и современных методов машинного обучения. Это помогает ускорить анализ полученного решения и обеспечивает достоверность результатов инженерных расчетов.

Получить консультацию

Заполните форму прямо сейчас, и мы свяжемся с Вами!

* Обязательные поля для заполнения