物理試験をシミュレーションで置き換えることは、解析を加速し、研究開発や設計のコストを下げるうえで欠かせなくなっています。しかし、シミュレーション結果は現実と合わないことが多く、モデルのキャリブレーションと妥当性確認は解析ワークフローの重要な要素です。限られた試験データを生かすには、統計的キャリブレーションのツールでモデルを現実に結びつけるのが最善の方法です。シミュレーションをできる限り現実に近づけることで、設計期間の短縮とコスト削減につながる可能性は、かつてないほど大きくなっています。
統計的キャリブレーションのワークフローモデルキャリブレーションとは、一連の実験結果とよりよく合うように、モデルのパラメータを調整するプロセスです。調整するパラメータは、ふつう物理試験では直接測れないものです。材料の公差、流体力学の係数、土質の特性、エンジンの運転点といった物理的な特性のこともあれば、モデルの数学的な性質のように物理的な意味を持たないもののこともあります。
適切なキャリブレーションがなければ、モデルの結果は意味をなさないか、現実の対象について誤った情報を与えることさえあります。正確なキャリブレーションは、十分な信頼性を持つシミュレーションモデルを確立するための重要なステップと広く考えられており、それ以降の検討や解析の前にキャリブレーションが必要になることもよくあります。
観測できないパラメータ、複雑な物理現象、強い非線形性を含むモデルなど、手作業での調整が難しい、あるいは不可能な場合には、統計的キャリブレーションのツールが欠かせません。
最新のシミュレーションツールは、より詳細な物理、より高い複雑さ、より多くのパラメータを含むようになっています。物理試験でも詳細な計測テレメトリが当たり前になり、データはますます複雑になって、その扱いはビッグデータの課題になっています。シミュレーションと試験結果の違いは、不確かさの定量化と統計的キャリブレーションに新たな課題と機会をもたらしています。
手作業での調整や単純なデータ合わせと比べて、統計的キャリブレーションには次のような重要な利点があります。
ベイズキャリブレーションのアルゴリズムのフローチャートベイズキャリブレーションは統計的キャリブレーションの一種で、測定誤差、センサーのノイズ、モデルの根本的な不一致を明示的に定量化しながら、シミュレーションの物理を試験装置やセンサーのデータに合わせます。こうした不確かさは、キャリブレーションパラメータの分布と不一致モデルの中に保持されます。
この情報を捉えることで、ベイズキャリブレーションはシミュレーションモデルを調整するだけでなく、不確かさの伝播、信頼性ベース最適化、確率論的なモデルの妥当性確認といった、その後の不確かさ解析の土台にもなります。
ベイズキャリブレーションでモデルを現実に結びつけ、UQでそのばらつきを調べることで、エンジニアは物理的な試作の前に、設計のリスクと見込まれる不確かさを把握できます。その結果、失敗も試作も繰り返しも減らせます。シミュレーションそのものと同じく、早い段階で少し統計的キャリブレーションと不確かさ解析を行っておけば、初期設計からの変更を計画的に進められ、後になって数百万ドル規模の手戻りや保証の問題が生じるのを防げます。
金属や複合材の航空宇宙部品の構造耐久性を予測するには、繰り返し荷重と極限条件の両方で応力履歴を評価する必要があります。環境要因、腐食、製造ばらつきが加わると、計算負荷の高いシミュレーションと、部分的にしかわかっていない多数の入力因子を扱うことになります。
半導体製造装置の設計では、処理中のウェーハ面内の均一性を得るために、強い非線形性を持つマルチフィジックスCFD、反応流、プラズマダイナミクス、熱流体の相互作用を精密に調整する必要があります。
電気自動車の開発では、セル温度を安全に保つことと、バッテリーの寿命を予測することが非常に重要です。EVバッテリーの健全性を評価するには、変動する負荷や環境のばらつきに影響されるセル劣化の不確かさをモデル化する必要があります。