CFDのための不確かさの定量化と機械学習
数値流体力学（CFD）シミュレーションは、エンジニアリングで複雑な流れを解析するのに欠かせませんが、計算コストの高さともともとある不確かさが大きな課題になります。SmartUQは、最新の実験計画法（DOE）、サロゲートモデリング、不確かさの定量化を組み合わせた総合的なソリューションで、CFDのワークフローを加速し、予測精度を高め、ロバストな意思決定を可能にします。
CFDシミュレーションに機械学習を使うときの課題
- 実行時間が長く、コストが高い：詳細なCFDモデルは1回の実行に数時間から数日かかることがあり、エンジニアが調べられる設計のバリエーションの数が限られます。
- 入力が高次元：CFDの検討の多くは、境界条件や材料特性など数十のパラメータを含み、従来の機械学習の手法では効率よく扱えません。
- キャリブレーションが複雑：シミュレーションの出力を実験やフィールドのデータに合わせるには、モデルのパラメータとモデル形式の両方を調整する必要があり、手作業で時間がかかることがあります。
CFDのためのSmartUQのソリューション
- 実験計画法：ラテン超方格法、スライスDOE、入れ子型DOEなど、最適化されたサンプリングパターンを生成して、得られる情報が最大になるCFDの実行条件を選びます。
- シミュレーションの実行：DOEに従ってCFDモデルを実行します。Fluent、STAR-CCM+、ANSYS CFXなどには、SmartUQのコマンドラインや入出力の連携機能も使えます。
- サロゲートモデルの学習：集めたシミュレーションデータで機械学習のエミュレーターを学習させます。高次元、マルチフィデリティ、空間・時間の出力に対応します。
- 妥当性確認とキャリブレーション：学習に使わなかったシミュレーションや実験の測定値でサロゲートの精度を確かめ、統計的キャリブレーションでパラメータを調整し、モデル形式の不一致を補正します。
- 解析と意思決定のツール：サロゲートモデルを使って、不確かさ伝播、感度解析、確率的最適化や信頼性ベース最適化を行い、モデルを反復的に改善する動的エミュレーションのワークフローも実行します。
アダプティブDOEと自動化
- 動的エミュレーション：シミュレーションの実行、サロゲートの更新、精度の評価をループで自動的に行い、目標の誤差やサンプル数の上限に達するまで続けます。
- 動的最適化と動的コンター探索：サロゲートの分散をもとに反復的にサンプリングし、最適な設計や等値線（レベルセット）に効率よく収束させます。
- APIとGUIの連携：PythonやMATLABからスクリプトで使えるPySmartUQ、ANSYS Workbench、Adams、COMSOL向けのGUIコネクター、そのほかのCFDプラットフォーム向けのコマンドラインとSmartSimIOがあります。
CFDのワークフローを変える
SmartUQは、計算コストを減らし、予測の忠実度を高め、不確かさと感度について総合的な知見をもたらすことで、CFDシミュレーションのワークフローを変えます。効率のよいDOE、最高水準のサロゲートモデリング、統計的キャリブレーション、自動化されたエミュレーションを組み合わせることで、エンジニアはより広い設計空間を探索し、データにもとづいて判断し、製品開発のサイクルを速められます。
エンジニアリングシミュレーションの解析でお困りのことがあれば、お問い合わせください。
