万博Ansys si impegna在modo che gli studenti di oggi abbiano successo, fornendogli il software gratuito di simulazione ingegneristica。
万博Ansys si impegna在modo che gli studenti di oggi abbiano successo, fornendogli il software gratuito di simulazione ingegneristica。
万博Ansys si impegna在modo che gli studenti di oggi abbiano successo, fornendogli il software gratuito di simulazione ingegneristica。
Per Stati unite Canada
+ 1 844.462.6797
万博ANSYS的博客
2022年3月16日
在速度和准确性之间总是有一个权衡,但当涉及到模拟时,使用人工智能/机器学习(AI/ML)与图形处理单元(gpu)的结合正在打破平衡,提供两个世界的最佳:快速创新和更高的信心。通过使用AI/ML增强模拟方法,我们已经看到一些应用程序的速度提高了40倍,而这只是一个开始。
模拟用于分析各行业日益复杂的多物理场和系统级现象,包括推进电气化、自主、5G和个性化医疗的下一代产品面临的挑战。万博网它使我们的客户能够解决曾经无法解决的问题,并接受虚拟原型,这有助于节省时间和金钱,同时提高质量。然而,尽管模拟比物理测试和原型设计快很多倍,但市场需要更快的创新,Ansys在过去50多年来一直在不断地提供创新。万博
在英伟达GTC,在3月21日至24日举行的全球AI会议上,我将解释Ansys仿真解决方案如何利用AI/ML和NVIDIA gpu来提高客户的生产力,增强现有的加速万博模拟运行的方法,增强工程设计,并提供更大的商业智能见解。这是我演讲的预览。顺便说一下,我下面提到的所有机器学习算法都是在NVIDIA上运行的A100Tensor Core GPU,利用ML软件堆栈。
当你用Navier-Stokes方程求解大范围流动问题时,用有限元或有限体积方法求解大范围流动问题是很复杂的。你可以通过关注整体的小块来提高速度,然后学习这些小块是如何连接在一起来理解更大的区域。这就是ML的用武之地。我们可以创建一个算法,取一个单一的小的解决方案块,并在不同的区域移动它来解决更大的流模型。
使用这个稳态流求解器作为基础,然后我们可以将其扩展为一个瞬态ML求解器,使用同样的方法关注小区域来加速解决方案,这使我们能够预测流如何随时间变化。所以,我们有了基于ml的稳态和瞬态流解的方法。现在,我们需要训练它。
我们所做的是采用基于ml的流求解器,并将其与我们的万博Ansys流利这样它就是循环中的求解器。从本质上讲,这使得数据驱动的神经网络能够针对各种流体变量进行大规模训练。
将ML与Fluent集成在管道流体流动和汽车外部空气动力学方面的初步结果表明,使用单个CPU解决问题的时间要快30-40倍。GPU的能力可以提供额外的5-7倍的计算速度,并有潜力使用分布式GPU架构进行扩展。gpu为基于ml的方法提供了巨大的模拟加速潜力。
另一个结合ML和仿真的例子是湍流建模。紊流最精确的解算器是直接数值解(DNS),但这需要大量的时间,所以人们使用称为大涡模拟(LES)的近似方法,它比DNS更快,而且仍然相当准确。一个更快的近似是Reynolds-average Navier-Stokes (RANS)方程,这就是Fluent所使用的。RANS方程不如LES准确,因此我们使用广义k-omega (GEKO)模型来获得LES的精度水平,同时利用RANS的速度优势。然而,识别GEKO参数需要模拟专家的专业知识。这就是我们应用ML的地方。
使用基于ml的方法,我们自动调整GEKO参数,而不是手动调整以获得LES模型的准确性。
另一个使用ML来寻找关键位置以加速模拟的例子可以在电子领域找到。在模拟由印刷电路板(pcb)上的集成电路(ic)或作为3ic堆叠而成的电子芯片封装时,在最精确的水平上模拟它们的热性能可能需要很长时间。通常,人们通过使用自适应网格技术来加快这一过程。节省了大量的时间。在一个10x10芯片上热法模拟,采用自适应细网格划分可将运行时间从4.5小时减少到33分钟。
你可以想一个网作为用来模拟特定现象的信息网格。一个更细的网格包含更多的信息,需要更长的时间来解决,但更准确。理想情况下,您应该只在芯片“热点”上最需要的地方使用较细的网格,而在其他地方使用较粗的网格,以获得快速和准确的结果。使用ML,我们能够自动检测芯片热点,并通过预测温度衰减曲线在需要的地方应用精细网格。
如果您集成了这两个概念——自适应网格划分和自动热点检测——您可以节省大量时间。例如,在一个16mmx16mm的大芯片上,即使是一个200x200微米的粗网格也需要17分钟的运行时间。使用基于ml的自适应网格放置精细的,10x10微米的网格,在他们需要的地方,它运行在2m 40s。它提供了准确性和速度。
我不想透露太多,因为我想让你和我一起参加NVIDIA GTC。我的演讲,人工智能在工程仿真中的应manbet用,将于3月23日星期三下午2点举行。太平洋。您可以免费注册以了解更多关于上述示例的信息,此外,我将分享我们如何使用ML来提高数字孪生的准确性,并加快复合材料结构的复杂并发多尺度结构模拟。
一定要看看我的Ansys同事们的演讲:万博
我们在这里回答你的问题,期待与你交谈。我们Ansys销售团队的一名成员万博将很快与您联系。