引入AI智能及模擬雲之幾何參數最佳化應用

 

刊登日期:2018/10/5
  • 字級

以往在新材料製作或產品設計的改良,需要耗費數月甚至數年的時間,如今面對產業的迅速變遷,若是能結合AI與雲端平台技術,則可降低不同材料的研發時間並節省研發成本。也可透過模擬雲平台的建立,對材料領域不同的運算需求,動態配置最佳的電腦系統資源,藉由模擬雲配置資源帶來更有效率研究。

本文將從以下大綱,以代理孕母模型為例,探討AI如何減少模擬次數,以提供材化領域更快速且更彈性的分析資源。
‧前言
‧AI技術簡介
 1. 代理孕母模型簡介
 2. 類別型代理孕母模型簡介
 3. 雙精準度代理孕母模型簡介
‧模擬雲平台
 1. 雲端工程軟體服務
 2. 雲端運算環境優化
‧代理孕母實驗結果
 1. 類別型代理孕母模型實驗結果
 2. 雙精準度代理孕母模型實驗結果
‧結論

【內文精選】
前言
近年來AI技術不斷發展,其應用層面也很廣泛,如:參數最佳化、能源預測、影像辨識、物件偵測等,除了可利用AI來提升需要大量基礎實驗的工作效率外,當資料充足的情況下,亦可應用AI找尋最佳參數。但如今面臨的狀況往往是少量多樣的生產型態,資料蒐集不易,面對如此高成本的實驗,本研究發展了一AI智能之幾何參數最佳化應用,可應用於最佳化鞋墊3D列印參數,調整設計鞋墊的拓樸結構,使足部壓力達到最舒適效果。在電腦系統的資源有不同需求下,建立模擬雲(Simulation Cloud)平台,更能動態配置最佳的電腦系統資源,為AI與機器學習提供更快速且更彈性的分析資源。

AI技術簡介
在3D列印鞋墊設計中,不同幾何結構下會產出不同的足壓分布結果。過去對於幾何參數的最佳化除了依賴研發人員經驗外,研究多以田口法、GA (Genetic Algorithm)或PSO (Particle Swarm Optimization)等方法來搜尋最佳的幾何參數,但是這些方法卻有其不足或缺失之處。

本篇AI最佳化技術在高成本實驗的前提考量下,採用代理孕母模型(Surrogate Model)針對兩種鞋墊開發情境,發展類別型(Qualitative and Qualitative)代理孕母與雙精準度(Two Fidelity)代理孕母,本段將分別介紹這些技術。
1. 代理孕母模型簡介
由於實驗高成本的緣故,本研究採用Jones等人在1998年提出的Efficient Global Optimization (EGO)架構,請參考圖一。在架構中使用的代理模型為高斯過程(Gaussian Process; GP),並透過期望改善度(Expected Improvement; EI)來推薦下一個實驗點。

圖一、EGO流程示意圖
圖一、EGO流程示意圖

模擬雲平台
1. 雲端工程軟體服務
使用雲端軟體服務正迅速成為各種行業的新「常態」。如微軟的Office 365以及Adobe的Creative Cloud等。藉由雲端CAD和CAE解決方案的優勢,使越來越多的工程公司採用雲端服務,這些優勢包含:①節省時間、②依使用量付費、③以低成本進行高複雜度工作、④隨處工作、⑤資訊安全、⑥自動軟體更新、⑦增強協作能力

由Onshape調查也顯示,企業採用雲端CAD/CAE服務的主要原因為:①授權與維護費用占了82%;②IT基礎環境建置與維運管理占了78%;③一次性授權伺服器管理占了74%;④CAD/CAE服務的使用彈性占了63%。

代理孕母實驗結果
2. 雙精準度代理孕母模型實驗結果
在雙精準度的模擬實驗中, 我們將實驗分成高低精準度曲面兩種,實驗一代表高低精準度曲面同向,實驗二代表高低精準度曲面異向,實驗設定請參考表三。而模型的更新策略如下:①蒐集數筆高精準度與低精準度實驗結果;②配適代理模型,得到下一個實驗點;③在新的實驗點上執行高精準度與低精準度實驗;④更新實驗數據並重複步驟2。

實驗一的結果請參考圖十三,而實驗二的結果請參考圖十四。圖片上半部描述高精準度與低精準的真實曲面,下半部為代理模型建構出的曲面;藍色圓點為高精準度的實驗點,黃色圓點為低精準度的實驗點,白色圓點為模型推薦的下一個實驗點,紅色星號為真實的最佳值參數位置。從圖十三中可以觀察到在曲面為同向時,模型更新第6次時就能夠推薦到參數最佳值…...以上為部分節錄資料,完整內容請見下方附檔。

圖十三、實驗一結果(模型更新6次)
圖十三、實驗一結果(模型更新6次)

作者:莊雅筑、趙育昌、陳秉洋、夏啟峻、林順傑/工研院資通所
★本文節錄自「工業材料雜誌」382期,更多資料請見下方附檔。


分享