首页/文章/ 详情

从扫帚间到销冠王: Convergent Science迎来25岁生日

1年前浏览291




今年是convergent Science成立25周年。1997年12月7日,Convergent Science的七位创始人——包括现任合伙人兼副总裁Keith Richards, Kelly Senecal, Eric Pomraning, 和 Dan Lee——签署了成立Convergent Thinking有限责任公司的文件,并支付了数百美元注册费用。


那天,七名年轻的威斯康辛大学麦迪逊分校的工程学研究生在大雪中出发,前往当地政府办公楼提交注册文件。25年后的今天,其中3人已经转行,4人仍在公司工作,大家仍然是好朋友,以副总裁的身份共同做出重大商业决策。Kelly说:“人们告诉我们,你需要一个CEO。你需要一个人坐在高层,做出所有最终决定。但也许是因为我们一开始是有限责任公司性质,属于一种合伙人关系。所以当我们成立时,我们的结构是合伙企业,现在某种程度上我们仍保持了这种结构。”

图片


       

Convergent Science的合伙人Kelly Senecal, Keith Richards, Eric Pomraning和Dan Lee


一个公司如何生存到25年?在当前的商业环境下,当如此多的创业公司快速更替时,我们可以从Convergent Science的成功中学到什么呢?其中一个关键因素是运气。但更重要的是知道如何以及何时利用这种运气。


       

CONVERGE最初只是一个发动机模拟的代码


从一开始,Convergent Science就面临着自己的障碍。工程师们花了7年时间构建了计算流体动力学(CFD)代码,用于发动机缸内过程模拟,并于2008年正式发布商业版。当时,美国好几家汽车制造商正面临破产。Keith说:“汽车工业受到的打击相当严重。就在我们正式发布CONVERGE软件商业版时,我们感觉周围的世界都要崩溃了。”


但市场崩 盘中也有一线希望,至少对Convergent Science来说是这样的。“事实证明,这是开始销售CONVERGE的最佳时机之一,”Keith继续说道。“我们不需要费力去说服这些大型汽车主机厂,因为他们当前迫切需要更高效地进行CFD计算。因为他们知道,他们的财务困难源于这样一个事实: 做研究花费了太长时间,开发新产品投入了太多精力。”


CONVERGE是一款旨在消除所有用户网格划分时间并加速产品原型迭代的CFD软件,很快就被汽车行业所接受。而汽车行业是美国经济的主要增长点。


       

Rainer Rothbauer, Convergent Science GmbH的联合创始人、所有者和总经理


2009年,雷纳·罗斯鲍尔(Rainer Rothbauer)在德克萨斯州圣安东尼奥的西南研究所(Southwest Research Institute)工作时接触了这四位美国合伙人,他现在是convergence Science欧洲分部的合伙人和常务董事。作为CONVERGE的第一批用户之一(或者说是最早的用户),雷纳对在欧洲销售CONVERGE很感兴趣。他先和丹进行了交流。“我和丹的第一次通话中,我说,‘哇,这家伙真能侃,’”雷纳说,“我仍然觉得他是个话匣子,但我现在也知道他非常了解CFD,同时是一个很棒的朋友。”2010年,雷纳回到奥地利的家,创办了CONVERGE代理销售公司Ignite3D。2014年,Ignite3D成为Convergent Science GmbH,获得更大权限,可以专门为欧洲市场招聘支持和销售人员来更好地扩大业务。


大约在雷纳开始在欧洲销售CONVERGE的同时,公司负责人者也开始瞄准日本市场。在这个市场推广是一件非常艰难的工作,最初的分销商并没有成功。“由于语言障碍、文化差异和时区差别等非技术原因,我们在该地区销售软件时遇到了困难,”Dan说,“我们需要一个当地代表。” 2013年,Convergent Science与IDAJ达成战略合作伙伴关系,委托IDAJ在日本、韩国和中国独家销售CONVERGE。与IDAJ的合作对Convergent Science来说是一个福音,此后亚洲市场持续为公司的收入做出重大贡献。


更多的国际机会也逐步出现。2017年,Convergent Science印度有限责任公司在Ashish Joshi的领导下在印度马哈拉施特拉邦的浦那市成立。Ashish Joshi曾在CEI公司任职期间与CONVERGE公司有过合作。Eric说:“我们意识到,我们的很多客户在印度都有国际业务。为了更好地支持他们,我们确实需要当地的支持。Ashish能在印度为我们开设分公司,这是非常有帮助的。现在我们在印度的分公司有20多名员工,同时还在继续扩大。”


       

Convergent Science办公室和CONVERGE用户分布


25年前,当Kelly, Keith Richards, Eric和Dan在雪地里艰难跋涉时,他们无法想象有一天他们会成为一家公司的合伙人,并在威斯康星州的麦迪逊设有分公司,同时在底特律,密歇根州,德克萨斯州的新布朗费尔斯和休斯顿,奥地利的林茨,还有印度的浦那设有分部。他们也没想过他们的软件将被世界各地的工业界和学术界使用。如果你问他们,他们会承认他们从来没有写过商业计划。然而,他们很幸运地在这个过程中得到了一些好的商业建议,其中一些他们确实听取了。Eric记得有人告诉他: “谨慎选择你的合作伙伴。” 他说,“也许我当初并没有谨慎选择我的合作伙伴,但我很幸运。虽然一开始我没太当回事,但最终证明,我的合伙人都是非常优秀的人,与他们的合作非常愉快。”


公司的所有者们已经把公司从最初几个研究生一起在一个扫把间里写的代码转变成了一家成功的国际化企业。Dan说:“在Convergent Science,我们很幸运,软件收入一直在快速增长,“为了继续这种增长,我们将不得不在更多的应用领域解决更多的问题。我们需要继续雇佣最优秀的人才,包括在Convergent Science新应用领域拥有专业知识的人。我们需要与世界领先的组织、研究实验室和大学合作,继续推广CONVERGE,并将我们的承诺的产品价值落实到各种新的行业应用中。”


来源:艾迪捷
汽车CONVERGE
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2025-09-13
最近编辑:1年前
艾迪捷
MBD CAE解决方案专家
获赞 23粉丝 47文章 634课程 4
点赞
收藏
作者推荐

利用基于Python的响应面模型即时预测设计行为

基于物理的设计优化在仿真驱动的开发中至关重要,以获得真实产品性能的可靠见解。然而,评估复杂设计的行为通常需要大量的仿真,这既费时又昂贵。在这种情况下,您应该选择基于统计的响应面模型(RSM)来近似、分析和模拟复杂的真实世界系统。使用这种方法,您可以即时准确地了解一组设计参数与一个或多个设计目标之间的关系。然后,您可以使用它执行基于RSM的优化。当基于真实物理模型的仿真在计算时间方面无法承受时,这会很有用。但是,如何将RSM与Python机器学习库相结合呢?使用Python机器学习库进行响应面模型(RSM)训练RSM或元模型是近似系统输入和输出行为的统计和数值模型,其想法是在有限数量的设计上运行基于物理的仿真,并使用它们创建一个数学函数,能够或多或少准确地预测响应变量的行为。RSM模型的行为由用户设置的算法及其参数决定,这些参数在训练阶段由modeFRONTIER计算。所有这些对于过去已经使用过RSM技术的人来说可能已经很熟悉了,但现在还有一些更新的技术。在工程仿真领域,脚本语言方面的深厚专业知识已经成为执行数据分析的一项宝贵技能。Python编程语言由于其简单性和灵活性而在过去十年中受到欢迎,其众多的机器学习(ML)库也有助于训练和评估RSM。 在modeFRONTIER中使用基于Python的RSM元模型的创建可能是一项复杂而费力的任务,尤其是在对精度要求较高的情况下。使用过程自动化和设计优化软件modeFRONTIER,您可以生成可靠的元模型,这些元模型可以有效地近似复杂系统的多变量输入/输出行为,只需很少的计算工作量。modeFRONTIER提供一个集成Python和设计空间的环境:pyCONSOLE,您可以使用所有在Python世界中可用的算法来训练评估RSM。pyRSM模块现在添加了利用Python算法来训练RSM的功能,这意味着可以在modeFRONTIER中使用外部Python机器学习库(如scikit learn)来执行RSM分析,并具有modeFRONTIERRSM所带来的所有好处(共享、图表创建等)。 modeFRONTIER本机RSM的训练和评估功能也适用于基于Python的RSM。基本上,您可以在脚本中编写自己的Python算法来训练模型,并使用与modeFRONTIER本机RSM完全相同的图表对其进行评估。使用Python,您不仅可以访问最先进的机器学习算法,还可以使用非常灵活的训练策略为所考虑的数据集构建最有效的模型,从而探索训练更复杂的精确RSM模型。例如,多保真建模(其中训练策略能够利用不同精度的训练数据)可以通过使用专用的python库快速实现,如您将在下面的案例中所看到的。应用案例:基于Python的多保真RSM用于翼型空气动力学优化训练元模型的总体计算成本通常低于基于数值仿真直接进行的优化所需的成本。然而,在许多情况下,生成训练数据集的计算成本仍然是相当可观的,特别是对于高精度(HF)仿真。引入了多保真方法,将高精度仿真与中或低精度仿真模拟(MF/LF)相结合,可以显著降低计算成本,更有效地训练元模型。LF模型可以从比HF模型更粗糙的模型网格中获得,或者从引入了更高度近似的仿真模型中获得,该仿真模型仍然保持结果的良好精度。为了证明多保真方法的有效性,该方法已应用于航空测试案例。 基准翼型仿真(NACA0012,aoa=4°;流动条件:M=0.6,Re=1.35E7)使用ANSYS Fluent软件,对NACA0012翼型在马赫数=0.6、雷诺数=1.35E7、攻角4°的跨音速条件下进行了仿真。使用两种不同质量的网格:粗网格(LF)有30000个单元,而细网格(HF)有150000个单元。 NACA0012翼型:粗网格30000个单元(左),细网格150000个单元(右)通过在上基线轮廓和下基线轮廓上添加4个控制点的两条参数Bezier曲线,在modeFRONTIER工作流中对基线翼型进行参数化。该研究的目标是训练响应面,以预测8个参数对应翼型的气动系数。 用于空气动力学性能评估的modeFRONTIER工作流首先,执行了50个LF仿真的均匀DOE。通过modeFRONTIER的Data Reducer算法在DOE训练点集中选择最佳子集,对选择出的10个最佳采样点用HF网格重新评估。 用于多保真元模型训练的Dataset Reducer方法由50个低精度和10个高精度仿真组合而成的数据集被选为modeFRONTIER RSM向导中的训练集。选择pyRSM模块,就可以从密歇根大学代理模型建模工具箱的公共库中导入一个Python脚本,该脚本调用Multi-fidelity Cokriging算法。Cokriging是一种基于贝叶斯理论的多保真度代理模型,旨在通过随机自回归方案利用两个或多个高斯过程代理之间的互相关,为高保真度模型输出生成预测后验分布,该预测后验分配编码了具有量化不确定性的较低保真度水平的贡献。 modeFRONTIER中多保真RSM的性能以及三维RSM图结果显示,Cokigring RSM比仅在HF仿真数据集上训练的单保真度RSM更有效。pyRSM训练的RSM可以在modeFRONTIER中用于生成各种图表和工具,包括进行基于RSM的优化。总之,在创建RSM模型时,modeFRONTIER中的python RSM桥是在任何级别处理复杂性的一种非常有效的方法,RSM模型必须尽可能准确,以便在仿真设计工作流中放心使用。通过这种方式,最先进的算法和灵活且可定制的训练策略与modeFRONTIER整合的本地RSM一起成为一种选择。来源:艾迪捷

未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习计划 福利任务
下载APP
联系我们
帮助与反馈