利用机器学习加速仿真设计过程
机器学习（ML）是人工智能的一个分支，它已经渗透到我们的日常生活中：从我们早上醒来的那一刻到我们晚上睡觉的那一刻。它为我们使用的许多在线服务提供动力引擎，可以从我们过去的经验中进行学习，进而影响我们的行为。这背后的理念是，系统可以从数据中学习，自行识别模式，并在最少的人为干预下做出决策。
这同样适用于工程和基于CAE的产品设计，其中机器学习为基于仿真的计算机实验提供了真正的好处。在进行仿真分析时，工程师们必须应对一些挑战，而机器学习可以为他们提供真正的帮助：
由于物理工程问题的规模，仿真时间过长
外部CAD/CAE求解器许可证的可用性
运行仿真所需的昂贵硬件
机器学习可以减少仿真运行时间，最小化求解器运行需求，更智能地使用计算资源，并加快整个仿真设计过程。此外，在进行RSM设计空间探索时，可以在仿真中有效地利用机器学习。
响应面模型（Response Surface Models，RSM）是一种数学和统计工具，用于近似、分析和模拟复杂的现实世界系统。当基于真实物理模型的仿真在计算时间方面无法承受时，RSM允许即时准确地了解一组参数与一个或多个设计目标之间的关系。作为示例，RSM 机器学习辅助算法可以充分利用历史和实验数据集，快速构建和训练有效的元模型，验证其准确性，并使用它来执行额外的基于RSM的优化。然而从RSM训练到验证，构建一个有用且具有代表性的RSM并不总是一项简单的任务。
机器学习在设计空间探索中的应用
在ESTECO，机器学习是我们设计探索和优化技术的一部分。modeFRONTIER作为我们的过程自动化和设计优化软件解决方案，它采用了机器学习算法来：
在企业数据集之上建立代理模型，并使其可用于支持探索可能的良好解决方案
在工程师有限的输入下，通过在运行时逐步改进其内部知识，使自适应探索算法能够探索设计空间
机器学习算法在modeFRONTIER中的应用
我们的RSM技术可以生成可靠的元模型，有效地近似复杂系统的多变量输入/输出行为，而无需仿真计算。软件提供的训练、验证和筛选工具有助于从各种方法中选择最精确的模型。通过评估精度指标、比较响应面和交互式理解变量相关性，专家可以专注于RSM调整，同时整个团队都可以从模型重用中受益。我们全面的RSM算法集包含了机器学习算法，如支持向量机（libSVM）、H2O.ai和神经网络。
在探索和理解设计空间的基本关系后，工程师可以使用modeFRONTIER中提供的各种智能算法，以进一步完善其设计并确定最佳候选解决方案。我们的优化算法集可以同时处理离散变量和连续变量，解决单目标和多目标问题。pilOPT是我们的专利算法之一，它包括不同的内部优化策略，利用机器学习逻辑对设计空间进行智能探索，同时结合了局部搜索和全局搜索的优点，在搜索帕累托前沿时以智能方式平衡了基于真实和基于RSM（虚拟）的优化。
使用pilOPT，您可以期望：
对设计空间进行初步探索
确定设计空间中有希望进一步开发的领域
解决多目标和单目标优化问题，并在经过几次设计评估后达到最优
在自主模式下运行它（无需参数设置），并自动找到达到帕累托前沿所需的设计数量并正确探索它，即使在计算量很大的情况下也是如此
用机器学习算法训练RSM：在内燃机过程优化中的省时成功案例
来看一个常见的汽车工程问题：优化发动机排放水平，在发动机燃烧过程中会涉及许多不同的复杂物理和化学现象。这些事件的仿真不仅需要专业知识，还需要很多的计算资源和很长的分析时间。这使得广泛的设计空间探索研究往往不可行。
通常在这种情况下，为了最大限度地提高发动机的功率输出，同时最大限度地降低其油耗和排放，您必须使用许多不同的输入因素，如压缩比、喷油正时、气门正时和许多其他参数。使用机器学习算法训练高质量的RSM可以有效地解释发动机的行为并实现准确的预测。
实际上，将实验和仿真数据与中的机器学习算法（由软件解决方案modeFRONTIER提供）相结合，可以重建发动机的物理行为。当RSM（作为机器学习算法的输出）可用且其质量已得到评估时，您可以使用此元模型执行基于RSM的设计空间探索，而不需要大量的仿真时间。这就是RSM帮助加快探索和优化过程的地方。真实的大型长时间仿真模型只用于验证使用元模型找到的解决方案的有效性。
在仿真过程和数据管理（SPDM）平台背景下实现机器学习的民主化
机器学习训练元模型需要被调节以获得最佳性能，这可能是最复杂的任务，但最重要的却是利用它，这就是所谓的仿真民主化。这意味着使这个元模型不仅对仿真专家有利，而且公司中的每个人都可以访问和使用，即使您不一定是机器学习专家。
事实上，借助于VOLTA，一个用于仿真数据和过程管理（SPDM）以及设计优化的协作平台，您可以充分利用机器学习领域专家的能力。这意味着让更广泛的受众能够访问最佳的元模型，使参与仿真设计过程的其他参与者能够执行进一步的分析或做出明智的决策。
所有这些来自于VOLTA SPDM的功能，带来了以下这些关键优势：
知识产权保留：注册并追踪元模型的创建者
元模型生成数据的完整可追溯性，以了解谁生成了设计数据以及使用了哪个元模型
引导性多学科设计优化（MDO）工作流程：将选定的时间要求高的单学科优化（SDO）模型换成快速的机器学习训练元模型，以加速整个MDO过程
总的来说，当物理工程项目的复杂性可能需要大量的仿真时间和计算成本时，ESTECO提供的机器学习算法使您能够进行基于RSM的优化研究。此外，通过将机器学习引入作为SPDM平台的VOLTA，您可以期望跨团队和不同组织扩大元模型的使用，以加快仿真过程，更快地设计更好的产品。
