AI 在製造工藝中如何有效提升模擬速度 ？

製造商當今面臨的挑戰之一是加快設計和工程流程，同時在整個產品生命週期中保持準確性和效率。從航空航太和國防到食品和飲料生產等，製造商通常面臨高生產目標和緊迫的進度。然而，解決這些問題通常需要大量資金，這讓公司在滿足其他需求（如技能提升）時，處理預算問題變得更加困難。

那麼，公司該如何在保持高效的同時，優化產出並達成艱難的目標呢？答案就是在製造過程中利用機器學習和人工智慧 (AI)，在產品生命週期的初期階段改進流程。這樣不僅可以提高效率，還能在不增加太多成本的情況下達到目標。

 

為何要在模擬預測中使用 AI ？

AI 人工智慧和機器學習的最新進展，加上基於數值物理的模擬，正開創產品設計的新時代。 世界各地的企業正在將機器學習和 AI 人工智慧整合到製造業中，以提高效率並應對減少停機時間和優化準確性、生產流程和決策等挑戰。借助這些技術，製造商可以虛擬測試不同的策略，從而減少對實體原型的需求，並最大限度地降低試錯相關的成本和時間。人工智慧驅動的模擬可實現即時調整，使設計能夠更靈活的應對不斷變化的需求，同時讓使用者能快速獲取並驗證最終設計的結果。 例如，Altair PhysicsAI 可幫助製造商更快進行物理預測。該工具解決了製造產品生命週期初始階段的關鍵問題，特別是在設計早期階段需要重新運行模擬的情況。Altair PhysicsAI 利用製造商產生的大量合成數據；使用者可以從那裡輸入他們的 CAD 設計，而無需進行新的、耗時的模擬。透過利用基於過去模擬資料訓練的人工智慧模型，使用者可以有效地獲得有關典型製造流程的精確預測。 Altair 還擁有各種應用程式，例如 Altair Inspire，這是一種直觀且強大的解決方案，可在整個產品開發生命週期中加速模擬驅動設計，並進一步將 AI 人工智慧整合到製造中。當這些製造工具的設計與 PhysicsAI 的解決方案相結合時，就可以簡化和升級整個工作流程。

 

克服 AI 的障礙與困難

阻礙人工智慧和機器學習模擬技術更廣泛採用的關鍵因素之一，是人們對其相較於傳統模擬的優勢缺乏了解。基於人工智慧和機器學習的模擬並不會取代傳統模擬，而是利用已有的數據來補充和提升模擬過程。幸運的是，隨著製造業領導者不斷採用機器學習和人工智慧，這些障礙正在逐漸消失。

人工智慧和機器學習驅動的模擬技術具有深遠的影響力和多方面的好處。首先，它為組織提供了更大的靈活性，這些技術可應用於多種製造過程的模擬中，如注塑成型、聚氨酯發泡、金屬沖壓和鑄造。

事實上，人工智慧在製造業中的應用比你想像的還要普遍。例如，憑藉其先進的幾何深度學習能力，PhysicsAI 能夠識別形狀與性能之間的關係。經過訓練後，PhysicsAI 模型的預測速度比傳統求解器模擬快 1,000 倍，讓團隊能夠評估更多設計概念並做出更好的決策。簡便的工作流程讓使用者可以選擇經過訓練的模型，產生預測並評估各種製造流程的品質。

 

AI 進行模擬預測的案例

使用高壓壓鑄製程分析工業執行器外殼的孔隙率，展示了人工智慧如何改進早期設計流程的一個典型案例。在鑄造部件功能中，孔隙率是最常見的問題之一。雖然在壓鑄過程中無法完全實現零孔隙率，但通過精心規劃的模具設計和有效控制製程，可以將孔隙率降到最低。在此案例中，將 Altair Inspire Cast 和 PhysicsAI 結合使用，可在更短的時間內改進產品設計，同時保持執行器外殼單元的高品質和完整性。

 

AI 在製造工藝中的重要性

在製造業中，人工智慧的應用對於提升效率和精確度至關重要，特別是在設計過程的早期階段。通常，製造過程從使用數值模擬建立初始資料集開始。一旦確定了這些資料集，使用者便開始訓練和驗證求解器，並利用經過訓練的 PhysicsAI 模型來預測製造缺陷，減少設計錯誤並改進產品結果。這種結構化的工作流程代表了整合 Altair Inspire 和實體人工智慧的基本方法。

另一個展示人工智慧驅動工作流程優勢的案例是 Altair Inspire Mold，它應用於注塑成型技術，研究帶肋結構零件的防翹曲能力。肋是添加到塑膠零件主壁上的特徵，用於提供結構支撐，以防止零件翹曲。在這種情況下，通過使用更高級的機器學習參數，利用 PhysicsAI 運行更多設計模型，可以實現更高的準確性。

PhysicsAI 透過學習幾何形狀和完整輪廓結果之間的關係，利用使用者的 CAE 資料，實現更快的設計迭代並更早產生更優秀的設計。不同於傳統的機器學習方法，PhysicsAI 直接從幾何中學習，無需參數化。這意味著使用者能夠從過去的模擬中學習，而不需要重新設計實驗。

 

人工智慧與機器學習幫助提升研發效率

製造商在整個產品生命週期中創建、收集和保留大量資料。這些數據的策略性使用使製造商能夠推動創新、提高效率並保持競爭優勢。

在數據驅動的時代中，充分利用這些資訊至關重要，這也是 PhysicsAI 比其他工具更出色的原因。該工具透過學習歷史模擬資料提供快速的物理預測。儘管製造流程可能因產品而略有不同，但運行 PhysicsAI 模擬的邏輯和工作流程仍然保持一致。

 

運用人工智慧提高模擬預測準確度

另一個人工智慧和機器學習如何加速創新的例子可以在金屬成形過程中找到。例如，Altair Inspire Form 是一個完整的沖壓模擬環境，可優化設計、模擬穩健的製造並降低材料成本。下面的範例顯示了針對典型鈑金成型過程研究的毛坯尺寸和形狀。毛坯的尺寸和形狀對於確定零件的可成形性至關重要，因為它們會影響接觸表面以及與工具的摩擦。當測試數據更加準確時，可以快速做出新的設計預測。

同樣，Altair Inspire PolyFoam 可在產品生命週期的早期預測並解決硬質和軟質泡棉產品設計的製造問題。在另一個展示物理 AI 和 PolyFoam 效率的案例中，Altair 工程師探索了冰箱門的不同設計變體，預測密度分佈和殘餘應力。結果證實了人工智慧和機器學習驅動方法的可靠性和重要性。

這些例子突顯了人工智慧和機器學習驅動的模擬解決方案如何協助製造商在產品生命週期早期做出更好的設計決策，最終按時、按預算交付生產準備好的工具。

 

企業該如何在製造工藝中開始運用 AI ？

製造業正積極採用人工智慧和機器學習，以加速設計流程並提高效率和準確性。無需依賴傳統的有限元分析（FEA）模型，工程團隊可以透過訓練模型，在幾秒鐘內得到特定零件的新設計和形狀渲染圖，並確保達到預期結果。

如今，世界各地的行業領導者正在見證人工智慧對其製造設計流程的積極影響。例如，總部位於印度德里的摩托車和踏板車製造商 Hero MotoCorp Limited（全球最大的兩輪車製造商之一）正在從人工智慧實施中獲益。該公司的數位工程和測試高級工程師 Jeevesh Prasoon 解釋了如何利用 PhysicsAI 幫助他們的 CAE 工程師。他說 ：「 相比傳統的 FEA 方法，physicalAI 有助於加快輸出預測的速度。它提供的輸出大約具有 90% 的置信矩陣，並且時間減少了 99% 以上，因此可以更快地進行設計探索 。」 

在選擇採用人工智慧的過程中，製造業不應該感到畏懼。人工智慧和機器學習不僅帶來了效率和精確度的提升，還超越了實施和優化產品開發工作流程的成本問題。

Altair 的模擬驅動設計工具在開發時充分考慮了設計師和工程師的需求，確保了易用性。透過 Altair 專利的 Altair Units 授權系統，使用者可以根據需要隨時隨地完全存取 Altair One Marketplace 中的軟體工具。在更短的時間內進行更多的設計探索有助於公司在開發週期的早期發現改進設計的方法，並能夠更快地將創新推向市場。

 

 

想了解更多，歡迎聯絡我們

安捷新科技股份有限公司 AgileSim Technology Corp.

• 電話 : (02)2518-9060
• 郵件 : info@agilesim.com.tw