/ 软件简介
SimArk Al Builder是我司自主研发的基于“代理模型”与“不确定性量化”的机器学习与AI建模工具:
✦ 通过大数据（仿真、试验、物理样机实测数据等）构建代理模型，并封装成数字样机进行交付
✦ 使用生成的代理模型进行模型降阶与图形渲染，开展数字孪生系统的搭建与应用
✦ 试验数据修正仿真模型，虚实结合；从大数据到数学模型
代理模型（Surrogate Model）与不确定性量化（Uncertainty Quantification）
代理模型，也称为替代模型或元模型，是一种高可信度的模型生成技术并最早应用在航空航天与军事领域。代理模型作为仿真与实验的补充与部分替代，通过对仿真结果、实验数据进行学习和拟合，提供快速的近似解，是优化设计和实时控制的重要工具。
不确定性量化（Uncertainty Quantification, UQ）是在系统中存在诸多不确定性因素时向决策者提供高置信度的系统行为预测的过程。UQ通过量化实际问题模型背后的不确定因素以评估和减少不确定性带来的风险,包含了数据采样、代理模型生成、精度验证、统计校准、不确定性传播、反问题求解等一套完整科学技术体系。
代理模型用于快速预测系统的响应，不确定性量化则确保了预测和决策的可靠性，数值仿真则为代理模型的生成提供了大量训练数据。三者结合，可以充分发挥“AI与机器学习、试验与统计大数据、仿真计算”的技术融合优势，为复杂工业品的研发与测试，在理念、方法、技术手段上提供新思路。2017年美国国防部DOT&E在指南中强调了采用数学统计方法进行代理模型建模与仿真的必要性，美国宇航局的建模与仿真标准(NASA-STD-7009A) 中要求对模型的输入不确定性及输出不确定性进行量化估计，都已明确“代理模型、不确定性量化、仿真计算”是指南推荐的研发与试验手段。
代理模型（Surrogate model）的生成与应用
通过代理模型技术生成数字样机模型的过程如下：
✦ 输入数据可以是试验数据、装备运行实测数据、单学科/多学科仿真数据，通过DOE算法进行数据采样与训练数据输入（下图①②）
✦ 通过多项式逼近方法或神经网络等AI与机器学习方法生成代理模型（下图③）
✦ 对代理模型进行精度确认与模型修正（下图④⑤）
✦ 代理模型是封装好的高可信度数学模型，可对此模型进行分析与使用，给与输入参数快速得到输出参数（下图⑥）
✦ 可导出封装好的数字样机模型，可包含功能特性、目标特性、通用性特性等，可选择去除一些不需要的关键设计参数保障设计数据安全
/ 典型应用场景
场景一：数字样机的“建模交付、考核验证、样机模型迭代更新”
数字样机搭建过程如下图示：（ 交付后的数字样机模型，可通过使用过程中积累的数据进行动态更新与模型迭代 ）
▷ 数字样机的交付与应用
以某工业装备的“功能&性能数字样机”为例：
用户通过图形交互界面，在数字样机中输入参数，快速得到对应的样机特性输出：
✦ 数字模型中的数据来源于设计、试验、数值仿真，因此，数字样机能包含高可信度的多场/多学科数据
✦ 给与数字样机对应的输入，可通过代理模型快速得到输出
数字样机模型示例
▷ 数字样机模型的考核与验证
数字样机与实体样机的数据对标与可信度考核，可通过比较两种不同类型的样机所输出的结果来进行验证，可操作性强，具体流程如下图：
同一组输入下 " 数字样机 - 实体样机 " 输出对比验证
在UQ算法中，可通过图形与曲线，去定量描述数字样机和实体样机之间的误差：
▷ 用“代理模型”进行数字样机建模的优势
通过代理模型技术生成数字样机，有如下较为显著的优势：
数据安全性、数字样机实用性兼顾
- 装备研制院所对使用方关注的功能、性能、运用效能等关键参数进行封装，生成“数字样机/数字孪生模型”，可选择去除一些不需要的关键设计参数保障设计数据安全；
- 封装后不影响数字样机的精确性与输入输出。
数字样机易交付、易考核/验证
- 交付给使用方的数字样机，用户可通过一系列的输入/输出结果，与设计研制方的仿真模型、历史数据、试验数据、实测数据进行对比，评估输入输出的功能是否完整，以及数据误差范围；对数字样机关键指标进行定量评估。
数字样机的模型健壮性与易用性
- 生成与交付的“数字样机/数字孪生模型”可单独运行，不需要各学科、各领域的专业工具进行辅助；不需要复杂的系统环境进行数字模型支撑；
- 模型已经进行封装与模型降阶处理，用户直接输入有效数据，即可快速获得有效输出。
数字样机的可迭代性
- 数字样机即装备实物的数字孪生体，试验数据、运维数据可作为持续的输入数据对代理模型进行修正与优化，迭代修正。
场景二：数字孪生模型的搭建
基于代理模型技术的数字孪生系统搭建示例：
▷ 飞行器数字孪生模型
▷ 装备性能数字孪生模型
数字孪生模型应用关注点：
✦ 力学毁伤特性与爆炸性能参数
✦ 装备在复杂地形环境下的效能表现
✦ 装备性能数字化验证
场景三：试验数据修正仿真模型，模型降阶与优化
问题与挑战：
✦ 模型较复杂，CFD求解器精度不够，温度分布与真实情况有差距
✦ 工况多且单个工况计算时间长，导致多参数方案优化时极为耗时
当前CFD求解器计算得到的温度分布
真实的温度分布
解决方案：
✦ CFD仿真数据作为输入数据，进行机器学习生成 "代理模型1" ( "Automate" 功能 )
✦ 输入实验数据 (例如红外测试仪测量出的监控点温度)，对 "代理模型1" 进行模型校准，生成 "代理模型2" ，并对此代理模型进行精度验证；( "Data&Validate&Calibrate" 功能 )
✦ 使用仿真+试验训练出来的 "代理模型2"，进行后续应用：( "Analytics" 功能 )
- 模型降阶
- 温度场快速预测与评估
- 反问题求解
- 不确定性传播分析
- 参数敏感性分析
- 优化与设计空间探索
/ 产品界面展示
/ 高校科研版与教育版
SimArk UQ 高校合作及政策协议
国产化替代是我国工业软件发展的必然趋势，也是企业自主创新的关键所在。我们将持续投入研发，加速国产化替代进程，将我司推出的SimArk UQ软件与高校深化合作，共同推动教材编写、课程引入和技能竞赛等方面的创新，共同培养出更多适应新时代工业软件发展需求的优秀人才。
深化校企合作、共同打造高质量产业学院。同时我们也将不断提升自身实力，为高校提供更多优质的教育资源和服务支持，共同推动中国高等教育事业的发展。
▶ SimArk UQ 界面展示
针对高校师生所提供的软件版本：
Copyright © 2022 珠海市数舟科技有限公司 All Right Server
备案号：粤ICP备2022075579号 网站建设：中企动力 广州 SEO