資料ダウンロード
CAE解析を待たない設計検討へ
～ROM・AI補正で実現する次世代デジタルツイン～
Design Exploration Without Waiting for CAE Simulations
Next-Generation Digital Twins Enabled by ROM and AI Correction
高精度なCAE解析を設計に活用したい一方で、
- 1ケースあたりの計算時間が長く、多ケース検討が難しい
- 実測値とシミュレーション結果に差があり、モデル精度の確保に時間がかかる
- 設計パラメータや制御ゲインの調整が試行錯誤になっている
- デジタルツインを構築したいが、どこから始めればよいかわからない
といった課題はありませんか。
本資料では、Ansys Twin BuilderとTwinAIを活用し、高忠実度CAEを活かしながら設計検討を高速化・高精度化するアプローチをご紹介します。
この資料で分かること
本資料では、ROM（Reduced Order Model）を活用して、LS-DYNAモデルの挙動を保ちながら計算を高速化するアプローチをご紹介します。
あわせて、サイバネットの提供するROM技術や活用イメージも解説します。
- 高忠実度CAEを活かしながら、設計検討を高速化する考え方
- ROM（Reduced Order Model）による計算時間短縮のアプローチ
- Fusion Modelを活用したモデル精度向上の方法
- Twin Calibrationによるパラメータ最適化の進め方
- Twin Builder／TwinAIを活用したデジタルツイン構築の考え方
- ROM・AI・実測データを組み合わせた具体的な活用事例
このようなニーズはありませんか？
- CAE解析に時間がかかり、十分な設計案を比較できていない
- 高精度な3D CAEモデルを、より高速な設計検討に活用したい
- 解析結果と実測データとの差を小さくし、モデル精度を高めたい
- 設計パラメータや制御ゲインの調整を効率化・自動化したい
- ROMを活用したいが、精度や適用範囲に課題を感じている
- 3D CAE、1Dモデル、実測データをデジタルツインに活かしたい
- デジタルツイン構築を検討しているが、具体的な進め方がわからない
こんな方にオススメします
- デジタルツイン構築を検討しているが、具体的な進め方がわからない
- 設計検討の高速化、多ケース化を進めたい方
- MBD／MBSEやデジタルツインを推進している方
- ROMやサロゲートモデルの活用を検討している方
- 実測データを活用してモデルの予測精度を向上させたい方
- パラメータ調整や最適化業務の属人化を解消したい方
- Ansys Twin Builder／TwinAIの活用方法を知りたい方
デジタルツイン ソリューションアーキテクチャ
Ansys Twin BuilderとTwinAIを組み合わせることで、システムシミュレーション、ROM、モデルキャリブレーション、
デプロイメントまでをつなぎ、デジタルツイン環境を構築できます。
Twin Builderでは、1Dシステムモデルや3D物理モデル、計測データなどから用途に応じたROMを構築。
さらにTwinAIを活用することで、実測データを用いたモデルの補正やキャリブレーション、各種環境への展開まで対応できます。
高忠実度な3D CAEをそのまま利用するのではなく、「高速に使えるモデルへ変換し、必要に応じて
実測データで補正・最適化する」ことで、設計・解析から運用まで活用できるデジタルツインにつなげます。
TwinAIの機能概要
TwinAIでは、大きく2つのアプローチによってモデルの精度向上・最適化を行います。
Fusion Model
低精度データと高精度データの差をAI／MLで学習し、モデル誤差を補正します。
例えば、ROMや1Dモデルなどの計算コストが低いモデルと、3D CAEや実測値などの高精度データ
を組み合わせることで、計算コストを抑えながら高精度な予測モデルを構築できます。
Twin Calibration
構築済みの1DモデルやROMと実測データを比較し、モデル内のパラメータを探索・更新することで
誤差を最小化します。
モデル構築時のパラメータ同定だけでなく、実機の経年変化などに合わせてモデル精度を維持する
用途にも活用できます。
Fusion Modelの機能・例
Fusion Modelは、忠実度の異なる2種類のデータを組み合わせて、高精度な予測モデルを構築する機能です。
活用方法として、例えば以下のような組み合わせが可能です。
- 実測データ × 物理シミュレーション
- 1D／2D解析 × 3D解析
- 簡易3Dモデル × 詳細3Dモデル
計算コストの低い解析を多数実施して学習データを充実させ、計算コストの高い3D解析のケース
数を抑えることで、高精度を維持しながらモデル作成に必要な時間を短縮できます。
資料では、1D／2D解析400ケースと3D解析20ケースを組み合わせてFusion Modelを構築する
例を紹介しています。
Twin Calibrationの機能・例
Twin Calibrationは、実機データをもとにモデルのパラメータをキャリブレーションする機能です。
シミュレーション段階では不明確だったパラメータを実験値に合わせて補正したり、運用段階で生じる劣化や物性値の変化に合わせてモデルを更新したりすることで、デジタルツインの予測精度を維持できます。
TwinAI上では、実測データに近い出力となるようモデルパラメータを探索・調整し、キャリブレーション前後の結果を比較できます。
さらに資料では、3つのデジタルツイン活用事例をご紹介
ここから先は、資料ダウンロード後に詳しくご覧いただけます。
活用事例① 機械学習を用いたドローンの制御ゲイン最適化
多自由度・非線形なドローン制御では、多数の制御ゲインが互いに影響するため、従来の試行錯誤
による調整には多くの時間と経験が必要です。
資料では、Twin BuilderとTwinAIのTwin Calibrationを連携し、制御ゲイン探索を自動化するアプローチをご紹介します。
資料で紹介している内容
- ドローン制御における課題
- 18個のPIDゲインを対象とした最適化
- Twin Builder／TwinAIによるキャリブレーションプロセス
- 最適化前後の応答波形比較
- Unityを用いたドローン挙動の可視化
活用事例② LS-DYNAを用いた高忠実度解析による設計検討の高速化
LS-DYNAのような高忠実度CAEは実機に近い評価ができる一方、1ケースあたりの計算時間が長く、
多ケース検討が難しいという課題があります。
資料では、LS-DYNAの解析結果からROMを構築し、Twin Calibrationと組み合わせることで、
高速な多ケース評価と設計パラメータ最適化を実現する方法をご紹介します。
一例では、8.5時間を要していた解析を12秒まで短縮しています。
資料で紹介している内容
- LS-DYNAを使用した設計課題
- ROM生成のプロセス
- LS-DYNAとROMの精度比較
- Twin Calibrationによる板厚パラメータ最適化
- キャリブレーション前後の結果比較
活用事例③ Fusion ModelによるROMの学習誤差補正
ROMは高速計算に適している一方、学習データや適用条件によっては予測精度が低下する場合があります。
資料では、Fusion Modelを用いて高精度データとROMとの差をAI／MLで学習し、ROMの高速性を維持しながら予測精度を向上させる方法をご紹介します。
事例では、3DフィールドデータのRelative Error（mean）を0.539％から0.098％まで低減しています。
資料で紹介している内容
- ROMをデジタルツインに活用する際の精度課題
- Fusion Modelによる誤差補正の仕組み
- モード学習・次元削減を組み合わせた補正方法
- ROM／Fusion Model／3D解析結果の比較
- 3Dフィールド全体の精度改善結果
