我們深知物理模擬在工程設計中的重要性，現今的工程模擬涵蓋多個尺度與不同物理領域，特別是在零件和組裝級別，巨觀尺度連續體模擬已成為標準作法，常採用有限元素法（FEA）或有限體積法（FVM）等數值技術，由於其高預測價值因此被廣泛應用於基於物理的產品設計。然而，這些模擬往往計算量極大，運算時間可能長達數分鐘、數小時甚至數天，影響了設計探索的效率。 為了解決這個問題，我們採用代理模型（Surrogate Models），這些模型源自於高計算成本的3D模擬，但能大幅降低運算時間，縮短幾秒甚至達到即時互動，進一步允許設計團隊在設計空間內進行大量參數評估。 然而，傳統代理模型通常準確度較低，僅能透過少量的標量KPI提供有限的資訊，如最大應力、最大壓力、最大變形量等，無法完整保留3D模擬的豐富數據。因此，為了兼顧3D模擬的資訊完整性與極速運算時間，我們提出基於神經網路的3D代理模型，最終目標是實現3D互動式設計探索。這項技術不僅能大幅加快設計決策過程，更能提升設計團隊的創新潛力。 此技術的核心概念是： 以傳統多物理、多尺度模擬為基礎 ● 透過有限元素分析（FEA）進行結構靜力學、動力學、製造、包裝與安全等模擬。 ● 透過計算流體力學（CFD）分析流場與熱傳現象。 ● 利用設計實驗法（DOE）收集參數化設計數據，以建立訓練所需的數據庫。 透過神經網路訓練3D代理模型 ● 訓練執行速度極快的神經網路，以預測3D物理行為。 ● 根據物理特性選擇適合的深度學習架構，如深度前饋神經網路（DNN）、循環神經網路（RNN）、遞迴神經網路（Recursive Nets）等。 部署於協作式設計環境，提升決策效率 ● 訓練完成的神經網路模型可直接應用於設計探索，實現即時回饋。 ● 擴展傳統代理模型的應用範圍，不僅涵蓋暫態物理行為，還能準確預測3D物理場。 透過這項創新方法，我們能成功打造一個資訊更豐富、設計效率更高的產品開發環境，讓工程師能夠快速探索設計變化的影響，並在更短的時間內做出更優化的決策。實現更智慧、更高效的產品設計流程！ Machine Learning Case Study M1～M6這六種結構基準測試，涵蓋了各種非線性物理場和模型規模，以驗證所提出的方法的準確性和運算效率。 M7～M8展示了兩種流體動力學案例，其不同速度的可壓縮流體，模型規模高達1,200萬個節點。 更多以結構為核心的模式如M9～M18，包含其參數和關鍵效能指標（KPIs）。 Machine Learning 專案流程 想將機器學習（ML）技術融入您的產品設計，加速創新與決策？ 歡迎聯繫士盟科技，讓我們為您打造量身訂製的智能解決方案！ 關鍵字：Machine Learning、ML、機器學習、神經網路、代理模型