DE102019115320A1 - Analysevorrichtung unter Verwendung eines erlernten Modells und Verfahren dafür - Google Patents

Analysevorrichtung unter Verwendung eines erlernten Modells und Verfahren dafür Download PDF

Info

Publication number
DE102019115320A1
DE102019115320A1 DE102019115320.4A DE102019115320A DE102019115320A1 DE 102019115320 A1 DE102019115320 A1 DE 102019115320A1 DE 102019115320 A DE102019115320 A DE 102019115320A DE 102019115320 A1 DE102019115320 A1 DE 102019115320A1
Authority
DE
Germany
Prior art keywords
analytical
model
analysis
data
numerical analysis
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102019115320.4A
Other languages
English (en)
Inventor
Jaehyeon Park
Sangjin Lee
Jeehun Park
Hyunsik Kim
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Doosan Enerbility Co Ltd
Original Assignee
Doosan Heavy Industries and Construction Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Doosan Heavy Industries and Construction Co Ltd filed Critical Doosan Heavy Industries and Construction Co Ltd
Publication of DE102019115320A1 publication Critical patent/DE102019115320A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/11Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/13Differential equations
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/10Geometric CAD
    • G06F30/15Vehicle, aircraft or watercraft design
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/28Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00Computing arrangements using knowledge-based models
    • G06N5/01Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00Computing arrangements based on specific mathematical models
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00Details relating to CAD techniques
    • G06F2111/10Numerical modelling
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/044Recurrent networks, e.g. Hopfield networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/047Probabilistic or stochastic networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/048Activation functions
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/049Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/084Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Geometry (AREA)
  • Computational Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Fluid Mechanics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

Es wird eine Analysevorrichtung geschaffen. Die Analysevorrichtung enthält eine Modellableitungsvorrichtung, die konfiguriert ist, um ein analytisches Modell zum Vorhersagen eines Ergebnisses einer numerischen Analyse, die mehrere Iterationen ausgeführt hat, für eine Komponente unter Verwendung mehrerer analytischer Daten, die für die numerische Analyse für die Komponente verwendet werden, zu erzeugen, und einen Modellanalysator, der konfiguriert ist, um das Ergebnis der numerischen Analyse, die mehrere Iterationen ausgeführt hat, für eine Entwurfszielkomponente unter Verwendung des analytischen Modells vorherzusagen.

Description

  • HINTERGRUND
  • Gebiet
  • Die mit den beispielhaften Ausführungsformen konsistenten Verfahren und Vorrichtungen beziehen sich auf eine Analysetechnik und insbesondere auf eine Vorrichtung zum Optimieren der Analyse unter Verwendung eines erlernten Modells und ein Verfahren dafür.
  • Beschreibung des Standes der Technik
  • Um Hochleistungs-Kernkomponenten/Kernkomponenten mit hoher Zuverlässigkeit herzustellen, ist eine Analyse, wie z. B. eine rechnerische Fluidanalyse/strukturelle Analyse/elektromagnetische Analyse bei der Entwurfsprozedur wesentlich. In dem Fall einer Turbinenschaufel sind z. B. die rechnerische Fluidanalyse und die strukturelle Analyse erforderlich, während in dem Fall eines Motors die elektromagnetische Analyse erforderlich ist. Die herkömmlichen Analyseverfahren, die auf der Physik basieren, sind jedoch zeitaufwendig. Deshalb werden die Analysebedingungen vereinfacht, um die Analysezeit zu verkürzen, wobei es aber in diesem Fall nicht der hochentwickeltste Entwurf wird. Zusätzlich wird die Analyse nicht nur einmal ausgeführt, sondern sollte iteriert werden, bis eine angemessene Leistung herauskommt. Im Ergebnis ist ein langer Zeitraum erforderlich, um die Komponente zu entwickeln. Um die zum Entwickeln der Komponente erforderliche Zeit zu verkürzen, selbst während der hochentwickeltste Entwurf ausgeführt wird, wird ein Analyseverfahren, das die Analysezeit minimieren kann, benötigt.
  • ZUSAMMENFASSUNG
  • Die Aspekte einer oder mehrerer beispielhafter Ausführungsformen schaffen eine Analysevorrichtung, die die Analysezeit für einen Komponentenentwurf verkürzen kann, und ein Verfahren für sie.
  • Zusätzliche Aspekte werden teilweise in der folgenden Beschreibung dargelegt und werden teilweise aus der Beschreibung offensichtlich oder können durch die Praxis der beispielhaften Ausführungsformen gelernt werden.
  • Gemäß einem Aspekt einer beispielhaften Ausführungsform wird eine Analysevorrichtung geschaffen, die enthält: eine Modellableitungsvorrichtung, die konfiguriert ist, um ein analytisches Modell zum Vorhersagen eines Ergebnisses einer numerischen Analyse, die mehrere Iterationen ausgeführt hat, für eine Komponente unter Verwendung mehrerer analytischer Daten, die für die numerische Analyse für die Komponente verwendet werden, zu erzeugen, und einen Modellanalysator, der konfiguriert ist, um das Ergebnis der numerischen Analyse, die mehrere Iterationen ausgeführt hat, für eine Entwurfszielkomponente unter Verwendung des analytischen Modells vorherzusagen.
  • Die Modellableitungsvorrichtung kann einen Speicher für analytische Daten, der konfiguriert ist, um die analytischen Daten zu speichern, die mehrere Eingangssignale, die für die numerische Analyse verwendet werden, und mehrere Ausgangssignale, die jedem der mehreren Eingangssignale entsprechen, enthalten, und eine Ableitungsvorrichtung für analytische Modelle, die konfiguriert ist, um das analytische Modell zum Ableiten des Ausgangssignals der numerischen Analyse, die mehrere Iterationen ausgeführt hat, durch die analytischen Daten zu erzeugen, enthalten.
  • Die Ableitungsvorrichtung für analytische Modelle bildet eine Beziehungsgleichung des analytischen Modells, wo ein Parameter nicht bestimmt ist, und erzeugt das analytische Modell durch das Ableiten des Parameters durch Lernen unter Verwendung der analytischen Daten.
  • Die Modellableitungsvorrichtung enthält ferner einen Vorprozessor, der konfiguriert ist, um eine Vorverarbeitung zum Korrigieren oder Entfernen der analytischen Daten gemäß einer vorgegebenen Bedingung auszuführen.
  • Die Modellableitungsvorrichtung enthält ferner einen Datenanalysator, der konfiguriert ist, um eine Beziehung zwischen den Zellen und eine Beziehung zwischen den Daten in jeder Zelle durch das Analysieren der vorverarbeiteten analytischen Daten abzuleiten.
  • Der Modellanalysator kann einen numerischen Analysator, der konfiguriert ist, um die analytischen Daten durch das Ausführen der numerischen Analyse für mehrere Zellen, die den Raum um die Entwurfszielkomponente aufteilen, abzuleiten, und einen Analysator, der konfiguriert ist, um ein Ausgangssignal der numerischen Analyse, die mehrere Iterationen ausgeführt hat, durch das Anwenden der analytischen Daten auf das von der Ableitungsvorrichtung für analytische Modelle abgeleitete analytische Modell vorherzusagen, enthalten.
  • Die Analysevorrichtung enthält ferner einen Optimierer, der konfiguriert ist, um ein optimiertes Ergebnis abzuleiten, das die von dem Modellanalysator abgeleiteten mehreren Ausgangssignale optimiert.
  • Der Optimierer kann ein Filter, das konfiguriert ist, um das Rauschen in jedem der mehreren Ausgangssignale zu entfernen, einen primären Optimierer, der konfiguriert ist, um das Ausgangssignal, aus dem das Rauschen entfernt worden ist, primär zu optimieren, und einen sekundären Optimierer, der konfiguriert ist, um das primär optimierte Ergebnis sekundär zu optimieren, enthalten.
  • Der numerische Analysator gibt die analytischen Daten durch das Iterieren der numerischen Analyse basierend auf dem durch den Optimierer optimierten optimierten Ergebnis aus, während der Analysator das Ausgangssignal der numerischen Analyse, die mehrere Iterationen ausgeführt hat, durch das Anwenden der gemäß der iterierten numerischen Analyse ausgegebenen analytischen Daten auf das von der Ableitungsvorrichtung für analytische Modelle abgeleitete analytische Modell vorhersagt.
  • Der numerische Analysator gibt die analytischen Daten durch das Iterieren der numerischen Analyse basierend auf dem durch den Optimierer optimierten optimierten Ergebnis aus, während die Ableitungsvorrichtung für analytische Modelle das analytische Modell zum Ableiten des Ausgangssignals der numerischen Analyse, die mehrere Iterationen ausgeführt hat, durch die gemäß der iterierten numerischen Analyse ausgegebenen analytischen Daten aktualisiert.
  • Gemäß einem Aspekt einer weiteren beispielhaften Ausführungsform wird eine Analysevorrichtung geschaffen, die enthält: eine Modellableitungsvorrichtung, die konfiguriert ist, um ein analytisches Modell zum Simulieren einer numerischen Analyse für eine Komponente unter Verwendung der analytischen Daten, die für die numerische Analyse für die Komponente verwendet werden, zu erzeugen, und einen Modellanalysator, der konfiguriert ist, um die numerische Analyse für eine Entwurfszielkomponente unter Verwendung des analytischen Modells auszuführen.
  • Das analytische Modell kann wenigstens eines eines parametrischen Modells, das ein Übertragungsfunktionsmodell und ein Zustandsraummodell enthält, und eines nichtparametrischen Modells enthalten.
  • Das analytische Modell kann ein Modell zum Simulieren der numerischen Analyse für jede von mehreren Zellen, ein Modell zum Simulieren der numerischen Analyse für eine Zellengruppe, die eine vorgegebene Anzahl einander benachbarter Zellen enthält, ein Modell zum Simulieren der numerischen Analyse für eine Zellengruppe, die Zellen mit zueinander ähnlichen Eigenschaften enthält, oder ein Modell zum Simulieren der numerischen Analyse für alle der mehreren Zellen sein, wenn der Umfang der Entwurfszielkomponente in die mehreren Zellen aufgeteilt ist.
  • Das analytische Modell sagt das Ergebnis der numerischen Analyse, die mehrere Iterationen ausgeführt hat, vorher.
  • Gemäß einem Aspekt einer weiteren beispielhaften Ausführungsform wird ein Analyseverfahren geschaffen, das enthält: Erzeugen durch eine Modellableitungsvorrichtung eines analytischen Modells zum Vorhersagen eines Ergebnisses einer numerischen Analyse, die mehrere Iterationen ausgeführt hat, für eine Komponente unter Verwendung mehrerer analytischer Daten, die für die numerische Analyse für die Komponente verwendet werden, und Vorhersagen durch einen Modellanalysator des Ergebnisses der numerischen Analyse, die mehrere Iterationen ausgeführt hat, für eine Entwurfszielkomponente unter Verwendung des analytischen Modells.
  • Das Erzeugen des analytischen Modells enthält das Speichern durch einen Speicher für analytische Daten der analytischen Daten, die mehrere Eingangssignale, die für die numerische Analyse verwendet werden, und mehrere Ausgangssignale, die jedem der mehreren Eingangssignale entsprechen, enthalten, und das Erzeugen durch eine Ableitungsvorrichtung für analytische Modelle des analytischen Modells zum Ableiten des Ausgangssignals der numerischen Analyse, die mehrere Iterationen ausgeführt hat, durch die analytischen Daten.
  • Das Erzeugen des analytischen Modells enthält das Bilden durch die Ableitungsvorrichtung für analytische Modelle einer Beziehungsgleichung des analytischen Modells, wo ein Parameter nicht bestimmt ist, und das Erzeugen durch die Ableitungsvorrichtung für analytische Modelle des analytischen Modells durch das Ableiten des Parameters durch Lernen unter Verwendung der analytischen Daten.
  • Das Analyseverfahren enthält ferner vor dem Erzeugen des analytischen Modells das Ausführen durch einen Vorprozessor des Vorverarbeitens zum Korrigieren oder Entfernen der analytischen Daten gemäß einer vorgegebenen Bedingung und das Ableiten durch einen Datenanalysator der Beziehung zwischen den Zellen und der Beziehung zwischen den Daten in jeder Zelle durch das Analysieren der Lerndaten.
  • Das Vorhersagen des Ergebnisses der numerischen Analyse enthält das Ableiten durch einen numerischen Analysator der analytischen Daten, die ein Eingangssignal und ein Ausgangssignal, das dem Eingangssignal entspricht, enthalten, durch das Ausführen der numerischen Analyse und das Ableiten durch einen Analysator des Ausgangssignals der numerischen Analyse, die mehrere Iterationen ausgeführt hat, durch das Anwenden der analytischen Daten auf das durch die Ableitungsvorrichtung für analytische Modelle abgeleitete analytische Modell.
  • Das Analyseverfahren enthält ferner nach dem Ableiten des Ausgangssignals das Ableiten durch einen Optimierer von Optimierungsdaten durch das Optimieren der mehreren durch den Analysator abgeleiteten Ausgangssignale.
  • Das Ausführen der Optimierung enthält das Entfernen durch ein Filter des Rauschens in jedem der mehreren Ausgangssignale, das primäre Optimieren durch einen primären Optimierer des Ausgangssignals, aus dem das Rauschen entfernt worden ist, und das Ableiten durch einen sekundären Optimierer der Optimierungsdaten durch das sekundäre Optimieren des primär optimierten Ausgangssignals.
  • Nach dem Ableiten der Optimierungsdaten kann das Analyseverfahren das Ableiten der analytischen Daten, das Ableiten des Ausgangssignals und das Ableiten der Optimierungsdaten iterieren, falls die Optimierungsdaten nicht innerhalb eines vorgegebenen Bereichs konvergieren.
  • Wie oben beschrieben worden ist, ist es gemäß einer oder mehreren beispielhaften Ausführungsformen möglich, die Analysezeit für den Komponentenentwurf zu verkürzen und dadurch die zum Entwickeln der Komponente erforderliche Zeit zu verkürzen.
  • Figurenliste
  • Die obigen und anderen Aspekte werden aus der folgenden Beschreibung der beispielhaften Ausführungsformen bezüglich der beigefügten Zeichnungen offensichtlicher, worin:
    • 1 eine graphische Darstellung ist, die ein Beispiel des Aufteilens einer Entwurfszielkomponente und ihres Umfangs in mehrere Zellen gemäß einer beispielhaften Ausführungsform veranschaulicht;
    • 2 eine graphische Darstellung zum Erklären eines analytischen Modells gemäß einer beispielhaften Ausführungsform ist;
    • 3 eine graphische Darstellung zum Erklären der vorhergesagten Daten des analytischen Modells gemäß einer beispielhaften Ausführungsform ist;
    • 4 und 5 Blockschaltpläne zum Erklären einer Konfiguration einer Analysevorrichtung gemäß einer beispielhaften Ausführungsform sind;
    • 6 ein Ablaufplan zum Erklären eines Analyseverfahrens gemäß einer beispielhaften Ausführungsform ist;
    • 7 ein Ablaufplan zum Erklären eines Verfahrens zum Erzeugen des analytischen Modells gemäß einer beispielhaften Ausführungsform ist;
    • 8 ein Ablaufplan zum Erklären eines Verfahrens zum Ausführen der Analyse gemäß einer beispielhaften Ausführungsform ist;
    • 9 eine graphische Darstellung zum Erklären eines Verfahrens zum Ausführen der Analyse gemäß einer beispielhaften Ausführungsform ist;
    • 10 ein Ablaufplan zum Erklären eines Verfahrens zum Optimieren eines analysierten Ergebnisses gemäß einer beispielhaften Ausführungsform ist; und
    • 11 eine graphische Darstellung ist, die eine Computervorrichtung gemäß einer beispielhaften Ausführungsform veranschaulicht.
  • AUSFÜHRLICHE BESCHREIBUNG
  • Im Folgenden werden verschiedene Modifikationen und verschiedene Ausführungsformen bezüglich der beigefügten Zeichnungen ausführlich beschrieben, so dass die Fachleute auf dem Gebiet die Offenbarung leicht ausführen können. Es sollte jedoch erkannt werden, dass die verschiedenen Ausführungsformen nicht dem Einschränken des Schutzumfangs der Offenbarung auf die spezifische Ausführungsform dienen, sondern dass sie so interpretiert werden sollten, dass sie alle Modifikationen, Äquivalente und Alternativen der Ausführungsformen enthalten, die innerhalb des Erfindungsgedankens und Schutzumfangs, die hier offenbart sind, enthalten sind. Um die Offenbarung in den Zeichnungen deutlich zu veranschaulichen, können einige Elemente, die für das vollständige Verständnis der Offenbarung nicht wesentlich sind, weggelassen sein, wobei sich gleiche Bezugszeichen überall in der Beschreibung auf gleiche Elemente beziehen.
  • Die in der Offenbarung verwendete Terminologie dient nur dem Zweck des Beschreibens spezifischer Ausführungsformen und ist nicht vorgesehen, um den Schutzumfang der Offenbarung einzuschränken. Es ist vorgesehen, dass die Ausdrücke „ein“, „eine“ und „der/die/das“ in der Einzahl die Ausdrücke in der Mehrzahl ebenso enthalten, wenn es der Kontext nicht deutlich anderweitig angibt. In der Offenbarung sollten Begriffe, wie z. B. „umfasst“, „enthalten“ oder „weist auf“ so ausgelegt werden, dass sie benennen, dass es derartige Merkmale, ganze Zahlen, Schritte, Operationen, Komponenten, Teile und/oder Kombinationen daraus gibt, und das Vorhandensein oder die Möglichkeit des Hinzufügens eines oder mehrerer anderer Merkmale, ganzer Zahlen, Schritte, Operationen, Komponenten, Teile und/oder Kombinationen daraus nicht ausschließen.
  • Ferner können Begriffe, wie z. B. „erster“, „zweiter“ usw. verwendet werden, um verschiedene Elemente zu beschreiben, wobei aber die Elemente nicht durch diese Begriffe eingeschränkt werden sollten. Die Begriffe werden einfach verwendet, um ein Element von anderen Elementen zu unterscheiden. Die Verwendung derartiger Ordnungszahlen sollte nicht als die Bedeutung des Begriffs einschränkend ausgelegt werden. Die Komponenten, die einer derartigen Ordnungszahl zugeordnet sind, sollten nicht in der Reihenfolge der Verwendung, der Anordnungsreihenfolge oder dergleichen eingeschränkt werden. Jede Ordnungszahl kann gegebenenfalls austauschbar verwendet werden.
  • Ausdrücke, wie z. B. „wenigstens einer von“, wenn sie einer Liste von Elementen vorangehen, modifizieren die gesamte Liste der Elemente und modifizieren nicht die einzelnen Elemente der Liste. Der Ausdruck „wenigstens eines von a, b und c“ sollte z. B. als nur a, nur b, nur c, sowohl a als auch b, sowohl a als auch c, sowohl b als auch c, alle von a, b und c oder irgendwelche Variationen der obenerwähnten Beispiele enthaltend verstanden werden.
  • Zuerst wird ein analytisches Modell gemäß einer beispielhaften Ausführungsform beschrieben. 1 ist eine graphische Darstellung, die ein Beispiel des Aufteilens einer Entwurfszielkomponente und ihres Umfangs in mehrere Zellen gemäß einer beispielhaften Ausführungsform veranschaulicht. 2 ist eine graphische Darstellung zum Erklären eines analytischen Modells gemäß einer beispielhaften Ausführungsform. 3 ist eine graphische Darstellung zum Erklären der vorhergesagten Daten des analytischen Modells gemäß einer beispielhaften Ausführungsform.
  • In 1 kann eine Strömungsanalyse ausgeführt werden, um eine Komponente CP, z. B. eine Komponente, wie z. B. eine Schaufel einer Turbine, zu entwerfen. Diese Analyse dient dem Aufteilen eines Bereichs um die Komponente CP in mehrere Zellen CE und dem Ableiten der physikalischen Eigenschaften jeder der mehreren Zellen CE gemäß einer Randbedingung der mehreren aufgeteilten Zellen CE. Die Analyse kann z. B. eine rechnerische Fluidanalyse, eine strukturelle Analyse und eine elektromagnetische Analyse sein. Die Analyse kann durch die numerische Analyse durch eine Berechnungsoperation ausgeführt werden.
  • In 2 kann die numerische Analyse durch die numerische Strömungsmechanik (CFD) für die Analyse ausgeführt werden. Für die numerische Analyse gemäß der numerischen Strömungsmechanik wird der Umfang der Komponente CP in mehrere Zellen CE aufgeteilt. Dann wird eine nichtlineare partielle Differentialgleichung für die mehreren Zellen CE aufgestellt. Dann kann eine Näherungslösung der partiellen Differentialgleichung, z. B. durch ein Gaußsches Eliminierungsverfahren, erhalten werden.
  • In einer graphischen Darstellung nach 3 wird die numerische Analyse aufgrund der Eigenschaften des Fluids durch mehrere Iterationen ausgeführt. Konzeptionell ist der Ergebniswert der numerischen Analyse der vorgegebenen Anzahl in der Anfangsstufe aufgrund der Eigenschaften des Fluids nicht stationär, wobei er nur nach dem Ausführen mehrerer Iterationen ein stationärer Zustand wird. Deshalb wird die numerische Analyse durch die numerische Strömungsmechanik durch mehrere Iterationen ausgeführt, bis das Fluid um die Komponente in einen Sättigungszustand gelangt. Das heißt, die Analyse dient dem Erhalten eines Ausgangssignals der numerischen Analyse, die mehrere Iterationen ausgeführt hat. Die numerische Analyse zum Erhalten der Näherungslösung der partiellen Differentialgleichung ist zeitaufwendig, weil durch die Berechnungsoperation keine Parallelverarbeitung ausgeführt werden kann.
  • Deshalb wird gemäß einer oder mehreren beispielhaften Ausführungsformen ein analytisches Modell erzeugt, um ein Ausgangssignal, das das Ergebnis der numerischen Analyse ist, die mehrere Iterationen ausgeführt hat, unter Verwendung der analytischen Daten, die mehrere Eingangssignale, die für die numerische Analyse für den Komponentenentwurf verwendet werden, und mehrere Ausgangssignale, die den mehreren Eingangssignalen entsprechen, enthalten, abzuleiten. Das heißt, das erzeugte analytische Modell simuliert das Ergebnis der numerischen Analyse, die mehrere Iterationen ausgeführt hat. Deshalb ist es möglich, den Zeitraum zu verringern, der zum Erhalten der Näherungslösung der partiellen Differentialgleichung erforderlich ist, wobei dadurch die Analysezeit verkürzt wird. Deshalb ist es möglich, die Zeit zum Entwerfen der Komponente zu verkürzen.
  • Das analytische Modell gemäß einer beispielhaften Ausführungsform kann wenigstens eines eines parametrischen Modells, das ein Übertragungsfunktionsmodell und ein Zustandsraummodell enthält, und eines nichtparametrischen Modells enthalten. Tabelle 1 im Folgenden veranschaulicht Beispiele des parametrischen Modells und des nichtparametrischen Modells. Tabelle 1
    parametrisches Model Übertragungsfunktion Gleichungsfehler autoregressiv exogen (ARX)
    nichtlinear autoregressiv exogen (NARX)
    endliche Impulsantwort (FIR)
    autoregressiv mit gleitendem Mittelwert exogen (ARMAX): pseudolineares Regressionsmodell
    autoregressiv (AR)
    autoregressiv mit gleitendem Mittelwert (ARMA)
    autoregressiv autoregressiv exogen (ARARX): verallgemeinertes Modell kleinster Quadrate
    autoregressiv autoregressiv mit gleitendem Mittelwert exogen (ARARMAX): erweitertes Matrixmodell
    Ausgangsfehler Ausgangsfehler (OE)
    Box und Jenkins (BJ)
    Zustandsraum linear zeitinvariant (LTI), linear zeitveränderlich (LTV)
    lineares Modell, nichtlineares Modell
    kontinuierliche Zeit, diskrete Zeit, Verzögerungszeit
    Eingrößensystem (SISO), Mehrgrößensystem (MIMO)
    stochastisches Modell, deterministisches Modell
    robust, offener Regelkreis, geschlossener Regelkreis
    nichtparametrisches Modell nichtparametrisch (Datensatztyp)
    Impulsantwort
    Sprungantwort
    Frequenzübertragungsfunktion
    Baum
    neuronales Netz (NN): FF, FB, radiale Basisfunktion, faltend, gepulst, tiefes NN (tiefes bayessches Netz), rekurrentes NN
  • Zusätzlich kann das analytische Modell unter Verwendung wenigstens eines der in Tabelle 2 im Folgenden aufgelisteten Optimierungsalgorithmen abgeleitet werden. Tabelle 2
    parametrisches Modell Vorhersagefehlerverfahren (PEM)
    Verfahren der maximalen Wahrscheinlichkeit (MLM)
    Verfahren der kleinsten Quadrate (LSM)
    - diskontinuierliches Verfahren der kleinsten Quadrate
    - Offline-Verfahren der kleinsten Quadrate
    erweitertes Verfahren der kleinsten Quadrate (ELSM)
    verallgemeinertes Verfahren der kleinsten Quadrate (GLSM)
    rekursives Verfahren der kleinsten Quadrate (RLS)
    Verfahren der Instrumentvariable (IVM)
    Hauptkomponentenanalyse (PCA)
    dynamische Hauptkomponentenanalyse (DPCA)
    teilweise kleinste Quadrate (PLS)
    unterraumbasiertes Zustandsraummodell
    Identifikations- (4SID-) Verfahren
    (+ Singulärwertzerlegung (SVD))
    (+ QR-Zerlegung)
    - N4SID-Verfahren
    - Mehrvariable-Ausgangsfehler-Zustandsraum- (MOESP-) Verfahren
    Analyse kanonischer Zufallsvariable (CVA)
    Singulärwertzerlegung
    Verfahren der minimalen Verwirklichung (MRM)
    nichtparametrisches Modell Einschwingverhaltensverfahren
    Korrelationsanalyse
    Frequenzgangverfahren
    Spektralanalyseverfahren
    Verfahren der empirischen Schätzung der Übertragungsfunktion (ETFE)
    Lernen des einlagigen/mehrlagigen Perzeptrons, Backpropagation, Gradientenverfahren
    schichtenweises Vortraining: Auto-Codierer, Bolzmann-Maschine
  • Insbesondere kann zurück in 1 das analytische Modell gemäß einer beispielhaften Ausführungsform ein Modell zum Simulieren der numerischen Analyse für jede der mehreren Zellen CE, ein Modell zum Simulieren der numerischen Analyse für eine Zellengruppe, die eine vorgegebene Anzahl von einander benachbarten Zellen CE enthält, ein Modell zum Simulieren der numerischen Analyse für eine Zellengruppe, die Zellen mit zueinander ähnlichen Eigenschaften enthält, oder ein Modell zum Simulieren der numerischen Analyse für alle der mehreren Zellen CE sein, wobei der Umfang der Entwurfszielkomponente CP in die mehreren Zellen CE aufgeteilt ist.
  • Als Nächstes wird eine Analysevorrichtung gemäß einer beispielhaften Ausführungsform beschrieben. Die 4 und 5 sind Blockschaltpläne zum Erklären einer Konfiguration einer Analysevorrichtung gemäß einer beispielhaften Ausführungsform. In 4 kann eine Analysevorrichtung 10 gemäß einer beispielhaften Ausführungsform eine Modellableitungsvorrichtung 100, einen Modellanalysator 200 und einen Optimierer 300 enthalten.
  • Die Modellableitungsvorrichtung 100 erzeugt ein analytisches Modell zum Vorhersagen des Ergebnisses der numerischen Analyse, die mehrere Iterationen ausgeführt hat, für die Komponenten unter Verwendung der analytischen Daten, die mehrere Eingangssignale, die für die numerische Analyse für die Komponente verwendet werden, und mehrere Ausgangssignale, die den mehreren Eingangssignalen entsprechen, enthalten. Das analytische Modell simuliert das Ergebnis der numerischen Analyse, die mehrere Iterationen ausgeführt hat. Wie oben beschrieben worden ist, kann das analytische Modell aus mehreren Modellen bestehen und kann wenigstens eines eines parametrischen Modells und eines nichtparametrischen Modells enthalten.
  • Die Modellableitungsvorrichtung 100 kann einen Speicher 110 für analytische Daten, einen Vorprozessor 120, einen Datenanalysator 130 und eine Ableitungsvorrichtung 140 für analytische Modelle enthalten.
  • Der Speicher 110 für analytische Daten speichert analytische Daten. Die analytischen Daten können die Daten sein, die für die numerische Analyse für mehrere Zellen CE verwendet werden, die den Bereich um die Komponente CP aufteilen. Die analytischen Daten enthalten mehrere Eingangssignale und mehrere Ausgangssignale, die den mehreren Eingangssignalen entsprechen. Das Eingangssignal kann z. B. die Viskosität einer laminaren Strömung des Fluids, eine turbulente Leitung, ein Zeitunterschied zwischen den numerischen Analysen, die mehrere Iterationen ausgeführt haben, usw. in jeder Zelle CE sein. Das Ausgangssignal kann die Eigenschaften des Fluids sein. Das Ausgangssignal kann z. B. eine Dichte, ein Impuls in der x- und der y-Richtung, eine innere Energie usw. in jeder Zelle CE sein.
  • Der Vorprozessor 120 führt die Vorverarbeitung zum Korrigieren oder Entfernen von Lerndaten gemäß einer vorgegebenen Bedingung aus. Die Vorverarbeitung für die Lerndaten bedeutet das Entfernen leerer Daten in der Mitte, fehlerhafter Daten usw. unter den Lerndaten oder bedeutet, sie in richtige numerische Werte umzusetzen und nur die Lerndaten auszuwählen, die einer vorgegebenen Anforderung entsprechen. Der Vorprozessor 120 führt die Vorverarbeitung durch das Korrigieren oder Entfernen der Lerndaten gemäß einer vorgegebenen Bedingung aus.
  • Der Datenanalysator 130 leitet die Beziehung zwischen den Zellen und die Beziehung zwischen den Daten in der Zelle durch das Analysieren der Lerndaten ab. Das heißt, der Datenanalysator 130 leitet die Beziehung zwischen den Zellen CE und die Beziehung zwischen den Daten in der Zelle CE durch das Analysieren der Entwurfsspezifikation und der Entwurfsbedingung, der Beziehung zwischen den Zellen CE und der Daten für jede Zelle ab.
  • Die Ableitungsvorrichtung 140 für analytische Modelle leitet das analytische Modell zum Vorhersagen eines Ausgangssignals der numerischen Analyse, die mehrere Iterationen ausgeführt hat, unter Verwendung der analytischen Daten ab, die die mehreren Eingangssignale, die für die numerische Analyse verwendet werden, und die mehreren Ausgangssignale, die den mehreren Eingangssignalen entsprechen, enthalten. Das analytische Modell simuliert die numerische Analyse, die mehrere Iterationen ausgeführt hat.
  • Die Ableitungsvorrichtung 140 für analytische Modelle bildet eine Beziehungsgleichung des analytischen Modells, wo die Parameter nicht bestimmt sind, und leitet die Parameter durch einen Optimierungsalgorithmus durch das Setzen der analytischen Daten in die Beziehungsgleichung ab. Deshalb kann die Ableitungsvorrichtung 140 für analytische Modelle das analytische Modell durch das Anwenden der abgeleiteten Parameter auf die Beziehungsgleichung des analytischen Modells erzeugen. Die Ableitungsvorrichtung 140 für analytische Modelle kann z. B. die Beziehungsgleichung des analytischen Modells bilden, wo die Parameter zum Bestimmen der Beziehung zwischen dem Eingangssignal und dem Ausgangssignal der numerischen Analyse, die mehrere Iterationen ausgeführt hat, unbekannt sind, und die Parameter durch das Lernen der mehreren analytischen Daten für die gebildete Beziehungsgleichung ableiten. Im Ergebnis kann die Ableitungsvorrichtung 140 für analytische Modelle das analytische Modell ableiten.
  • Der Modellanalysator 200 führt die Analyse für die mehreren Zellen CE, die den Raum um die Entwurfszielkomponente CP aufteilen, unter Verwendung des von der Modellableitungsvorrichtung 100 abgeleiteten analytischen Modells aus. Der Modellanalysator 200 kann einen numerischen Analysator 210 und einen Analysator 220 enthalten.
  • Der numerische Analysator 210 führt die numerische Analyse für die mehreren Zellen aus, die den Raum um die Entwurfszielkomponente aufteilen. Deshalb werden das Eingangssignal für die numerische Analyse und das Ausgangssignal, das dem Eingangssignal entspricht, abgeleitet. In 3 wird in dem herkömmlichen Fall die numerische Analyse durch mehrere (k + T) Iterationen ausgeführt, um ein gewünschtes Ergebnis zu erhalten, wobei aber in der vorliegenden Offenbarung die numerische Analyse nur in der vorgegebenen Anzahl k ausgeführt wird.
  • Der Analysator 220 sagt das Ausgangssignal der numerischen Analyse, die mehrere (k + T) Iterationen ausgeführt hat, durch das Eingeben der von dem numerischen Analysator 210 abgeleiteten analytischen Daten in das durch die Ableitungsvorrichtung 140 für analytische Modelle erzeugte analytische Modell vorher. In 3 kann ein gewünschtes Ausgangssignal Y(k + T) nur erhalten werden, nachdem die numerische Analyse durch mehrere (k + T) Iterationen ausgeführt worden ist. Weil das Ausgangssignal Y(k + T), das das Ergebnis der numerischen Analyse ist, die mehrere (k + T) Iterationen des analytischen Modells ausgeführt hat, gemäß einer beispielhaften Ausführungsform aus der k-ten numerischen Analyse des numerischen Analysators 210 erhalten werden kann, ist es nicht erforderlich, mehrere T Iterationen der numerischen Analyse auszuführen, so dass es möglich ist, den für die Analyse erforderlichen Zeitraum um den Zeitraum, in dem mehrere T Iterationen der numerischen Analyse ausgeführt werden, zu verkürzen. Deshalb ist es möglich, die Zeit zu verkürzen, die zum Entwickeln der Komponente erforderlich ist.
  • Ein Optimierer 300 dient dem Optimieren des von dem Modellanalysator 200 abgeleiteten Analyseergebnisses. Das Analyseergebnis konvergiert gegen einen spezifischen Wert, wenn die Iteration der numerischen Analyse ausgeführt wird. Deshalb ist es möglich, das durch den Modellanalysator 200 vorhergesagte Ergebnis (d. h., die mehreren Ausgangssignale) durch den Optimierer 300 zu optimieren. In 5 kann der Optimierer 300 ein Filter 310, einen primären Optimierer 320 und einen sekundären Optimierer 330 enthalten.
  • Das Filter 310 dient dem Entfernen des Rauschens aus dem von dem Modellanalysator 200 abgeleiteten Ausgangssignal. Das Filter 310 kann eine Filtertechnik verwenden, um das Rauschen zu entfernen. Hier kann das Filter z. B. wenigstens eines eines Mittelungsfilters, eines Filters mit gleitendem Mittelwert, eines Tiefpassfilters, wie z. B. eines Filters mit exponentiell gewichteten gleitendem Mittelwert, eines Hochpassfilters, eines Bandpassfilters und eines Kalman-Filters sein.
  • Der primäre Optimierer 320 dient dem primären Optimieren des Ausgangssignals, das das Ergebnis der Analyse des Modellanalysators 200 ist. Der primäre Optimierer 320 gibt einen Wert der primären Optimierung durch eine primäre Optimierungsoperation für die mehreren Ausgangssignale aus, die die Ausgaben des Modellanalysators 200 sind. Der primäre Optimierer 320 gibt z. B. die primären Optimierungsdaten durch das Berechnen des Durchschnitts der vorgegebenen Anzahl von Ausgangssignalen unter den mehreren Ausgangssignalen aus.
  • Der sekundäre Optimierer 330 dient dem sekundären Optimieren des durch den primären Optimierer 320 primär optimierten Ergebnisses. Der sekundäre Optimierer 330 gibt einen Wert der sekundären Optimierung durch eine sekundäre Optimierungsoperation für die mehreren primären Optimierungsdaten, die die Ausgaben des primären Optimierers 320 sind, aus. Der sekundäre Optimierer 330 gibt z. B. die optimalen Daten durch das Berechnen des Durchschnitts der vorgegebenen Anzahl der primären Optimierungsdaten unter den mehreren primären Optimierungsdaten aus.
  • Unterdessen werden die optimalen Daten abermals zu dem numerischen Analysator 210 rückgekoppelt, wobei der numerische Analysator 210 die numerische Analyse basierend auf den optimalen Daten abermals ausführt, wobei der Analysator 220 ein Ausgangssignal der numerischen Analyse, die mehrere Iterationen ausgeführt hat, gemäß dem analytischen Modell vorhersagen kann. Diese Prozedur wird iteriert, bis das durch den Analysator 220 vorhergesagte Ausgangssignal innerhalb eines vorgegebenen Bereichs konvergiert.
  • Wenn der numerische Analysator 210 die analytischen Daten durch das Iterieren der numerischen Analyse basierend auf den optimalen Daten ausgibt, kann die Ableitungsvorrichtung 140 für analytische Modelle unterdessen das analytische Modell zum Ableiten des Ausgangssignals der numerischen Analyse, die mehrere Iterationen ausgeführt hat, basierend auf den durch das Iterieren der numerischen Analyse basierend auf den optimalen Daten ausgegebenen analytischen Daten aktualisieren. Dann kann das aktualisierte analytische Modell dem Analysator 220 abermals bereitgestellt werden.
  • Als Nächstes wird ein Analyseverfahren der Analysevorrichtung 10 gemäß einer beispielhaften Ausführungsform beschrieben. 6 ist ein Ablaufplan zum Erklären eines Analyseverfahrens gemäß einer beispielhaften Ausführungsform.
  • In 6 erzeugt die Modellableitungsvorrichtung 100 das analytische Modell zum Ausführen der numerischen Analyse für die mehreren Zellen CE, die den Raum um die Zielkomponente CP aufteilen, unter Verwendung der analytischen Daten (Operation S110). Hier enthalten die analytischen Daten mehrere Eingangssignale, die für die numerische Analyse, die mehrere Iterationen ausgeführt hat, verwendet werden, und mehrere Ausgangssignale, die den mehreren Eingangssignalen entsprechen. Das heißt, das analytische Modell simuliert das Ergebnis der numerischen Analyse, die mehrere Iterationen ausgeführt hat, rechnerisch.
  • Der Modellanalysator 200 führt die mehreren Iterationen der numerischen Analyse für die mehreren Zellen CE in dem Raum um die Zielkomponente CP durch das von der Modellableitungsvorrichtung 100 abgeleitete analytische Modell aus (Operation S120).
  • Die oben beschriebenen Operationen S110 und S120 werden ausführlicher beschrieben.
  • 7 ist ein Ablaufplan zum Erklären eines Verfahrens zum Erzeugen eines analytischen Modells (in der Operation S110) gemäß einer beispielhaften Ausführungsform.
  • In 7 speichert der Speicher 110 für analytische Daten die analytischen Daten, die die mehreren Eingangssignale, die für die numerische Analyse verwendet werden, und die mehreren Ausgangssignale, die jedem der mehreren Eingangssignale entsprechen, enthalten, wobei er die analytischen Daten ausgibt (Operation S210).
  • Die analytischen Daten werden durch den Vorprozessor 120 vorverarbeitet (Operation S220). Der Vorprozessor 120 entfernt leere Daten in der Mitte, fehlerhafte Daten usw. unter den Lerndaten oder setzt sie in richtige numerische Werte um, wobei er nur die analytischen Daten, die einer vorgegebenen Anforderung entsprechen, auswählt und ausgibt. Der Datenanalysator 130 kann die Beziehung zwischen den Zellen CE und die Beziehung zwischen den Daten in jeder Zelle CE durch das Analysieren der analytischen Daten ableiten (Operation S230). Das heißt, der Datenanalysator 130 leitet die Beziehung zwischen den Zellen CE und die Beziehung zwischen den Daten in jeder Zelle CE durch das Analysieren der Entwurfsspezifikation und der Entwurfsbedingung, der Beziehung zwischen den Zellen CE und der Daten für jede Zelle CE ab. Die oben beschriebenen Operationen S220 und S230 können selektiv weggelassen werden.
  • Die Ableitungsvorrichtung 140 für analytische Modelle bildet die Beziehungsgleichung des analytischen Modells, wo die Parameter zum Bestimmen der Beziehung zwischen dem Eingangssignal und dem Ausgangssignal nicht bestimmt sind, (Operation S240). Das heißt, die Ableitungsvorrichtung 140 für analytische Modelle bildet die Beziehungsgleichung, wo die Parameter zum Bestimmen der Beziehung zwischen dem Eingangssignal und dem Ausgangssignal der numerischen Analyse unbekannt sind. Die Ableitungsvorrichtung 140 für analytische Modelle leitet die Parameter durch den Optimierungsalgorithmus durch das Setzen der analytischen Daten in die Beziehungsgleichung ab (Operation S250). Das heißt, die Ableitungsvorrichtung 140 für analytische Modelle führt das Lernen für die analytischen Daten durch den Optimierungsalgorithmus aus. Dieses Lernen kann z. B. das Kennfeldlemen, das Nicht-Kennfeldlemen usw. sein. Die Ableitungsvorrichtung 140 für analytische Modelle leitet das analytische Modell durch das Anwenden der abgeleiteten Parameter auf die Beziehungsgleichung ab (Operation S260). Dieses analytische Modell sagt das Ausgangssignal der numerischen Analyse, die mehrere Iterationen ausgeführt hat, vorher.
  • Als Nächstes wird ein Verfahren zum Ausführen der Analyse unter Verwendung des oben beschriebenen analytischen Modells beschrieben. 8 ist ein Ablaufplan zum Erklären eines Verfahrens zum Ausführen der Analyse gemäß einer beispielhaften Ausführungsform. 9 ist eine graphische Darstellung zum Erklären eines Verfahrens zum Ausführen der Analyse gemäß einer beispielhaften Ausführungsform.
  • In den 8 und 9 leitet der numerische Analysator 210 des Modellanalysators 200 die analytischen Daten, die das Eingangssignal und das Ausgangssignal enthalten, durch das Ausführen der numerischen Analyse ab (Operation S310). Wie in 9 gezeigt ist, kann der numerische Analysator 210 z. B. die ersten und die zweiten analytischen Daten (①, ②) ableiten.
  • Der Analysator 220 des Modellanalysators 200 sagt das Ausgangssignal (d. h., die vorhergesagten Daten) der numerischen Analyse, die mehrere (k + T) Iterationen ausgeführt hat, durch das Reflektieren der analytischen Daten des numerischen Analysators 210 zu dem analytischen Modell vorher (Operation S320). Der Analysator 220 kann z. B. die Ausgangssignale (d. h., die vorhergesagten Daten) (ⓐ, ⓑ) der numerischen Analyse, die mehrere (k + T) Iterationen ausgeführt hat, von den ersten und den zweiten analytischen Daten (①, ②) vorhersagen.
  • Der Optimierer 300 führt die Optimierung für die mehreren Ausgangssignale, die das vorhergesagte Ergebnis sind, aus (Operation S330). Der Durchschnittswert der Ausgangssignale (d. h., der vorhergesagten Daten) (ⓐ, ⓑ) der numerischen Analyse kann z. B. als die Optimierungsdaten abgeleitet werden.
  • Der Optimierer 300 bestimmt, ob die Optimierungsdaten im Ergebnis der Optimierung gegen einen vorgegebenen Bereich konvergiert haben (Operation S340). Falls sie nicht innerhalb des vorgegebenen Bereichs konvergieren, werden die oben beschriebenen Operationen S310 bis S340 iteriert. Falls sie gegen den vorgegebenen Bereich konvergieren, geht der Ablauf zur Operation S350 weiter, um die Analyse zu beenden. Durch das Wiederholen der Operationen S310 bis S340 hat der numerische Analysator 210 z. B. die dritten und die vierten analytischen Daten (③, ④) basierend auf den optimalen Daten des Optimierens der vorhergesagten Daten (ⓐ, ⓑ) abgeleitet, hat der Analysator 220 die Ausgangssignale (d. h., die vorhergesagten Daten) (ⓒ, ⓓ) der numerischen Analyse, die mehrere (k + T) Iterationen ausgeführt hat, von den dritten und den vierten analytischen Daten (③, ④) vorhergesagt und hat der Optimierer 300 den Durchschnitt der vorhergesagten Daten (ⓒ, ⓓ) berechnet. Falls sich zu diesem Zeitpunkt der durch den Optimierer 300 berechnete Wert der Optimierungsdaten innerhalb des vorgegebenen Bereichs befindet, kann die Analyse beendet werden.
  • 10 ist ein Ablaufplan zum Erklären eines Verfahrens zum Optimieren eines Analyseergebnisses (in der Operation S130) gemäß einer beispielhaften Ausführungsform.
  • In 10 entfernt das Filter 310 das Rauschen in jedem der mehreren von dem Strömungsanalysator 200 abgeleiteten Ausgangssignale (Operation S410). Hier kann das Filter z. B. wenigstens eines eines Mittelungsfilters, eines Filters mit gleitendem Mittelwert, eines Tiefpassfilters, wie z. B. eines Filters mit exponentiell gewichteten gleitendem Mittelwert, eines Hochpassfilters, eines Bandpassfilters und eines Kalman-Filters sein.
  • Der primäre Optimierer 320 gibt die primären Optimierungsdaten durch das primäre Optimieren der mehreren Ausgangssignale, aus denen das Rauschen entfernt worden ist, gemäß einer primären Optimierungsoperation aus (Operation S420). Der primäre Optimierer 320 kann z. B. den Durchschnittswert der vorgegebenen Anzahl von Ausgangssignalen unter den mehreren Ausgangssignalen durch die primäre Optimierungsoperation als die primären Optimierungsdaten ausgeben.
  • Der sekundäre Optimierer 330 empfängt mehrere primäre Optimierungsdaten von dem primären Optimierer 320 und gibt sekundäre Optimierungsdaten durch das sekundäre Optimieren der mehreren eingegebenen primären Optimierungsdaten aus (Operation S430). Der sekundäre Optimierer 330 kann z. B. den Durchschnittswert der vorgegebenen Anzahl von primären Optimierungsdaten unter den mehreren primären Optimierungsdaten durch die sekundäre Optimierungsoperation als die sekundären Optimierungsdaten ausgeben.
  • 11 ist eine graphische Darstellung, die eine Computervorrichtung gemäß einer beispielhaften Ausführungsform veranschaulicht. Eine Computervorrichtung TN100 kann die in der vorliegenden Beschreibung beschriebene Vorrichtung (z. B. die Analysevorrichtung usw.) sein.
  • In 11 kann die Computervorrichtung TN100 wenigstens einen Prozessor TN110, einen Sender/Empfänger TN120 und einen Speicher TN130 enthalten. Zusätzlich kann die Computervorrichtung TN100 ferner eine Speichervorrichtung TN140, eine Eingangsschnittstelle TN150 und eine Ausgangsschnittstelle TN160 enthalten. Die in der Computervorrichtung TN100 enthaltenen Komponenten können durch einen Bus TN170 verbunden sein und miteinander kommunizieren.
  • Der Prozessor TN110 kann einen Programmbefehl ausführen, der in wenigstens einem des Speichers TN130 und der Speichervorrichtung TN140 gespeichert ist. Der Prozessor TN110 kann eine Zentraleinheit (CPU), eine Graphikverarbeitungseinheit (GPU) oder einen dedizierten Prozessor, in dem die Verfahren gemäß einer beispielhaften Ausführungsform ausgeführt werden, enthalten. Der Prozessor TN110 kann konfiguriert sein, um die Prozeduren, Funktionen, Verfahren usw., die im Zusammenhang mit einer beispielhaften Ausführungsform beschrieben sind, zu implementieren. Der Prozessor TN110 kann jede Komponente der Computervorrichtung TN100 steuern.
  • Sowohl der Speicher TN130 als auch die Speichervorrichtung TN140 können verschiedene Informationen speichern, die auf eine Operation des Prozessors TN110 bezogen sind. Sowohl der Speicher TN130 als auch die Speichervorrichtung TN140 können aus wenigstens einem flüchtigen Speichermedium und einem nichtflüchtigen Speichermedium bestehen. Der Speicher TN130 kann z. B. aus wenigstens einem von einem Festwertspeicher (ROM) und einem Schreib-Lese-Speicher (RAM) bestehen.
  • Der Sender/Empfänger TN120 kann ein verdrahtetes Signal oder ein drahtloses Signal senden und/oder empfangen. Der Sender/Empfänger TN 120 kann mit einem Netz verbunden sein, um eine Kommunikation auszuführen.
  • Unterdessen können verschiedene Verfahren gemäß einer oben beschriebenen beispielhaften Ausführungsform in der Form eines durch verschiedene Computermittel lesbaren Programms implementiert und in einem computerlesbaren Aufzeichnungsmedium aufgezeichnet sein. Hier kann das Aufzeichnungsmedium Programmbefehle, Datendateien, Datenstrukturen usw. allein oder in einer Kombination daraus enthalten. Die Programmbefehle, die in dem Aufzeichnungsmedium aufzuzeichnen sind, können jene sein, die für die vorliegende Offenbarung speziell entworfen und konstruiert worden sind, oder können außerdem jene sein, die den Fachleuten auf dem Gebiet der Computer-Software bekannt und für die Fachleute auf dem Gebiet der Computer-Software verfügbar sind. Das Aufzeichnungsmedium kann z. B. aus Magnetmedien, wie z. B. Festplatten, Disketten und Magnetbändern, optischen Medien, wie z. B. CD-ROMs und DVDs, magnetooptischen Medien, wie z. B. optisch gesteuerten Disketten, und Hardware-Vorrichtungen, die spezifisch konfiguriert sind, um Programmbefehle zu speichern und auszuführen, wie z. B. ROMs, RAMs und Flash-Speichern, bestehen. Beispiele der Programmbefehle können nicht nur Drähte in einer Maschinensprache, wie z. B. jene, die durch einen Kompilierer erzeugt werden, sondern außerdem Drähte in einer höheren Programmiersprache, die durch einen Computer unter Verwendung eines Interpreters ausgeführt werden können, usw. enthalten. Diese Hardware-Vorrichtung kann konfiguriert sein, um als ein oder mehrere Software-Module zu arbeiten, um den Betrieb der vorliegenden Offenbarung auszuführen, und umgekehrt.
  • Während bezüglich der beigefügten Zeichnungen eine oder mehrere beispielhafte Ausführungsformen beschrieben worden sind, ist es für die Fachleute auf dem Gebiet selbstverständlich, dass verschiedene Modifikationen und Änderungen in der Form und den Einzelheiten darin vorgenommen werden können, ohne vom Schutzumfang abzuweichen, wie er durch die beigefügten Ansprüche definiert ist. Deshalb sollte die Beschreibung der beispielhaften Ausführungsformen nur in einem beschreibenden Sinn und nicht, um den Schutzumfang der Ansprüche einzuschränken, ausgelegt werden, wobei viele Alternativen, Modifikationen und Variationen für die Fachleute auf dem Gebiet offensichtlich sind.

Claims (15)

  1. Analysevorrichtung, die umfasst: eine Modellableitungsvorrichtung (100), die konfiguriert ist, um ein analytisches Modell zum Vorhersagen eines Ergebnisses einer numerischen Analyse, die mehrere Iterationen ausgeführt hat, für eine Komponente unter Verwendung mehrerer analytischer Daten, die für die numerische Analyse für die Komponente verwendet werden, zu erzeugen; und einen Modellanalysator (200), der konfiguriert ist, um das Ergebnis der numerischen Analyse, die mehrere Iterationen ausgeführt hat, für eine Entwurfszielkomponente unter Verwendung des analytischen Modells vorherzusagen.
  2. Analysevorrichtung nach Anspruch 1, wobei die Modellableitungsvorrichtung (100) umfasst: einen Speicher (110) für analytische Daten, der konfiguriert ist, um die analytischen Daten zu speichern, die mehrere Eingangssignale, die für die numerische Analyse verwendet werden, und mehrere Ausgangssignale, die jedem der mehreren Eingangssignale entsprechen, umfassen; und eine Ableitungsvorrichtung (140) für analytische Modelle, die konfiguriert ist, um das analytische Modell zum Ableiten des Ausgangssignals der numerischen Analyse, die mehrere Iterationen ausgeführt hat, durch die analytischen Daten zu erzeugen.
  3. Analysevorrichtung nach Anspruch 2, wobei die Ableitungsvorrichtung (140) für analytische Modelle eine Beziehungsgleichung des analytischen Modells bildet, wo ein Parameter nicht bestimmt ist, und das analytische Modell durch das Ableiten des Parameters durch Lernen unter Verwendung der analytischen Daten erzeugt.
  4. Analysevorrichtung nach Anspruch 1 oder Anspruch 2, wobei die Modellableitungsvorrichtung (100) ferner einen Vorprozessor (120) umfasst, der konfiguriert ist, um eine Vorverarbeitung zum Korrigieren oder Entfernen der analytischen Daten gemäß einer vorgegebenen Bedingung auszuführen.
  5. Analysevorrichtung nach Anspruch 1 oder Anspruch 4, wobei die Modellableitungsvorrichtung (100) ferner einen Datenanalysator (130) umfasst, der konfiguriert ist, um eine Beziehung zwischen den Zellen und eine Beziehung zwischen den Daten in jeder Zelle durch das Analysieren der vorverarbeiteten analytischen Daten abzuleiten.
  6. Analysevorrichtung nach Anspruch 2, wobei der Modellanalysator (200) umfasst: einen numerischen Analysator (210), der konfiguriert ist, um die analytischen Daten durch das Ausführen der numerischen Analyse für mehrere Zellen, die den Raum um die Entwurfszielkomponente aufteilen, abzuleiten; und einen Analysator (220), der konfiguriert ist, um ein Ausgangssignal der numerischen Analyse, die mehrere Iterationen ausgeführt hat, durch das Anwenden der analytischen Daten auf das von der Ableitungsvorrichtung (140) für analytische Modelle abgeleitete analytische Modell vorherzusagen.
  7. Analysevorrichtung nach Anspruch 6, die ferner einen Optimierer (300) umfasst, der konfiguriert ist, um ein optimiertes Ergebnis abzuleiten, das die von dem Modellanalysator (200) abgeleiteten mehreren Ausgangssignale optimiert.
  8. Analysevorrichtung nach Anspruch 7, wobei der Optimierer (300) umfasst: ein Filter (310), das konfiguriert ist, um das Rauschen in jedem der mehreren Ausgangssignale zu entfernen; einen primären Optimierer (320), der konfiguriert ist, um das Ausgangssignal, aus dem das Rauschen entfernt worden ist, primär zu optimieren; und einen sekundären Optimierer (330), der konfiguriert ist, um das primär optimierte Ergebnis sekundär zu optimieren.
  9. Analysevorrichtung nach Anspruch 7, wobei der numerische Analysator (210) die analytischen Daten durch das Iterieren der numerischen Analyse basierend auf dem durch den Optimierer (300) optimierten optimierten Ergebnis ausgibt, und wobei der Analysator (220) das Ausgangssignal der numerischen Analyse, die mehrere Iterationen ausgeführt hat, durch das Anwenden der gemäß der iterierten numerischen Analyse ausgegebenen analytischen Daten auf das von der Ableitungsvorrichtung (140) für analytische Modelle abgeleitete analytische Modell vorhersagt.
  10. Analysevorrichtung nach Anspruch 7, wobei der numerische Analysator (210) die analytischen Daten durch das Iterieren der numerischen Analyse basierend auf dem durch den Optimierer (300) optimierten optimierten Ergebnis ausgibt, und wobei die Ableitungsvorrichtung (140) für analytische Modelle das analytische Modell zum Ableiten des Ausgangssignals der numerischen Analyse, die mehrere Iterationen ausgeführt hat, durch die gemäß der iterierten numerischen Analyse ausgegebenen analytischen Daten aktualisiert.
  11. Analyseverfahren, das umfasst: Erzeugen durch eine Modellableitungsvorrichtung (100) eines analytischen Modells zum Vorhersagen eines Ergebnisses einer numerischen Analyse, die mehrere Iterationen ausgeführt hat, für eine Komponente unter Verwendung mehrerer analytischer Daten, die für die numerische Analyse für die Komponente verwendet werden; und Vorhersagen durch einen Modellanalysator (200) des Ergebnisses der numerischen Analyse, die mehrere Iterationen ausgeführt hat, für eine Entwurfszielkomponente unter Verwendung des analytischen Modells.
  12. Analyseverfahren nach Anspruch 11, wobei das Erzeugen des analytischen Modells umfasst: Speichern durch einen Speicher (110) für analytische Daten der analytischen Daten, die mehrere Eingangssignale, die für die numerische Analyse verwendet werden, und mehrere Ausgangssignale, die jedem der mehreren Eingangssignale entsprechen, umfassen; und Erzeugen durch eine Ableitungsvorrichtung (140) für analytische Modelle des analytischen Modells zum Ableiten des Ausgangssignals der numerischen Analyse, die mehrere Iterationen ausgeführt hat, durch die analytischen Daten.
  13. Analyseverfahren nach Anspruch 12, wobei das Erzeugen des analytischen Modells das Bilden durch die Ableitungsvorrichtung (140) für analytische Modelle einer Beziehungsgleichung des analytischen Modells, wo ein Parameter nicht bestimmt ist, und das Erzeugen durch die Ableitungsvorrichtung (140) für analytische Modelle des analytischen Modells durch das Ableiten des Parameters durch Lernen unter Verwendung der analytischen Daten umfasst.
  14. Analyseverfahren nach Anspruch 12, das ferner umfasst: vor dem Erzeugen des analytischen Modells Ausführen durch einen Vorprozessor (120) des Vorverarbeitens zum Korrigieren oder Entfernen der analytischen Daten gemäß einer vorgegebenen Bedingung; und Ableiten durch einen Datenanalysator (130) der Beziehung zwischen den Zellen und der Beziehung zwischen den Daten in jeder Zelle durch das Analysieren der Lerndaten.
  15. Analyseverfahren nach Anspruch 12, wobei das Vorhersagen des Ergebnisses der numerischen Analyse umfasst: Ableiten durch einen numerischen Analysator (210) der analytischen Daten, die ein Eingangssignal und ein Ausgangssignal, das dem Eingangssignal entspricht, umfassen, durch das Ausführen der numerischen Analyse; und Ableiten durch einen Analysator (220) des Ausgangssignals der numerischen Analyse, die mehrere Iterationen ausgeführt hat, durch das Anwenden der analytischen Daten auf das durch die Ableitungsvorrichtung (140) für analytische Modelle abgeleitete analytische Modell.
DE102019115320.4A 2018-08-21 2019-06-06 Analysevorrichtung unter Verwendung eines erlernten Modells und Verfahren dafür Pending DE102019115320A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2018-0097539 2018-08-21
KR1020180097539A KR102189311B1 (ko) 2018-08-21 2018-08-21 학습된 모델을 이용한 해석 장치 및 이를 위한 방법

Publications (1)

Publication Number Publication Date
DE102019115320A1 true DE102019115320A1 (de) 2020-02-27

Family

ID=69412798

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102019115320.4A Pending DE102019115320A1 (de) 2018-08-21 2019-06-06 Analysevorrichtung unter Verwendung eines erlernten Modells und Verfahren dafür

Country Status (3)

Country Link
US (1) US11416654B2 (de)
KR (1) KR102189311B1 (de)
DE (1) DE102019115320A1 (de)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11922314B1 (en) * 2018-11-30 2024-03-05 Ansys, Inc. Systems and methods for building dynamic reduced order physical models
US11544425B2 (en) * 2019-04-12 2023-01-03 Cnh Industrial America Llc Systems and methods for expediting design of physical components through use of computationally efficient virtual simulations
US11295046B2 (en) * 2019-04-12 2022-04-05 Cnh Industrial America Llc Systems and methods for expediting design of physical components through use of computationally efficient virtual simulations
CN112654982A (zh) * 2019-07-26 2021-04-13 株式会社日立高新技术 数据处理装置、方法、以及半导体制造装置
US11481679B2 (en) * 2020-03-02 2022-10-25 Kyndryl, Inc. Adaptive data ingestion rates
KR102532668B1 (ko) * 2020-11-04 2023-05-16 한국생산기술연구원 인공 지능을 이용한 유한 요소 해석 시스템 및 유한 요소 해석 방법
KR102641807B1 (ko) * 2023-08-22 2024-02-27 에스케이에코플랜트(주) 센서보정장치 및 센서보정장치의 동작 방법

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001229407A (ja) * 2000-02-17 2001-08-24 Canon Inc 数値解析用モデル作成装置、数値解析用モデル作成方法および記憶媒体
US20080177518A1 (en) * 2007-01-18 2008-07-24 Cfd Research Corporation Integrated Microfluidic System Design Using Mixed Methodology Simulations
KR100948755B1 (ko) 2009-03-18 2010-03-23 광진실업 주식회사 전기장 해석방법을 이용한 형상인발공정의 중간 다이스의 단면형상 설계방법 및 상기 방법으로 설계된 크로스 롤러 가이드 및 리니어 모션 가이드
RU2012142308A (ru) * 2010-03-05 2014-04-10 ВИАЛОДЖИ ЭлЭлСи Вычисления активной инжекции шума для улучшенной прогнозируемости при обнаружении нефтегазового коллектора и определении его характеристик
BRPI1002159A8 (pt) 2010-04-15 2021-10-26 Asel Tech Tecnologia E Automacao Ltda Sistema integrado com a tecnologia acústica, balanço de massa e rede neural para detecção, localização e quantificação de vazamentos em dutos
US8725470B1 (en) 2010-05-17 2014-05-13 The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) Co-optimization of blunt body shapes for moving vehicles
WO2012015517A1 (en) * 2010-07-29 2012-02-02 Exxonmobil Upstream Research Company Methods and systems for machine-learning based simulation of flow
AU2011283193B2 (en) * 2010-07-29 2014-07-17 Exxonmobil Upstream Research Company Methods and systems for machine-learning based simulation of flow
WO2012049742A1 (ja) * 2010-10-13 2012-04-19 日立オートモティブシステムズ株式会社 流量センサおよびその製造方法並びに流量センサモジュールおよびその製造方法
US20120226200A1 (en) * 2011-03-02 2012-09-06 Highland Instruments, Inc. Methods of stimulating tissue based upon filtering properties of the tissue
US10162932B2 (en) * 2011-11-10 2018-12-25 Siemens Healthcare Gmbh Method and system for multi-scale anatomical and functional modeling of coronary circulation
GB2501523B (en) * 2012-04-27 2015-08-05 Acergy France SAS Method and apparatus for design of pipeline components
KR101418445B1 (ko) * 2012-12-31 2014-07-14 (주) 디엔디이 풍력터빈 블레이드 설계 및 해석방법
WO2014138599A1 (en) * 2013-03-08 2014-09-12 Carnegie Mellon University Expandable implantable conduit
KR20140140279A (ko) * 2013-05-29 2014-12-09 한국항공우주산업 주식회사 회전익 항공기 미부 공력진동 예측시스템 및 그 제어방법
KR20150054245A (ko) * 2013-11-11 2015-05-20 한국항공우주연구원 비선형 설계공간 내에서의 근사모델 최적설계방법
US9785746B2 (en) * 2014-03-31 2017-10-10 Heartflow, Inc. Systems and methods for determining blood flow characteristics using flow ratio
KR20160007838A (ko) 2014-07-03 2016-01-21 (주) 디엔디이 풍력터빈 설계 및 해석방법
KR101612506B1 (ko) * 2014-10-21 2016-04-14 한국항공우주산업 주식회사 전산 유체 역학을 이용한 항공기 공력해석 시스템 및 방법
US10908602B2 (en) * 2017-08-02 2021-02-02 Strong Force Iot Portfolio 2016, Llc Systems and methods for network-sensitive data collection
US11915123B2 (en) * 2019-11-14 2024-02-27 International Business Machines Corporation Fusing multimodal data using recurrent neural networks

Also Published As

Publication number Publication date
KR102189311B1 (ko) 2020-12-09
KR20200021767A (ko) 2020-03-02
US20200065441A1 (en) 2020-02-27
US11416654B2 (en) 2022-08-16

Similar Documents

Publication Publication Date Title
DE102019115320A1 (de) Analysevorrichtung unter Verwendung eines erlernten Modells und Verfahren dafür
Durrant winGamma: A non-linear data analysis and modelling tool with applications to flood prediction
DE112018002822T5 (de) Klassifizieren neuronaler netze
US20210133378A1 (en) Methods and systems for the estimation of the computational cost of simulation
CN112468326A (zh) 基于时间卷积神经网络的访问流量预测方法
DE112020002684T5 (de) Ein Mehrfachverfahrenssystem für optimale Vorhersagemodellauswahl
DE102019127133B4 (de) Vorrichtung zum Erzeugen von Lerndaten zur Verbrennungsoptimierung und Verfahren dafür
DE112021005910T5 (de) Schnellere abdeckungskonvergenz mit automatischer testparameterabstimmung bei eingeschränkter zufallsverifikation
Budka et al. Ridge regression ensemble for toxicity prediction
DE102019115293A1 (de) Vorrichtung zum Optimieren der Strömungsanalyse und Verfahren dafür
Regazzoni et al. A physics-informed multi-fidelity approach for the estimation of differential equations parameters in low-data or large-noise regimes
DE102019127154B4 (de) Vorrichtung zur Verbrennungsoptimierung und Verfahren dafür
EP3712784A2 (de) System und verfahren zur signalvorverarbeitung basierend auf datengesteuerten modellen und datenabhängiger modelltransformation
DE102023205594A1 (de) Verfahren und Systeme zum Trainieren eines Maschinenlernmodells mit während eines Herstellungsprozesses erfassten Messdaten
CN111524023A (zh) 温室调节方法及系统
DE112021006640T5 (de) Automatisiertes maschinelles mehrebenen- und mehrziel-lernen
DE102019127135B4 (de) Vorrichtung zum Managen der Verbrennungsoptimierung und Verfahren dafür
DE102019115303A1 (de) Strömungsanalysevorrichtung und Verfahren dafür
DE102019127145A1 (de) Vorrichtung zum Diagnostizieren einer Analyse und Verfahren dafür
CN113139332A (zh) 一种自动化模型构建方法、装置及设备
DE112020003537T5 (de) Unüberwachte konzeptfindung und kreuzmodale wiedergewinnung in zeitreihenund textkommentaren basierend auf kanonischer korrelationsanalyse
Gottwald et al. Analysis and optimisation of bellman residual errors with neural function approximation
DE102019126292A1 (de) System und Verfahren zum Vorhersagen einer analytischen Anomalie bei der rechnerischen Fluiddynamikanalyse
CN112835771A (zh) 一种业务量预测方法、装置、设备及存储介质
DE102023209512A1 (de) Verfahren und Systeme zum Durchführen einer Grundursachenanalyse mit einem trainierten maschinellen Lernmodell

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R079 Amendment of ipc main class

Free format text: PREVIOUS MAIN CLASS: G06F0017500000

Ipc: G06F0030000000

R081 Change of applicant/patentee

Owner name: DOOSAN ENERBILITY CO., LTD., CHANGWON-SI, KR

Free format text: FORMER OWNER: DOOSAN HEAVY INDUSTRIES & CONSTRUCTION CO., LTD., GYEONGSANGNAM-DO, KR