JP2020004310A - Analysis device, analysis method and analysis program - Google Patents
Analysis device, analysis method and analysis program Download PDFInfo
- Publication number
- JP2020004310A JP2020004310A JP2018125743A JP2018125743A JP2020004310A JP 2020004310 A JP2020004310 A JP 2020004310A JP 2018125743 A JP2018125743 A JP 2018125743A JP 2018125743 A JP2018125743 A JP 2018125743A JP 2020004310 A JP2020004310 A JP 2020004310A
- Authority
- JP
- Japan
- Prior art keywords
- data
- physical quantity
- learning model
- dimensions
- learning
- 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
Links
Images
Abstract
Description
本発明は、機械学習を利用して形状を解析する技術に関する。 The present invention relates to a technology for analyzing a shape using machine learning.
近年、コンピュータの高速化・汎用化に伴い、CAE(Computer Aided Engineering)を用いた部品設計が広く浸透してきている。
このような部品設計において、形状と解析結果の因果分析は重要であり、性能等の主要な物理量への影響が大きい寸法を把握したり、提案形状の3次元データの性能見通しを事前に得たりすることは、経済価値が高い。
In recent years, with the speeding up and generalization of computers, component design using CAE (Computer Aided Engineering) has become widespread.
In such component design, causal analysis of the shape and analysis results is important, such as grasping dimensions that have a major effect on the main physical quantities such as performance, and obtaining in advance the performance prospects of the three-dimensional data of the proposed shape. Doing is of high economic value.
そこで、例えば特許文献1に記載の技術では、予め設定したベース形状に複数の比較形状を自己組織化写像により投射してその比較結果(形状差)を求め、これら複数の比較結果を自己組織化写像により第1の一般グリッド上に投射して第1のSOMマップを作成している。さらに、複数の比較データの第1のSOMマップ上での位置データと、複数の比較データの予め求めた所定の物理量とを結合して、自己組織化写像により入力データとして第2の一般グリッド上に投射して第2のSOMマップを作成している。
この技術によれば、選択された物理量に対応する第1のSOMマップ上での位置データを第2のSOMマップから抽出し、抽出した位置データに対応する比較データの比較結果を第1のSOMマップから抽出して、この比較データの比較結果(ベース形状との形状差)を基に特定の比較データを求めることができる。そのため、形状と実験・CAE結果との因果関係を蓄積、データベース化して、所定の物理量を伴う形状を素早く精度良く効率的に求めることが可能となる。
Thus, for example, in the technology described in
According to this technique, position data on the first SOM map corresponding to the selected physical quantity is extracted from the second SOM map, and the comparison result of the comparison data corresponding to the extracted position data is represented by the first SOM map. By extracting from the map, specific comparison data can be obtained based on the comparison result of this comparison data (the shape difference from the base shape). Therefore, the causal relationship between the shape and the results of the experiment and CAE can be accumulated and made into a database, and a shape with a predetermined physical quantity can be obtained quickly, accurately, and efficiently.
しかしながら、上記特許文献1に記載の技術では、形状の特徴量を「ベース形状との類似度(形状差)」としているため、この「類似度」を出力として得られても、これを設計データへ直接的には反映させにくいという問題があった。
また、形状の特徴量学習と形状−物理量の相関学習とを対応させて行うため、形状の特徴量学習のトレーニングデータ数が、形状−物理量の相関学習のトレーニングデータ数である解析結果数に制限されてしまう。つまり、形状は次元が高いため高精度な学習モデルの作成にはより多くのトレーニングデータ数が必要であるところ、この数量が、時間を要する解析のトレーニングデータ数によって制限されるために、結果として高精度な形状学習モデルを作成することが困難となってしまう。
However, in the technique described in
Also, since the shape feature amount learning and the shape-physical amount correlation learning are performed in association with each other, the number of training data items for the shape feature amount learning is limited to the number of analysis results, which is the number of training data items for the shape-physical amount correlation learning. Will be done. In other words, the shape has a high dimension, so creating a high-precision learning model requires a larger number of training data, but this amount is limited by the number of training data for time-consuming analysis. It becomes difficult to create a highly accurate shape learning model.
本発明は、上記事情を鑑みてなされたもので、設計データへの反映が容易な特徴量をメッシュデータから好適に抽出するとともに、高精度な形状学習モデルを作成することを目的とする。 The present invention has been made in view of the above circumstances, and it is an object of the present invention to appropriately extract a feature amount that can be easily reflected on design data from mesh data and create a highly accurate shape learning model.
上記目的を達成するために、請求項1に記載の発明は、解析装置であって、
各々の寸法が明らかな複数のメッシュデータを用い、機械学習により、メッシュデータと寸法との相関を表す第1学習モデルを作成する第1モデル作成手段と、
各々の寸法が明らかな互いに異なる複数の形状における所定の物理量のデータを用い、機械学習により、寸法と物理量との相関を表す第2学習モデルを作成する第2モデル作成手段と、
前記第1学習モデル及び前記第2学習モデルに基づいて、所定の物理量に対応する寸法及びメッシュデータを取得する演算手段と、
を備えることを特徴とする。
In order to achieve the above object, an invention according to
First model creating means for creating a first learning model representing a correlation between mesh data and dimensions by machine learning using a plurality of mesh data of which dimensions are clear;
A second model creating means for creating a second learning model representing a correlation between the dimension and the physical quantity by machine learning using data of a predetermined physical quantity in a plurality of shapes having mutually distinct dimensions,
Calculating means for acquiring dimension and mesh data corresponding to a predetermined physical quantity based on the first learning model and the second learning model;
It is characterized by having.
請求項2に記載の発明は、請求項1に記載の解析装置において、
前記第2モデル作成手段は、寸法を入力データとし物理量を出力とする機械学習によるものであることを特徴とする。
According to a second aspect of the present invention, in the analyzer according to the first aspect,
The second model creating means is based on machine learning in which dimensions are input data and physical quantities are output.
請求項3に記載の発明は、請求項1又は2に記載の解析装置において、
前記第2モデル作成手段は、
教師無し学習により入力データ群をそのデータ間の関係を保ったまま、任意の次元の競合層へと写像する自己組織化写像を用い、
寸法のデータと所定の物理量のデータとを結合して入力データとし、当該入力データを予め設定した一般グリッド上に投射して形成した自己組織化マップを、前記第2学習モデルとして作成することを特徴とする。
The invention according to claim 3 is the analyzer according to
The second model creating means includes:
By using a self-organizing mapping that maps the input data group to a competitive layer of any dimension while maintaining the relationship between the data by unsupervised learning,
Creating the self-organizing map formed by projecting the input data on a general grid set in advance by combining the data of the dimensions and the data of the predetermined physical quantity as the second learning model; Features.
請求項4に記載の発明は、請求項1〜3のいずれか一項に記載の解析装置において、
互いに異なる形状を示す複数の寸法のデータセットと、各寸法のデータセットにおける予め求められた物理量のデータとが対応付けられて格納されたデータベースを備え、
前記第2モデル作成手段は、前記データベースに格納されたデータに基づいて、寸法と物理量との相関を表す第2学習モデルを作成することを特徴とする。
The invention according to claim 4 is the analyzer according to any one of
A data set having a plurality of data sets each having a shape different from each other, and a database in which data of physical quantities obtained in advance in the data sets of each dimension are stored in association with each other
The second model creating means creates a second learning model representing a correlation between a dimension and a physical quantity based on data stored in the database.
請求項5に記載の発明は、請求項1〜4のいずれか一項に記載の解析装置において、
前記第2モデル作成手段は、
前記第1モデル作成手段により作成された第1学習モデルに基づいて、所定の物理量を求めるために用いたメッシュデータの寸法を取得し、
取得した寸法と物理量とをトレーニングデータとして、寸法と物理量との相関を表す第2学習モデルを作成することを特徴とする。
According to a fifth aspect of the present invention, in the analyzer according to any one of the first to fourth aspects,
The second model creating means includes:
Based on the first learning model created by the first model creating means, acquire dimensions of mesh data used for obtaining a predetermined physical quantity;
Using the acquired dimensions and physical quantities as training data, a second learning model representing the correlation between the dimensions and the physical quantities is created.
請求項6及び請求項7に記載の発明は、請求項1に記載の解析装置と同様の特徴を具備する解析方法及び解析プログラムである。 According to a sixth aspect of the present invention, there is provided an analysis method and an analysis program having the same features as those of the analysis apparatus according to the first aspect.
本発明によれば、各々の寸法が明らかな複数のメッシュデータを用い、機械学習により、メッシュデータと寸法との相関を表す第1学習モデルが作成され、各々の寸法が明らかな互いに異なる複数の形状における所定の物理量のデータを用い、機械学習により、寸法と物理量との相関を表す第2学習モデルが作成される。
つまり、第1学習モデルと第2学習モデルのトレーニングデータが互いに独立しているため、従来と異なり、形状学習モデル(第1学習モデル)の作成が、形状−物理量相関学習モデル(第2学習モデル)のトレーニングデータ数に制限されることがない。したがって、従来に比べ、形状学習モデル用のトレーニングデータ数を増やして、高精度な形状学習モデルを作成することができる。
また、作成した形状学習モデル(第1学習モデル)及び形状−物理量相関学習モデル(第2学習モデル)は形状の特徴量を寸法としているため、これらの学習モデルを用いることで、設計データへ直接反映させることが可能な寸法の情報を好適に抽出することができる。
According to the present invention, a first learning model representing a correlation between mesh data and a dimension is created by machine learning using a plurality of mesh data of which each dimension is clear, and a plurality of mutually different mutually distinct dimensions of which are clear. Using data of a predetermined physical quantity in the shape, a second learning model representing the correlation between the dimension and the physical quantity is created by machine learning.
That is, since the training data of the first learning model and the training data of the second learning model are independent of each other, the creation of the shape learning model (first learning model) is different from that of the related art in that the shape-physical quantity correlation learning model (second learning model) ) The number of training data is not limited. Therefore, it is possible to create a highly accurate shape learning model by increasing the number of training data for the shape learning model as compared with the related art.
In addition, since the created shape learning model (first learning model) and shape-physical quantity correlation learning model (second learning model) have the dimension of the feature amount of the shape, by using these learning models, the design data can be directly added to the design data. Dimension information that can be reflected can be suitably extracted.
以下、本発明の実施形態について、図面を参照して説明する。 Hereinafter, embodiments of the present invention will be described with reference to the drawings.
<解析装置の構成>
まず、本実施形態における解析装置1の構成について説明する。
図1は、解析装置1の概略構成を示すブロック図である。
<Configuration of analyzer>
First, the configuration of the
FIG. 1 is a block diagram illustrating a schematic configuration of the
解析装置1は、部品設計を行うためのコンピュータであり、より詳しくは、所望の物理量(例えば圧力損失や質量など)が得られる形状(メッシュデータ)や寸法を求めるためのものである。本実施形態では、両端に相対する方向への曲げ部を有するパイプP(図4(a)参照)を解析対象としている。
具体的には、図1に示すように、解析装置1は、入力部11と、表示部12と、記憶部13と、CPU(Central Processing Unit)14とを備えている。
The
Specifically, as shown in FIG. 1, the
入力部11は、図示しないキーボードやマウスを備えており、操作されたキーやボタンの種類に対応する入力信号をCPU14に出力する。
表示部12は、図示しないディスプレイを備えており、CPU14から入力される表示信号に基づいて各種情報をディスプレイに表示する。
The
The
記憶部13は、RAM(Random Access Memory)やROM(Read Only Memory)等により構成されるメモリであり、各種のプログラム及びデータを記憶するとともに、CPU14の作業領域としても機能する。本実施形態では、記憶部13は、形状学習プログラム130と、SOMマップ作成プログラム131と、解析プログラム132とを記憶している。
形状学習プログラム130は、後述の形状学習処理(図3参照)を実行するプログラムである。
SOMマップ作成プログラム131は、後述のSOMマップ作成処理(図6参照)を実行するプログラムである。
解析プログラム132は、後述の解析処理(図9参照)を実行するプログラムである。
The
The
The SOM
The
また、記憶部13は、ベース形状Fbと、形状学習モデル133と、SOMマップ134とを記憶しているとともに、物理量データベース135を有している。
ベース形状Fbは、解析対象(本実施形態ではパイプP)の基本形状データであり、3次元CAD(Computer-Aided Design)データが三角メッシュにより予めモデリングされたものである(図4(b)参照)。このベース形状Fbは、各部寸法が予め明らかなものである。但し、ベース形状Fbはメッシュ生成されていないものでもよい。
形状学習モデル133は、形状と寸法の相関を表すものであって、より詳しくは、形状(メッシュデータ)を入力、寸法を出力とするものであり、後述の形状学習処理により作成される。
SOMマップ134は、寸法と物理量との相関を表すものであり、自己組織化写像(Self-organizing maps, SOM)を用いた後述のSOMマップ作成処理により作成されるものである(図8参照)。
物理量データベース135には、互いに異なる形状を示す複数の寸法のデータセットと、各寸法のデータセットにおける圧力損失や質量等の物理量のデータとが対応付けられて格納されている。物理量は、実験やCAE(Computer Aided Engineering)解析により予め求められたものである。
The
The base shape Fb is the basic shape data of the analysis target (the pipe P in the present embodiment), and is obtained by modeling three-dimensional CAD (Computer-Aided Design) data in advance by using a triangular mesh (see FIG. 4B). ). The dimensions of each part of the base shape Fb are apparent in advance. However, the base shape Fb may not be a mesh generated.
The
The
The
CPU14は、入力される指示に応じて所定のプログラムに基づいた処理を実行し、各機能部への指示やデータの転送等を行い、解析装置1を統括的に制御する。具体的に、CPU14は、入力部11から入力される操作信号等に応じて記憶部13から各種プログラムを読み出し、当該プログラムに従って処理を実行する。そして、CPU14は、処理結果を記憶部13に一時保存するとともに表示部12に適宜出力させる。
The
<自己組織化写像>
続いて、後述のSOMマップ作成処理で実行される自己組織化写像(Self-organizing maps, SOM)の原理について、簡単に説明する。
図2は、自己組織化写像の原理を説明するための図である。
自己組織化写像とは、教師無し学習により入力データ群をそのデータ間の関係を保ったまま、任意の次元の競合層へと写像する技術である。
例えば、図2(a)に示すように、各エレメントのデータ(ここでは、ベクトル(位置、方向)で表現される各エレメントで構成されるグリッド)を初期化する。次に、図2(b)に示すような、入力ベクトル(位置、方向)が提示されると、図2(c)に示すように、初期化された各エレメントのデータから、入力ベクトルに最も近いデータが検索され、勝者ユニットとして設定される。そして、全ての入力ベクトルについての勝者ユニットを検索した後、これら勝者ユニットをマッピングする。この際、図2(d)に示すように、予め設定した領域(図2(d)の例では勝者ユニットを中心とする半径rの領域)を学習処理して領域内のエレメントを勝者ユニットの値に近づける。
このような処理により、似た特徴のベクトルが近くに集まってくる。つまり、処理過程のどこにも分類という作業がないにも関わらず、自然にカテゴリー分けが行われる。このように、自己組織化写像では、入力データ群の分布を表すネットワークが自己組織的に獲得される。
<Self-organizing map>
Next, the principle of the self-organizing maps (SOM) executed in the SOM map creation processing described later will be briefly described.
FIG. 2 is a diagram for explaining the principle of the self-organizing mapping.
The self-organizing mapping is a technique for mapping an input data group to a competitive layer of an arbitrary dimension by unsupervised learning while maintaining the relationship between the data.
For example, as shown in FIG. 2A, the data of each element (here, a grid composed of each element represented by a vector (position, direction)) is initialized. Next, when an input vector (position, direction) as shown in FIG. 2 (b) is presented, as shown in FIG. 2 (c), from the data of each initialized element, Close data is retrieved and set as the winner unit. Then, after searching for winner units for all input vectors, these winner units are mapped. At this time, as shown in FIG. 2 (d), a learning process is performed on an area set in advance (in the example of FIG. 2 (d), an area having a radius r centered on the winner unit), and the elements in the area are assigned to the winner unit. Approach the value.
By such a process, vectors of similar characteristics are gathered nearby. In other words, categorization is naturally performed even though there is no work of classification anywhere in the processing process. As described above, in the self-organizing mapping, a network representing the distribution of the input data group is obtained in a self-organizing manner.
なお、一つの入力ベクトルに対し、何度もマッピング・学習を繰り返し、マップが変わらなくなったら、この入力ベクトルに対する処理を終了し、次に、他の入力ベクトルに対し、同様の処理を繰り返す方法を採用してもよい。 It should be noted that the mapping / learning is repeated many times for one input vector, and when the map does not change, the process for this input vector is terminated, and then the same process is repeated for another input vector. May be adopted.
<形状学習処理>
続いて、形状と寸法の相関を表す形状学習モデル133を作成する形状学習処理について説明する。
図3は、形状学習処理の流れを示すフローチャートであり、図4は、解析対象のパイプPを示す図であって、(a)が側面図、(b)がメッシュ化されたベース形状Fbの側面図、(c)がメッシュ化された比較形状Fcの側面図であり、図5は、ベース形状Fbに対して比較形状Fcをマッピングして形状差を明らかにした結果の一例を示す説明図である。
<Shape learning process>
Subsequently, a shape learning process for creating a
3 is a flowchart showing the flow of the shape learning process. FIG. 4 is a diagram showing a pipe P to be analyzed, where (a) is a side view and (b) is a meshed base shape Fb. FIG. 5C is a side view of the meshed comparative shape Fc, and FIG. 5 is an explanatory diagram showing an example of the result of mapping the comparative shape Fc to the base shape Fb to clarify the shape difference. It is.
図3に示すように、形状学習処理が実行されると、まずCPU14は、記憶部13からパイプPのベース形状Fbを読み込む(ステップS11)。
本実施形態のベース形状Fbは、図4(b)に示すように、両端に相対する方向の半径40mmの曲げ部を有するパイプPの3次元CAD(Computer-Aided Design)データが三角メッシュにより予めモデリングされたものである。なお、ベース形状Fbは、記憶部13でなく、記憶メディアや他の記憶装置等に記憶されていてもよい。
As shown in FIG. 3, when the shape learning process is executed, first, the
As shown in FIG. 4 (b), the base shape Fb of the present embodiment is obtained by three-dimensional CAD (Computer-Aided Design) data of a pipe P having a bent portion with a radius of 40 mm in a direction opposed to both ends by a triangular mesh in advance. Modeled. The base shape Fb may be stored in a storage medium, another storage device, or the like, instead of the
次に、CPU14は、ベース形状Fbの各部寸法を変更した比較形状Fcを複数作成する(ステップS12)。
具体的に、まずCPU14は、例えば実験計画法等に基づいて、ベース形状Fbの各部寸法(例えば、曲げ部の半径、ストレート部長さ、パイプ肉厚等の主要寸法。これらの組合せを含む)をパラメータとして、その数値を複数設定する。そして、CPU14は、例えばCADのパラメトリック機能により、ベース形状Fbの各部寸法を設定された数値に調整することで複数の3次元CADモデルを作成し、これを例えば三角メッシュでモデリングすることにより複数の比較形状Fcの3次元メッシュデータを作成する。
本実施形態では、例えば図4(c)に示すように、両端に相対する方向の半径x(例えば、x=20mm、30mm、35mm)の曲げ部を有するパイプの3次元メッシュデータが作成される。同様に、ストレート部長さや肉厚等が振られた3次元メッシュデータも作成される。また、ベース形状Fbがメッシュデータでない場合には、ベース形状Fbのメッシュ生成も行う。
こうして、比較形状Fcとして、寸法が明らかな(寸法の情報が対応付けられた)3次元メッシュデータが自動的に複数生成される。
なお、各部寸法の数値の振り方や、その寸法部位の設定方法は特に限定されず、ユーザが個別に設定してもよい。
Next, the
Specifically, first, the
In this embodiment, as shown in FIG. 4C, for example, three-dimensional mesh data of a pipe having a bent portion having a radius x (for example, x = 20 mm, 30 mm, 35 mm) in a direction opposed to both ends is created. . Similarly, three-dimensional mesh data in which the length, thickness, and the like of the straight portion are varied is created. If the base shape Fb is not mesh data, a mesh of the base shape Fb is also generated.
In this way, a plurality of three-dimensional mesh data with clear dimensions (corresponding to dimension information) are automatically generated as the comparison shape Fc.
The method of assigning the numerical values of the dimensions of each part and the method of setting the dimensions are not particularly limited, and may be set individually by the user.
次に、作成された複数の比較形状Fcをトレーニング用データセットとして、形状学習モデル133を作成していく(ステップS13)。本実施形態では、複数の比較形状Fcを教師データとし、畳み込みニューラルネットワーク(Convolutional neural network;CNN)を用いて形状学習モデル133が作成される。
Next, a
こうして、複数の比較形状Fcをトレーニング用データセットとして、3次元メッシュデータ(形状)と寸法との相関を表す形状学習モデル133が作成され、記憶部13に格納される。この形状学習モデル133に、寸法が不明の3次元メッシュデータを入力すると、図5に示すように、曲げ部の半径などの各部寸法(主要寸法)を得ることができる。つまり、形状学習モデル133により、設計データへ直接反映させることが可能な寸法の情報を、形状の特徴量として3次元メッシュデータから抽出することができる。このような形状学習モデル133は、例えば、他人が作成したメッシュデータからも容易に寸法を取り出せるため、複数人で情報を共有して解析を進めたい場合に有用であるし、リバースエンジニアリングによって取得した形状から具体的な寸法を抽出したい場合などにも利用できる。
In this way, the
このように、解析装置1では、寸法とメッシュデータとのセット(比較形状Fc)を自動で大量に作成し、これをトレーニングデータとして、機械学習により形状学習モデル133を作成することができる。このようなベース形状Fbを用いた形状学習は、例えばエンジンの吸気ポート・燃焼室のように、ある程度同じような形状が想定される部品設計において、特に有用である。
また、トレーニングデータの作成から形状学習モデル133の作成まで自動で実行できるため、メッシュデータの寸法を人手で計測する場合と異なり、計測工数を必要としないうえに、トレーニングデータを大量に準備して学習精度を高めることができる。
なお、形状学習モデルを作成する手順は特に限定されず、例えば比較形状Fcを全数作成(ステップS11、S12)してから学習(ステップS13〜S17)するのではなく、少なくとも1つの比較形状Fcを作成するたびに学習することとしてもよい。また、形状学習モデルを作成する機械学習手法は特に限定されず、例えばCNN以外のニューラルネットワークや、サポートベクターマシンなどを用いてもよい。ただし、入出力関係を陽に表現できる教師あり学習であることが好ましい。
As described above, the
In addition, since the process from the creation of training data to the creation of the
The procedure for creating the shape learning model is not particularly limited. For example, instead of learning all the comparison shapes Fc (steps S11 and S12) and then learning (steps S13 to S17), at least one comparison shape Fc is created. It may be learned each time it is created. The machine learning method for creating the shape learning model is not particularly limited. For example, a neural network other than CNN, a support vector machine, or the like may be used. However, it is preferable that the learning is supervised learning that can express the input / output relationship explicitly.
<SOMマップ作成処理>
続いて、寸法と物理量との相関を表すSOMマップ134を作成するSOMマップ作成処理について説明する。
図6は、SOMマップ作成処理の流れを示すフローチャートであり、図7は、後述の一般グリッドbgの一例を示す図であり、図8は、SOMマップ134の一例を示す図である。
<SOM map creation processing>
Next, an SOM map creation process for creating the
FIG. 6 is a flowchart showing the flow of the SOM map creation process, FIG. 7 is a diagram showing an example of a general grid bg described later, and FIG. 8 is a diagram showing an example of the
図6に示すように、SOMマップ作成処理が実行されると、まずCPU14は、物理量データベース135に格納されているデータに基づいて、各形状の寸法に物理量を関連付けて入力ベクトル化処理する(ステップS21)。
具体的には、CPU14は、各形状の寸法情報(本実施形態では、曲げ部の半径、ストレート部長さ、パイプ肉厚等の主要寸法)に、このときの物理量(例えば、圧力損失や質量等)を結合させて入力ベクトルとする。これにより、主要寸法の数と物理量の数とを足した次元数の入力ベクトルが、物理量データベース135に格納されている形状の個数分だけ作成される。
As shown in FIG. 6, when the SOM map creation process is executed, first, the
Specifically, the
次に、CPU14は、ステップS21で作成した入力ベクトルを一般グリッドbgに提示する(ステップS22)。
一般グリッドbgは、予め設定しておいた自己組織化写像における一般的なグリッドであり、例えば、図7に示すように、XYZの直交3軸を有する三次元座標で表現されるグリッドである。この一般グリッドbgは、上述した自己組織化写像の説明では図2(a)に相当する。ステップS22では、この一般グリッドbgに、図2(b)に示すように、入力ベクトルを提示する。
Next, the
The general grid bg is a general grid in a self-organizing map set in advance, and is, for example, a grid represented by three-dimensional coordinates having three orthogonal axes of XYZ as shown in FIG. This general grid bg corresponds to FIG. 2A in the description of the self-organizing mapping described above. In step S22, an input vector is presented on the general grid bg as shown in FIG.
次に、CPU14は、図2(c)で説明したように、一般グリッドbgから、ステップS22で提示された入力ベクトルに最も近いデータを勝者ユニットして検索する(ステップS23)。
Next, as described with reference to FIG. 2C, the
次に、CPU14は、図2(d)で説明したように、勝者ユニットをマッピングし、この勝者ユニットを中心とする所定の領域内の各ユニットに対して学習処理(勝者ユニットに近づける処理)をする(ステップS24)。
Next, as described with reference to FIG. 2D, the
そして、CPU14は、物理量データベース135に格納されている全ての形状(すなわち全ての入力ベクトル)について、自己組織化写像による処理が終了したか否かを判定し(ステップS25)、終了していないと判定した場合には(ステップS25;No)、ステップS22へ処理を移行し、次の形状についてステップS22〜S24の処理を繰り返す。
Then, the
一方、全ての形状について自己組織化写像による処理が終了したと判定した場合には(ステップS25;Yes)、CPU14は、全ての形状を投影したデータをSOMマップ134として設定する(ステップS26)。
このSOMマップ134は、図8に示すように、物理量データベース135に格納されている全ての形状のデータを、その物理量と関連付けてマップ化したものである。なお、図8は、SOMマップ134のXY平面上に例えば圧力損失のコンターを表示したものである。
On the other hand, when it is determined that the processing by the self-organizing mapping has been completed for all the shapes (Step S25; Yes), the
As shown in FIG. 8, the
<解析処理>
続いて、所望の物理量が得られる3次元形状を解析する解析処理について説明する。
図9は、この解析処理の流れを示すフローチャートである。
<Analysis processing>
Subsequently, an analysis process for analyzing a three-dimensional shape that can obtain a desired physical quantity will be described.
FIG. 9 is a flowchart showing the flow of this analysis processing.
図9に示すように、解析処理が実行されると、まずCPU14は、ユーザ操作に基づいて、所望の物理量(種類とその値。例えば所定値の圧力損失など)を、SOMマップ134に含まれるもののなかから少なくとも1つ選択する(ステップS31)。
As shown in FIG. 9, when the analysis processing is executed, first, the
次に、CPU14は、SOMマップ134を参照し、ステップS31で選択した物理量に対応する寸法情報を抽出する(ステップS32)。つまり、CPU14は、SOMマップ134を参照して、ステップS31で選択した物理量に該当する点を抽出し、この点に格納されている寸法情報を抽出する。
Next, the
次に、CPU14は、形状学習モデル133を参照し、ステップS32で抽出した寸法情報に対応する形状(3次元メッシュデータ)を抽出する(ステップS33)。
そして、CPU14は、抽出した形状をディスプレイに表示させ(ステップS34)、解析処理を終了する。
こうして、所望の物理量が得られる形状の3次元メッシュデータを速やかに取得することができる。
Next, the
Then, the
In this way, it is possible to quickly obtain three-dimensional mesh data of a shape capable of obtaining a desired physical quantity.
<効果>
以上のように、本実施形態によれば、各々の寸法が明らかな複数のメッシュデータを用い、機械学習により、メッシュデータと寸法との相関を表す形状学習モデル133が作成され、各々の寸法が明らかな互いに異なる複数の形状における所定の物理量のデータを用い、機械学習(本実施形態では自己組織化処理)により、寸法と物理量との相関を表すSOMマップ134が作成される。
つまり、形状学習モデル133とSOMマップ134のトレーニングデータが互いに独立しているため、従来と異なり、形状学習モデル133の作成が、形状−物理量相関学習モデル(SOMマップ134)のトレーニングデータ数に制限されることがない。したがって、従来に比べ、形状学習モデル133用のトレーニングデータ数を増やして、高精度な形状学習モデル133を作成することができる。
また、作成した形状学習モデル133及びSOMマップ134は形状の特徴量を寸法としているため、これらの学習モデルを用いることで、設計データへ直接反映させることが可能な寸法の情報を好適に抽出することができる。
<Effect>
As described above, according to the present embodiment, a
That is, since the training data of the
In addition, since the created
<変形例>
なお、本発明を適用可能な実施形態は、上述した実施形態に限定されることなく、本発明の趣旨を逸脱しない範囲で適宜変更可能である。
<Modification>
The embodiments to which the present invention can be applied are not limited to the above-described embodiments, and can be appropriately changed without departing from the gist of the present invention.
例えば、上記実施形態では、物理量データベース135に、互いに異なる形状の複数の寸法のデータセットと当該寸法のデータセットそれぞれでの物理量のデータとが対応付けて予め格納されており、SOMマップ作成処理では、これらのデータを用いてSOMマップ134を作成することとした。しかし、物理量データベース135にCAE結果の物理量に対応する寸法情報が無い場合には、形状学習処理で作成された形状学習モデル133に基づいて、この物理量を求めるために用いたCAE解析用のメッシュデータからその寸法を取得することとしてもよい。
For example, in the above embodiment, the
また、SOMマップ作成処理では自己組織化写像によりSOMマップ134(形状−物理量相関学習モデル)を作成することとしたが、形状−物理量相関学習モデル(寸法を入力とし物理量を出力とする学習モデルを含む)を作成できるものであれば、自己組織化写像以外の機械学習手法を用いることとしてもよい。 In the SOM map creation processing, the SOM map 134 (shape-physical quantity correlation learning model) is created by self-organizing mapping. However, a shape-physical quantity correlation learning model (a learning model that inputs dimensions and outputs physical quantities) ) Can be used as long as it can create a machine learning method other than the self-organizing mapping.
また、SOMマップ作成処理のステップS22において、入力ベクトルを提示する一般グリッドbgは、一般2次元グリッドである必要はなく、3次元以上の多次元グリッドであってもよい。 Also, in step S22 of the SOM map creation processing, the general grid bg for presenting the input vector does not need to be a general two-dimensional grid, and may be a three-dimensional or higher multidimensional grid.
また、上記実施形態では、解析対象をパイプPとした場合を例に挙げて説明したが、解析対象が特に限定されないことは勿論である。
また、メッシュデータは3次元でなく2次元のものでもよい。
Further, in the above-described embodiment, the case where the analysis target is the pipe P has been described as an example, but the analysis target is, of course, not particularly limited.
The mesh data may be two-dimensional instead of three-dimensional.
1 解析装置
13 記憶部
14 CPU
130 形状学習プログラム
131 SOMマップ作成プログラム
132 解析プログラム
133 形状学習モデル
134 SOMマップ
135 物理量データベース
Fb ベース形状
Fc 比較形状
1
130
Claims (7)
各々の寸法が明らかな互いに異なる複数の形状における所定の物理量のデータを用い、機械学習により、寸法と物理量との相関を表す第2学習モデルを作成する第2モデル作成手段と、
前記第1学習モデル及び前記第2学習モデルに基づいて、所定の物理量に対応する寸法及びメッシュデータを取得する演算手段と、
を備えることを特徴とする解析装置。 First model creating means for creating a first learning model representing a correlation between mesh data and dimensions by machine learning using a plurality of mesh data of which dimensions are clear;
A second model creating means for creating a second learning model representing a correlation between the dimension and the physical quantity by machine learning using data of a predetermined physical quantity in a plurality of shapes having mutually distinct dimensions,
Calculating means for acquiring dimension and mesh data corresponding to a predetermined physical quantity based on the first learning model and the second learning model;
An analysis device, comprising:
教師無し学習により入力データ群をそのデータ間の関係を保ったまま、任意の次元の競合層へと写像する自己組織化写像を用い、
寸法のデータと所定の物理量のデータとを結合して入力データとし、当該入力データを予め設定した一般グリッド上に投射して形成した自己組織化マップを、前記第2学習モデルとして作成することを特徴とする請求項1又は2に記載の解析装置。 The second model creating means includes:
Using unorganized learning, a self-organizing mapping that maps the input data group to a competitive layer of any dimension while maintaining the relationship between the data,
Creating the self-organizing map formed by projecting the input data on a general grid set in advance by combining the data of the dimensions and the data of the predetermined physical quantity as the second learning model; The analysis device according to claim 1 or 2, wherein
前記第2モデル作成手段は、前記データベースに格納されたデータに基づいて、寸法と物理量との相関を表す第2学習モデルを作成することを特徴とする請求項1〜3のいずれか一項に記載の解析装置。 A database in which data sets of a plurality of dimensions indicating different shapes from each other and data of physical quantities obtained in advance in the data sets of the respective dimensions are stored in association with each other,
The method according to any one of claims 1 to 3, wherein the second model creating means creates a second learning model representing a correlation between a dimension and a physical quantity based on data stored in the database. Analysis device as described.
前記第1モデル作成手段により作成された第1学習モデルに基づいて、所定の物理量を求めるために用いたメッシュデータの寸法を取得し、
取得した寸法と物理量とをトレーニングデータとして、寸法と物理量との相関を表す第2学習モデルを作成することを特徴とする請求項1〜4のいずれか一項に記載の解析装置。 The second model creating means includes:
Based on the first learning model created by the first model creating means, acquire dimensions of mesh data used for obtaining a predetermined physical quantity;
The analyzer according to any one of claims 1 to 4, wherein a second learning model representing a correlation between the dimension and the physical quantity is created using the acquired dimension and the physical quantity as training data.
各々の寸法が明らかな複数のメッシュデータを用い、機械学習により、メッシュデータと寸法との相関を表す第1学習モデルを作成する第1モデル作成工程と、
各々の寸法が明らかな互いに異なる複数の形状における所定の物理量のデータを用い、機械学習により、寸法と物理量との相関を表す第2学習モデルを作成する第2モデル作成工程と、
前記第1学習モデル及び前記第2学習モデルに基づいて、所定の物理量に対応する寸法及びメッシュデータを取得する演算工程と、
を実行することを特徴とする解析方法。 The analyzer is
A first model creation step of creating a first learning model representing a correlation between the mesh data and the dimensions by machine learning using a plurality of mesh data whose respective dimensions are clear;
A second model creation step of creating a second learning model representing a correlation between the dimension and the physical quantity by machine learning using data of a predetermined physical quantity in a plurality of shapes each having a distinct size,
An arithmetic step of acquiring dimensions and mesh data corresponding to a predetermined physical quantity based on the first learning model and the second learning model;
Performing an analysis.
各々の寸法が明らかな複数のメッシュデータを用い、機械学習により、メッシュデータと寸法との相関を表す第1学習モデルを作成する第1モデル作成手段、
各々の寸法が明らかな互いに異なる複数の形状における所定の物理量のデータを用い、機械学習により、寸法と物理量との相関を表す第2学習モデルを作成する第2モデル作成手段、
前記第1学習モデル及び前記第2学習モデルに基づいて、所定の物理量に対応する寸法及びメッシュデータを取得する演算手段、
として機能させることを特徴とする解析プログラム。 Computer
First model creating means for creating a first learning model representing a correlation between mesh data and dimensions by machine learning using a plurality of mesh data of which dimensions are clear;
A second model creating means for creating a second learning model representing a correlation between the dimension and the physical quantity by machine learning using data of a predetermined physical quantity in a plurality of shapes each having a distinct size,
Calculating means for acquiring dimension and mesh data corresponding to a predetermined physical quantity based on the first learning model and the second learning model;
An analysis program characterized by functioning as:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018125743A JP2020004310A (en) | 2018-07-02 | 2018-07-02 | Analysis device, analysis method and analysis program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018125743A JP2020004310A (en) | 2018-07-02 | 2018-07-02 | Analysis device, analysis method and analysis program |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020004310A true JP2020004310A (en) | 2020-01-09 |
Family
ID=69100194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018125743A Pending JP2020004310A (en) | 2018-07-02 | 2018-07-02 | Analysis device, analysis method and analysis program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2020004310A (en) |
-
2018
- 2018-07-02 JP JP2018125743A patent/JP2020004310A/en active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2017031718A1 (en) | Modeling method of deformation motions of elastic object | |
CN107067473A (en) | 3D modeling object is reconstructed | |
CN108073682A (en) | Based on parameter view functional query database | |
JP4893148B2 (en) | Shape simplification device and program used therefor | |
JP6888484B2 (en) | A search program, a search method, and an information processing device on which the search program operates. | |
Sieger et al. | On shape deformation techniques for simulation-based design optimization | |
CN109886297A (en) | A method of for identifying threedimensional model object from two dimensional image | |
CN106991204A (en) | Modification to affined asymmetric subdivided meshes | |
JP2021131854A (en) | Basic learning of deformation | |
JP2021152880A (en) | Determination of deformation of 3d modeled object | |
Dommaraju et al. | Evaluation of geometric similarity metrics for structural clusters generated using topology optimization | |
Bureick et al. | Fast converging elitist genetic algorithm for knot adjustment in B-spline curve approximation | |
CN107016732A (en) | Positioned using the 3D objects of descriptor | |
US20170364334A1 (en) | Method and Apparatus of Read and Write for the Purpose of Computing | |
CN115997213A (en) | Machine learning based generation of constraints for Computer Aided Design (CAD) components | |
JP6253053B2 (en) | Data search device, data search device control method, and data search device control program | |
JP6947503B2 (en) | Positioning of 3D objects using quantization | |
JP2020004311A (en) | Analysis device, analysis method and analysis program | |
CN107567641B (en) | System and method for identifying replicas | |
JP2020004310A (en) | Analysis device, analysis method and analysis program | |
JPWO2017077610A1 (en) | Structure analysis method and structure analysis program | |
US9443443B2 (en) | Personalized studying path generating method in serious game | |
JP5083992B1 (en) | Gripping posture generation apparatus, holding posture generation method, and holding posture generation program | |
JP2014059621A (en) | Analysis device and analysis method | |
Takashima et al. | Shape descriptor-based similar feature extraction for finite element meshing |