JP2024053929A - 情報処理装置、情報処理方法、及び情報処理プログラム - Google Patents
情報処理装置、情報処理方法、及び情報処理プログラム Download PDFInfo
- Publication number
- JP2024053929A JP2024053929A JP2022160458A JP2022160458A JP2024053929A JP 2024053929 A JP2024053929 A JP 2024053929A JP 2022160458 A JP2022160458 A JP 2022160458A JP 2022160458 A JP2022160458 A JP 2022160458A JP 2024053929 A JP2024053929 A JP 2024053929A
- Authority
- JP
- Japan
- Prior art keywords
- tensor
- flow field
- feature matrix
- information processing
- value
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 35
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims abstract description 45
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000007906 compression Methods 0.000 claims description 8
- 230000006835 compression Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 description 18
- 238000000034 method Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 238000011960 computer-aided design Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000020169 heat generation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Abstract
【課題】三次元における流れ場予測を精度よく算出可能な情報処理装置、情報処理方法、及び情報処理プログラムを提供する。【解決手段】CFDによる流れ場の演算結果を次元圧縮すると共に欠損値補間をしたテンソルYをテンソル分解して得られる特徴行列を、対象物の形状及び寸法の情報を含むテンソルXから導出する回帰式により、入力諸元から生成された新たなテンソルXから流れ場の予測値に係る特徴行列を予測し、予測した特徴行列で流れ場の予測値を示すテンソルYを復元する。そして、復元したテンソルYから対象物の形状の変化の影響が所定値よりも小さい座標jのデータを除外して精度評価をする。【選択図】図5
Description
本発明は、三次元における流れ場予測をする情報処理装置、情報処理方法、及び情報処理プログラムに関する。
車両開発において、流体の運動に関する方程式をコンピュータで解くことによって流れを観察するCFD(数値流体力学)が用いられる場合がある。
特許文献1には、エンジンの吸排気等の流れをCFDの適用により解析する発明が開示されている。
しかしながら、特許文献1に記載の発明は、CFDを三次元における流れ場予測に活用することに成功しているものの、演算時間が長く、設計変更への柔軟な対応が困難であるという問題があった。
本発明は、上記事実を考慮し、三次元における流れ場予測を精度よく迅速に算出可能な情報処理装置、情報処理方法、及び情報処理プログラムを提供することを目的とする。
請求項1に記載の情報処理装置は、CFDによる流れ場の演算結果を次元圧縮すると共に欠損値補間をしたテンソルYをテンソル分解して得られる特徴行列を、対象物の形状及び寸法の情報を含むテンソルXから導出する回帰式により、入力諸元から生成された新たなテンソルXから流れ場の予測値に係る特徴行列を予測する予測部と、前記予測した特徴行列で流れ場の予測値を示すテンソルYを復元する復元部と、前記復元したテンソルYから前記対象物の形状の変化の影響が所定値よりも小さい座標のデータを除外して精度評価をする評価部と、を含む。
請求項1に記載の情報処理装置によれば、入力諸元から生成された新たなテンソルXから予測した特徴行列から復元したテンソルYの精度評価をすることにより、三次元における流れ場予測を精度よく迅速に算出できる。
請求項2に記載の情報処理装置は、前記次元圧縮は、三次元のデータを一次元化し、前記欠損値補間は、前記演算結果に存在するデータの欠損部分と、該欠損部分の周辺のデータとが連続的になるように補間する。
請求項2に記載の情報処理装置によれば、次元圧縮により演算負荷を抑制すると共に、データの欠損部分を補間することにより、三次元における流れ場予測を精度よく迅速に算出できる。
請求項3に記載の情報処理装置は、前記テンソルYを前記特徴行列とコアテンソルとに分解する前記テンソル分解において、前記コアテンソルのサイズを、該サイズに応じて大きくなる前記精度評価を示す指数が一定値に収束し始める際のサイズにして得られた前記特徴行列を用いて前記回帰式を導出する。
請求項3に記載の情報処理装置によれば、三次元における流れ場予測を精度よく迅速に算出できるコアテンソルサイズでテンソル分解して得た特徴行列を用いて回帰式を導出する。
請求項4に記載の情報処理方法は、CFDによる流れ場の演算結果を次元圧縮すると共に欠損値補間をしたテンソルYをテンソル分解して得られる特徴行列を、対象物の形状及び寸法の情報を含むテンソルXから導出する回帰式により、入力諸元から生成された新たなテンソルXから流れ場の予測値に係る特徴行列を予測する予測工程と、前記予測した特徴行列で流れ場の予測値を示すテンソルYを復元する復元工程と、前記復元したテンソルYから前記対象物の形状の変化の影響が所定値よりも小さい座標のデータを除外して精度評価をする評価工程と、を含む。
請求項4に記載の情報処理方法によれば、入力諸元から生成された新たなテンソルXから予測した特徴行列から復元したテンソルYの精度評価をすることにより、三次元における流れ場予測を精度よく迅速に算出できる。
請求項5に記載の情報処理プログラムは、コンピュータを、CFDによる流れ場の演算結果を次元圧縮すると共に欠損値補間をしたテンソルYをテンソル分解して得られる特徴行列を、対象物の形状及び寸法の情報を含むテンソルXから導出する回帰式により、入力諸元から生成された新たなテンソルXから流れ場の予測値に係る特徴行列を予測する予測部、前記予測した特徴行列で流れ場の予測値を示すテンソルYを復元する復元部、並びに前記復元したテンソルYから前記対象物の形状の変化の影響が所定値よりも小さい座標のデータを除外して精度評価をする評価部として機能させる。
請求項5に記載の情報処理プログラムによれば、入力諸元から生成された新たなテンソルXから予測した特徴行列から復元したテンソルYの精度評価をすることにより、三次元における流れ場予測を精度よく迅速に算出できる。
以上説明したように、本発明によれば、三次元における流れ場予測を精度よく迅速に算出可能な情報処理装置、情報処理方法、及び情報処理プログラムを提供することができる。
以下、本実施の形態に係る情報処理装置、情報処理方法、及び情報処理プログラムについて説明する。本実施形態に係る情報処理装置は、コンピュータを含んで構成されている。コンピュータは、CPU、ROM、RAM、及び入出力ポートを備える。一例としてコンピュータは、エンジニアリングワークステーション、又はスーパーコンピュータ等の、高度な演算処理を高速で実行できる機種であることが望ましい。しかしながら、後述するように、本実施形態では、CFDによる流れ場の演算結果(以下、「CFD結果」と略記)と車両の設計情報とを教師データとした機械学習後のコンピュータは、入力された対象物の設計情報に係る入力諸元からCFD結果に類する三次元における流れ場予測を行うので、演算処理が極端に高性能な機種を必ずしも要しない。
コンピュータでは、CPU、ROM、RAM、及び入出力ポートがアドレスバス、データバス、及び制御バス等の各種バスを介して互いに接続されている。入出力ポートには、各種の入出力機器として、ディスプレイ、マウス、キーボード、ハードディスク(HDD)、及び各種ディスク(例えば、CD-ROMやDVD等)から情報の読み出しを行うディスクドライブが各々接続されている。
HDDには、三次元における流れ場予測の対象となる車両の3D(三次元)モデルのデータ及びCFD結果等が予め記憶される。HDDへの情報の記憶は、コンピュータや外部のデータサーバによって登録してもよいし、ネットワークに接続された他の機器によって登録するようにしてもよい。HDDに登録される3Dモデルのデータは、一例として、CAD(コンピュータ支援設計)による車両のデータである。
本実施の形態では、コンピュータのHDDに、三次元における流れ場予測の対象となる車両の3Dモデルのデータ、及びCFD結果等が記憶されるものとして説明するが、コンピュータに外付けのハードディスク等の外部記憶装置にかかる情報を記憶するようにしてもよい。以下、本実施形態では、一例として、車両のエンジンルーム内の流れ場予測について説明する。
コンピュータのHDDには、機械学習モデルの学習に係るプログラムと、機械学習モデルの学習後に車体のエンジンルーム内の流れ場を予測する予測プログラムとがインストールされている。本実施の形態では、コンピュータのCPUが機械学習モデルの学習に係るプログラムを実行することにより、予測プログラムが車体のエンジンルーム内の流れ場を予測可能な状態にする。また、CPUは、予測結果をディスプレイ等の出力装置に表示させる。なお、本実施の形態の機械学習モデルの学習に係るプログラム及び予測プログラムをコンピュータにインストールするには、幾つかの方法があるが、例えば、機械学習モデルの学習に係るプログラム及び予測プログラムをセットアッププログラムと共にCD-ROMやDVD等に記憶しておき、コンピュータのディスクドライブにディスクをセットし、CPUに対してセットアッププログラムを実行することによりHDDに機械学習モデルの学習に係るプログラム及び予測プログラムをインストールする。または、公衆電話回線やネットワークを介してコンピュータと接続される他の情報処理機器と通信することで、HDDに機械学習モデルの学習に係るプログラム及び予測プログラムをインストールするようにしてもよい。なお、機械学習モデルの学習に係るプログラム及び予測プログラムが、互いに別個のプログラムではなく、一体のプログラムとして構成されるようにしてもよい。
続いて演算処理装置であるコンピュータのCPUが機械学習モデルの学習に係るプログラムを実行することで実現される各種機能について説明する。機械学習モデルの学習に係るプログラムは、車両等の対象物の形状及び寸法を規定した3DモデルからテンソルXを、CFD結果からテンソルYを各々生成するテンソル生成機能、生成したテンソルYにおける欠損値を補間する等の前処理を行う前処理機能、テンソルYをテンソル分解して特徴行列Uを算出するテンソル分解機能、及びテンソルXと特徴行列Uとの回帰式fを学習する回帰式学習機能を備えている。CPUがこの各機能を有する機械学習モデルの学習に係るプログラムを実行することで、CPUは、テンソル生成部、前処理部、テンソル分解部、及び回帰式学習部として機能する。
学習後のCPUは、新たな車両の3DモデルからテンソルXを生成するテンソル生成機能、回帰式fを用いて特徴行列を予測する予測機能、特徴行列で流れ場予測に係るテンソルYを復元する復元機能、及び復元したテンソルYの精度評価をする評価機能を備えている。CPUがかかる各機能を有する予測プログラムを実行することで、CPUは、テンソル生成部、予測部、復元部、及び評価部として機能する。
図1は、本実施の形態に係る機械学習モデルの学習の処理の一例を示したフローチャートである。図1に示した処理は、コンピュータのCPUによって実行される。
ステップS100では、入力データを演算処理装置に読み込ませて、車両の3DモデルからテンソルXを、CFD結果からテンソルYを各々生成する。例えば、テンソルXは、車両のエンジンルーム内の詳細な形状、及び三次元的寸法(例えば、mm単位)、並びにエンジンルーム内における各機器の発熱量(例えば、J単位)の各々を示した諸元である。
テンソルYは、CFD結果から生成される。例えば、図2(A)に示したような、サンプルi、物理量k、座標(x,y,z)=(x0+p,y0+q,z0+r)となるCFD結果Zik
pqrが存在する場合、下記のような関係を満たす整数p、q、r、P、Q、Rを想定する。
0≦p≦P、0≦q≦Q、0≦r≦R
0≦p≦P、0≦q≦Q、0≦r≦R
下記の式(1)のように、三次元の座標(x,y,z)を一次元化した座標jを定義することにより、CFD結果Zik
pqrを、図2(B)に示したようなテンソルYijkに変換する。
j=p+P*(q-1)+P*Q*(r-1) …(1)
j=p+P*(q-1)+P*Q*(r-1) …(1)
ステップS102では、テンソルYijkの前処理を行う。ステップS102で行う前処理には、スケーリング及び欠損値補間がある。
スケーリングは、下記の式(2)に示したように、Yijkと下記の式(3)で示したYijkの平均値μikとの差を、下記の式(4)で示したYijkの標準偏差σikで除算することにより、サンプル軸での標準化を行うものである。なお、式(3)、(4)中のJは、1つのサンプル内での計算点数であり、座標jで示されるテンソルYijkの座標の総数である。
欠損値補間は、欠損部分が存在するデータについて、欠損部分と当該欠損部分の周辺のデータとが連続的になるようにデータを補間する処理である。図3は、CFDによる車両200のエンジンルーム内の流れ場の一例を示した概略図である。図3に示したように、エアインテーク220からエンジンルーム内に導入された空気は、矢印の方向に流れるが、エンジンルーム内には、エンジン等の機関が存在し、CFDではエンジン該当部210のようなデータの欠損部分として表現される。流れ場では、場に存在するエンジン該当部210のような部分には流体が流れないため、図3に白抜きで示されたような欠損値が生じ得る。後述するように、本実施形態ではステップS104において、テンソル分解によって特徴行列Uを算出するが、テンソル分解は、欠損値があるデータでは計算できないので、欠損値補間を要する。
前述のように、欠損値補間は、欠損部分が存在するデータについて、欠損部分と当該欠損部分の周辺のデータとが連続的になるようにデータを補間する処理である。具体的には、データの空間的な連続性を保てるように、式(5)に示したように、場における各々の座標点のうち、隣り合う座標点の平均値で初期化する。式(5)において、Nijkは、式(5)の右辺のYij-1k、Yij+1k、Yij-Pk、Yij+Pk、Yij-P*Qk、Yij+P*Qkのうち、欠損値でない変数の数である。
上記の式(5)を用いた欠損値補間により、テンソル分解における分解誤差が小さくなるように最適化される。
ステップS102では、スケーリングと欠損値補間とを行うことにより、エンジンルーム内の流れ場解析における復元精度が向上する。ステップS102では、例えば、式(2)を用いたスケーリングを行ってから、式(5)を用いた欠損値補間を行う。かかる場合では、式(5)の右辺のYij-1k、Yij+1k、Yij-Pk、Yij+Pk、Yij-P*Qk、Yij+P*Qkは、式(2)の左辺の値となる。また、式(5)を用いた欠損値補間を行ってから、式(2)を用いたスケーリングを行ってもよい。かかる場合は、式(2)の右辺のYijkは、式(5)の左辺の値となる。
ステップS104では、ステップS102でスケーリング及び欠損値補間を行ったテンソルYijkをテンソル分解して特徴行列Uを算出する。本実施形態では、タッカー分解により、高次なデータであるテンソルYijkを特徴行列UとテンソルYijkよりも低次なコアテンソルとに分解し、得られた特徴行列Uを機械学習における予測対象とする。
サンプル数I、物理量K、座標Jを記したテンソルYijkは、特徴行列Uと、コアテンソルC、V、Wとに分解される。タッカー分解におけるテンソルYijkと特徴行列UとコアテンソルC、V、Wとの関係は、下記の式(6)のようになる。式(6)中のa、b、cの各々は、後述するコアテンソルサイズの大きさに応じた値で、コアテンソルCabcは、a×b×cのテンソルであることを示す。
タッカー分解により高次なデータであるテンソルYijkから、低次なデータである特徴行列Uを抽出して予測対象とすることにより、テンソルYijkのデータの次元を縮約した機械学習が可能となる。
ステップS104におけるテンソル分解では、コアテンソルCのサイズが精度に影響する。図4は、コアテンソルサイズと、復元精度を示す指数である決定係数R2との関係を示した説明図である。図4に示したように、コアテンソルサイズが大きくなると決定係数R2の値も大きくなり、復元精度が向上する。しかしながら、コアテンソルサイズを大きくするとデータの圧縮率が低下するので、演算負荷は増大する。本実施形態では、テンソル分解に先立って、コアテンソルサイズを決定する。図4に示したように、決定係数R2はコアテンソルサイズが大きくなるに従って増加率が低下し、最終的には一定値に収束する。本実施形態では、決定係数R2が一定値に収束し始める際のコアテンソルサイズを採用してテンソル分解を行う。
ステップS106では、テンソルXと特徴行列Uとの回帰式fを学習させて処理を終了する。本実施形態では、一例として、変数xに対する観測値yの相関を考慮する事によって観測値yを補間及び予測する事が可能なガウス過程回帰という手法を利用する。ガウス過程回帰は一般的に変数xと観測値yとの相関をガウス分布によって決定するというもので、離散的な観測値yを確率的に連続的に補間ができるのみならず、予測誤差を算出可能なのが特徴である。
本実施形態では、入力データである変数xを要素とするテンソルXと、予測値である変数yを要素とする特徴行列Uとの回帰式をガウス過程回帰により下記のように構築する。
U=f(X)
U=f(X)
また、再帰的に観測値から予測値を導出する手法として、非線形カルマンフィルタを採用してもよい。
図5は、機械学習後に、入力値から予測値を導出する処理の一例を示したフローチャートである。ステップS200では、車両のエンジンルーム内の詳細な三次元的寸法(例えば、mm単位)、及びエンジンルーム内における各機器の発熱量(例えば、J単位)の各々を示す諸元から生成したテンソルXtestを準備する。
ステップS202では、下記の回帰式fを用いて特徴行列の予測値である行列Upredを算出する。
Upred=f(Xtest)
Upred=f(Xtest)
ステップS204では、下記のように、行列Upredを含む基底行列からテンソルYijkの予測値(上部に^のアクセント付き)を復元する。
ステップS206では、復元したテンソルYijkの予測値の性能評価を行う。本実施形態では、対象物の形状の変化の影響が所定値よりも小さい座標jのデータを除外して算出した決定係数R2を性能評価の指標とする。
図6は、サンプルiに対して変化する特定の座標jについてのテンソルYijkの正規分布の一例を示した概略図である。
本実施形態では、下記の式(7)に示したように、下記の式(9)で示したYijkの標準偏差σjkと、下記の式(8)で示したYijkの平均値μjkとの商が所定の閾値(例えば、0.1)未満となる座標jに係るYijkの要素を除外して決定係数R2を算出する。決定係数R2を算出するには種々の手法が存在するが、一例として、推定値の分散と実測値の分散との商を決定係数R2とする。
決定係数R2を算出した後は、決定係数R2の値が良好な復元したテンソルYijkに基づいてテンソルXtestが示す諸元に対応したエンジンルーム内の流れ場を予測して処理を終了する。
以上説明したように、本実施の形態は、三次元の座標(x,y,z)を一次元化した座標jを定義することにより、CFD結果Zik
pqrをテンソルYijkに変換し、次元圧縮を行う。また、本実施形態では、スケーリング及び欠損値補間により、場の連続性を考慮した欠損値初期化を行い、テンソル分解に際して精度を考慮してコアテンソルサイズ決定することにより、流れ場予測の精度を向上させる。さらに本実施形態では、形状の変化の影響がほとんどない座標jを除外して算出した決定係数R2により、複雑な流れ場における予測精度を評価する性能評価を行うことにより、例えばエンジンルーム内の三次元的な寸法等の諸元からエンジンルーム内の流れ場予測を精度よく迅速に算出できる。
200 車両
210 エンジン該当部
220 エアインテーク
210 エンジン該当部
220 エアインテーク
Claims (5)
- CFDによる流れ場の演算結果を次元圧縮すると共に欠損値補間をしたテンソルYをテンソル分解して得られる特徴行列を、対象物の形状及び寸法の情報を含むテンソルXから導出する回帰式により、入力諸元から生成された新たなテンソルXから流れ場の予測値に係る特徴行列を予測する予測部と、
前記予測した特徴行列で流れ場の予測値を示すテンソルYを復元する復元部と、
前記復元したテンソルYから前記対象物の形状の変化の影響が所定値よりも小さい座標のデータを除外して精度評価をする評価部と、
を含む情報処理装置。 - 前記次元圧縮は、三次元のデータを一次元化し、
前記欠損値補間は、前記演算結果に存在するデータの欠損部分と、該欠損部分の周辺のデータとが連続的になるように補間する請求項1に記載の情報処理装置。 - 前記テンソルYを前記特徴行列とコアテンソルとに分解する前記テンソル分解において、前記コアテンソルのサイズを、該サイズに応じて大きくなる前記精度評価を示す指数が一定値に収束し始める際のサイズにして得られた前記特徴行列を用いて前記回帰式を導出する請求項1又は2に記載の情報処理装置。
- CFDによる流れ場の演算結果を次元圧縮すると共に欠損値補間をしたテンソルYをテンソル分解して得られる特徴行列を、対象物の形状及び寸法の情報を含むテンソルXから導出する回帰式により、入力諸元から生成された新たなテンソルXから流れ場の予測値に係る特徴行列を予測する予測工程と、
前記予測した特徴行列で流れ場の予測値を示すテンソルYを復元する復元工程と、
前記復元したテンソルYから前記対象物の形状の変化の影響が所定値よりも小さい座標のデータを除外して精度評価をする評価工程と、
を含む情報処理方法。 - コンピュータを、
CFDによる流れ場の演算結果を次元圧縮すると共に欠損値補間をしたテンソルYをテンソル分解して得られる特徴行列を、対象物の形状及び寸法の情報を含むテンソルXから導出する回帰式により、入力諸元から生成された新たなテンソルXから流れ場の予測値に係る特徴行列を予測する予測部、前記予測した特徴行列で流れ場の予測値を示すテンソルYを復元する復元部、並びに前記復元したテンソルYから前記対象物の形状の変化の影響が所定値よりも小さい座標のデータを除外して精度評価をする評価部として機能させる情報処理プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022160458A JP2024053929A (ja) | 2022-10-04 | 2022-10-04 | 情報処理装置、情報処理方法、及び情報処理プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022160458A JP2024053929A (ja) | 2022-10-04 | 2022-10-04 | 情報処理装置、情報処理方法、及び情報処理プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2024053929A true JP2024053929A (ja) | 2024-04-16 |
Family
ID=90670663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022160458A Pending JP2024053929A (ja) | 2022-10-04 | 2022-10-04 | 情報処理装置、情報処理方法、及び情報処理プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2024053929A (ja) |
-
2022
- 2022-10-04 JP JP2022160458A patent/JP2024053929A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7930153B2 (en) | Adaptive look up table: a graphical simulation component for recursively updating numeric data storage in table form | |
Wikle | Modern perspectives on statistics for spatio‐temporal data | |
JP2011222017A (ja) | 技術設計最適化における最も影響力のある設計変数の識別方法 | |
JP6516081B1 (ja) | シミュレーション方法、mbdプログラムによるシミュレーション方法、数値解析装置、mbd用数値解析システム、数値解析プログラムおよびmbdプログラム | |
CN111783238B (zh) | 涡轮轴结构可靠性分析方法、分析装置及可读存储介质 | |
JP4852420B2 (ja) | 成型技術における工具およびプロセスの設計 | |
US8346584B2 (en) | Method and apparatus for determining design modification effects on a computerized engineering model | |
JP6647992B2 (ja) | 設計支援装置 | |
JP2017502390A (ja) | データに基づく関数モデルを定めるための方法及び装置 | |
WO2021039545A1 (ja) | 異常検知装置、異常検知方法、及びプログラム | |
JP7073656B2 (ja) | 設計情報処理装置およびプログラム | |
JP2024053929A (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
Fischbach et al. | From real world data to test functions | |
Will et al. | Metamodell of optimized prognosis (MoP)-an automatic approach for user friendly parameter optimization | |
JP6065543B2 (ja) | ニューラルネットワーク設計方法、フィッティング方法、及びプログラム | |
CN111247522A (zh) | 模拟方法、基于mbd程序的模拟方法、数值解析装置、mbd用数值解析系统、数值解析程序及mbd程序 | |
KR101807585B1 (ko) | 유한요소 해석을 이용한 설계 자동화 장치 및 방법 | |
JP2022148420A (ja) | 予測モデルの学習方法、予測モデル及び学習装置 | |
CN113887121A (zh) | 多性能最优化设计装置、以及多性能最优化设计方法 | |
JP2006268422A (ja) | 解析ナビゲーションシステム | |
Banks et al. | Quantitative validation of physically based deformable models in computer graphics | |
JP7372883B2 (ja) | 応力推定システム | |
WO2023181322A1 (ja) | モデル分析装置、モデル分析方法、及び、記録媒体 | |
CN117952323B (zh) | 一种基于数字孪生的产品创建系统、方法、设备及介质 | |
CN116663338B (zh) | 一种基于相似算例的仿真分析方法、装置、设备及介质 |