利用机器学习助力发动机舱电磁场强仿真，实现快速预测

当前行业面临的难题？

在使用 Altair Feko 进行空间场强计算时，每次查询新坐标点的场强幅值都需要重新进行计算，这不仅耗时（约 20-30 分钟），而且还需要考虑高级算力的排队时间。这种效率瓶颈严重限制了快速决策和实时分析的可能性，特别是在需要频繁查询或优化场强分布的场景中。

主要看点

Altair 解决方案：

为解决场强幅值计算耗时问题，我们采用 Altair RapidMiner 构建预测模型。该模型基于 Feko 的空间场数据，能迅速预测不同频率下任意坐标点的场强幅值。

实现步骤包括：

• 导入并预处理数据

• 选择合适的机器学习算法训练模型

• 优化模型性能，并最终实现实时预测。构建整个流程时间需要 10 分钟，但可复用流程，新的空间场内的预测只需要在流程中替换数据运行即可。

优点：

采用 RapidMiner 预测模型后，收益显著。输入任意点的 XYZ 坐标，3 秒内即可预测出不同频率下的场强曲线，效率大幅提升；

减少重复计算，节省算力成本，实时数据支持快速决策。

Altair 解决方案如何实现？

案例技术路线图

基于 Monarch DPS 的数据准备

基于 Monarch 对于 Feko 提供的数据，提取 X、Y、Z 和 Frequency 等我们需要的数据进行数据准备。

数据准备

基于 RapidMiner 的数据建模

为了验证模型的预测能力，我们首先将我们的数据拆成了两份，根据 X、Y、Z 的数据每隔 3 个坐标点取 1 得到了大概 289,952 条数据，剩下 579,904 条数据供我们验证当前场强的分布。

289,952 数据集进行建模

579,904 条数据验证我们方案的可行性

实现过程：模型训练

实现过程：模型检验

实现结果

实验证明，基于 RapidMiner 通过对于空间点上的场强进行建模，我们可以实现对于空间上任一一点的场强预测。

如果用 Feko 存了 STR 文件，不算使用高算排队的时间，大概算一次十几二十分钟，如果基于 RapidMiner 的模型，只需要输入坐标点，3 秒内就能得到结果。

不同 HZ 下预测和实际值的拟合曲线

为了与全球优秀工程师共同探索人工智能（AI）在工业发展中的变革力量，2024 年 6 月 20 日，Altair 将于线上举办面向广大工程师的全球线上会议“AI for Engineers”。会议将邀请全球知名设计、仿真和制造领域的专家与权威学者，共同探讨生成式人工智能(GenAI) 如何助力产品设计研发，议题涵盖：

• AI 驱动设计创新：探索 AI 如何实现设计探索自动化、提高产品性能并促进可持续发展。

• AI 助力仿真发展：探索如何将 AI 集成到仿真工具中，以实现更快、更准确的预测和虚拟原型设计。

• AI 推动智能智造：了解 AI 如何在智能制造环境中优化生产流程、减少浪费并确保质量控制。

*大会将在多个不同的时区同步进行线上直播。届时线上将免费提供中文、日语、韩语、葡萄牙语和西班牙语等多国语言同声翻译。

点击即可免费报名

温馨提示：因服务器地域问题，报名后需等待 5 秒，请耐心等待自动跳转至报名页哦~