Gracias a HyperWorks shapeAI, es posible automatizar el reconocimiento de patrones y formas dentro de un modelo, de modo que el usuario puede seleccionar todas las formas similares y editarlas al mismo tiempo. Utiliza la agrupación en clústeres para agrupar las piezas, lo cual permite al usuario modelar un pequeño número de grupos en lugar de una gran cantidad de piezas individuales.

shapeAI contiene una función de extracción automática de características para la geometría especificada sin necesidad de intervenir ni de introducir ningún dato adicional. Al combinar estas características con algoritmos de machine learning en las herramientas correspondientes de HyperWorks, todos los usuarios tienen a su alcance el poder del machine learning geométrico. shapeAI puede utilizarse para organizar los componentes de modelos complejos por similitud geométrica, de modo que las modificaciones de una parte puedan sincronizarse con todos ellos.

Los modelos de orden reducido (ROM) son útiles para incorporar la simulación 3D detallada en un entorno 1D más computacionalmente eficiente para realizar estudios a nivel de sistema. Las herramientas de simulación como Altair® EDEM™ o Altair CFD™ permiten realizar investigaciones detalladas de sistemas no lineales que varían en el tiempo, pero, debido a las largas ejecuciones de simulación, el análisis se suele centrar en un componente o subsistema. Sin embargo, en caso de simulación de un sistema completo, a menudo basta con reducir el comportamiento de los componentes a su interacción con el sistema completo, lo que mejora el tiempo de ejecución del solver sin dejar de proporcionar resultados suficientemente precisos.

Al aprovechar la herramienta de inteligencia artificial romAI de Altair, las simulaciones 3D se pueden utilizar como datos de entrenamiento para generar ROM dinámicos. Solo se necesitan unas pocas ejecuciones de simulación 3D, ya que con este método se necesitan menos datos de entrenamiento que con los métodos tradicionales basados en datos. romAI puede trabajar con cualquier solver y produce resultados muy precisos cuando opera dentro del espacio de entrenamiento e incluso es estable y útil para la extrapolación fuera del espacio. También se puede utilizar la misma técnica de machine learning para la identificación del sistema cuando se parte de datos de prueba.

Los gemelos digitales ayudan a las empresas a optimizar el rendimiento de los productos, a visualizar mejor la vida útil de un producto y a saber cuándo y dónde realizar el mantenimiento predictivo y entender cómo prolongar la vida útil restante de un producto. La plataforma de integración de gemelos digitales de Altair combina gemelos basados en datos y en la física para contribuir a la optimización a lo largo del ciclo de vida del producto. Adoptamos un enfoque integral, abierto y flexible que te permitirá materializar tu visión de transformación digital como desees.

El gemelo digital basado en la física e impulsado por la simulación se sirve de interfaces normalizadas e independientes de las herramientas, como Functional Mock-up Interface (FMI), métodos de co-simulación con herramientas CAE 3D basadas en la geometría y enfoques de modelado de orden reducido para obtener modelos de baja fidelidad a partir de simulaciones detalladas. El gemelo basado en datos utiliza algoritmos de machine learning y ciencia de datos para optimizar el rendimiento del producto. Observar el problema bajo este prisma te permite obtener información rápida y en tiempo real del estado del producto para hacer los ajustes operativos oportunos y mejorar la vida del producto evitando fallos.