Preparation for creating ml model
•
0 gefällt mir•413 views
A method of exploring the behavior of the initial model through DoE and obtaining key data to create a machine learning model to replace the physical model.
Empfohlen
Weitere ähnliche Inhalte
Ähnlich wie Preparation for creating ml model
Ähnlich wie Preparation for creating ml model (20)
Preparation for creating ml model
- 1. EXPLORE AND OPTIMIZE YOUR DESIGNS 물리적 계산 횟수 감소 및 정확도 향상 feat.
- 2. 목차 ▪ 실험계획법 활용 개념 ▪ 실험계획법 활용 범위 ▪ 실험계획법 유용성 ▪ 실험계획법 기술 적용 ▪ 머신 러닝 적용: Adaptive Design ▪ Concept 단계 적용 사례: 파생형 항공기 최적화 ▪ Design 단계 적용 사례: 스팀 터빈 가스 경로 최적화 ▪ Production 단계 적용 사례: 인발성형 공정 최적화 2 Explore
- 3. 3 다양한 소프트웨어 및 In-house 툴 통합 운영 *참고 자료: ‘pSeven_소개자료_다수의_공학툴_사용자_라온엑스솔루션즈.pptx’ 물리적 계산 감소 및 정확도 향상을 위한 실험계획법 (Design of Experiments) *Design Space Exploration (DSE) block 기능 실험계획법 (Design of Experiments) 활용 개념 물리적 계산 감소 및 정확도 향상을 위한 workflow
- 4. 실험계획법 (Design of Experiments) 활용 범위 일반적 실험계획법 4 Adaptive Design RSM 생성 민감도 분석 Full factorial LHS Random… Uniform Explore Contour Optimal design Box-Behnken Parametric study Orthogonal array
- 5. 실험계획법 (Design of Experiments) 유용성 5 Concept Design Production ▪ 잠재적 특성 발굴 ▪ 초기 개념 설정의 확장 ▪ 제품 설계 향상 ▪ 제품 설계 주기 감소 ▪ 반복 설계 횟수 감소 ▪ 제품별 설계 절차 다변화 ▪ 설계변경으로 인한 생산 라인 중단 최소화 ▪ 제품 성능 및 품질 향상 ▪ 예산 관리의 명확성 증대 제품 개발 전 과정의 지적 자산 (데이터) 관리 및 활용성 극대화
- 6. 실험계획법 활용 범위 따른 다양한 테크닉 6 ▪ Adaptive: ▪ Uniform ▪ Maximum Variance ▪ Integrated Mean Square Error Gain ▪ Adaptive Design - unleashes the full potential of DoE studies! SmartSelection chooses the DoE technique automatically! 실험계획법 (Design of Experiments) 기술 적용 테크닉 선정의 어려움 해결 방법, SmartSelection! 활용 범위에 따른 최적의 실험계획법 테크닉 자동 선택! ▪ Sequential: ▪ Random Sampling ▪ Halton Sequence ▪ Sobol Sequence ▪ Faure Sequence ▪ Batch: ▪ Latin Hypercube ▪ Optimized Latin Hypercube ▪ Full Factorial ▪ Fractional Factorial ▪ Parametric Study ▪ Orthogonal Array ▪ Box-Behnken Design ▪ D-Optimality, I-Optimality
- 7. 7 머신 러닝 적용: Adaptive Design ▪ Adaptive ▪ 초기 데이터 부족 시 활용 가능 ▪ Feasible 도메인 내 주요 데이터 탐색 ▪ 초기 학습 모델의 정확성 향상 ▪ Contour ▪ 특정 영역에 대한 샘플 생성 ▪ Evaluation ▪ 일반적 DoE 옵션 ▪ Feasible 도메인에 균일 샘플 생성 데이터 학습을 통한 실험계획법의 활용 주요 관심 영역
- 8. 8 Objective: ▪ 파생형 항공기 개념 설계 ▪ 다분야 최적화 ▪ 초기 형상의 변형 최소화 ▪ 개발 단계별 비용 최소화 Results: ▪ 파생항공기의 성능 약 5% 향상 ▪ 설계 시간 약 20% 감소 ▪ 기존 개발 프로세스로의 한계 확인 “pSeven Core* helps Airbus to perform its trade-off studies more efficiently across all development phases and to find more opportunities in the design of the future aircraft”, - Charles Champion, Executive Vice President Engineering * formerly known as MACROS (pSeven Core) Concept 단계 적용 사례: 파생형 항공기 최적화
- 9. 9 Design 단계 적용 사례: 스팀 터빈 가스 경로 최적화 Objective: ▪ 형상 및 기계적 응력 제약에 따른 고압 실린더 (HPC), 중압 실린더 (IPC) 01 및 02 의 효율 최대화 Problem: ▪ HPC – 9 단계 (69 parameters) ▪ IPC-1 – 10 단계 (90 parameters) ▪ IPC-2 – 6 단계 (72 parameters) ▪ HPC 클러스터 환경에서 ANSYS CFX 를 이용한 시뮬레이션 Solution: ▪ pSeven 의 local gradient 최적화 알고리즘 사용 Results: ▪ 작동 환경 및 형상 (rotor 및 stator blade) 최적화 ▪ 수용량 약 3 ~ 6% 향상 ▪ 효율 약 2 ~ 4% 향상
- 10. 10 Production 단계 적용 사례: 인발성형 공정 최적화 Objective: ▪ 전체 공정의 민감도 분석 ▪ 공정 당김 속도 최대화 ▪ 당김에 의한 제품 형상 변경 최소화 Challenges: ▪ 복합재의 열전달, 화학적 반응 및 에너지 방출 등 복합적 반응 고려 Solution: ▪ 상 변화에 대한 시뮬레이션 ▪ 물리 모델의 거동 및 민감도 분석을 위한 DoE ▪ 다목적 최적화 알고리즘 Results: ▪ 약 80회의 평가만으로 주요 공정 파라미터 선정 ▪ 형상 변경 최소화를 만족하면서 당김 속도 약 18% 증가
- 11. raonx.com support@raonx.com 3 Soetgol-ro, 17 beon-gil, Bundang-gu Seongnam-si, Gyeonggi-do Korea (13551) 경기도 성남시 분당구 쇳골로 17번길 3 (13551) 라온엑스 솔루션스(주)