Jump to content
Sign in to follow this  
アルテア福岡

機械学習の素人が機械学習を使って変形モードを限定した最適化を実施してみたというお話です

Recommended Posts

図などは省いています。全文はログイン後 pdf を取得してください。こちらはアルテア公式ブログに掲載される前のプリ掲載です。

 

RADIOSS + Knowledge Studio + HyperStudy 連携解析実例集

機械学習で変形モードを限定した上で最適化を実施してみよう

アルテアエンジニアリング株式会社 福岡展行著

課題

今回は矩形ビームを押しつぶす解析を行います。この矩形ビームがエネルギ吸収材だとすると、一般的には荷重やエネルギ吸収量を用いて最適化を計ると思います。しかし、過去の経験から、ある変形モードで壊れると部品を回収しやすい、とか、ある変形モードだと回りの部品を傷つけないから補修しやすい、とか、ある変形モードだと人がいない方向に飛び出すので事故が広がりにくい、そういった理由で、ある変形モードに絞った上で、最適化をしたい場合、どうしたらよいでしょうか?変形モードは、人が目で見るとすぐに違いがわかるのですが、最大変形量とかそういった数値では表現することが困難です。

image.png.c7bd8ab134c898f0d46aaef255207edb.png

 

ここで活躍するのが機械学習です。機械学習は人間の勘や経験を数値化するのが得意です。今回は、変形モードを機械学習で分類して、最適化である特定の変形モードが出るように制御してみたいと思います。

今回、矩形ビームを押しつぶす解析は RADIOSS、最適化は HyperStudy、機械学習は Knowledge Studio が担当し、それぞれが連成したシミュレーションを行います。

また、私自身、機械学習の素人で、ディープラーニングと AI の違いとか分かりません。しかし機械学習の素人でもアイデアさえあれば機械学習はすぐにでも活用できるんだ、というところをお伝えしたいと思います。

たくさん試験して Knowledge Works でクラスタリングする

形状と板厚の異なる矩形ビームを HyperStudy 100 個用意して、衝突解析を行いました。100 通りあれば 100通りの変形モードがあります。(すみません、紙面の都合で 20個だけ載せます)

image.png.f19a274fc24b41424c1500d63c9b7a21.png

 

 

これらを弊社の Knowledge Studio のエキスパートに頼んで、クラスタリングしてもらいました。良く知りませんが、クラスタリングというのは分類することです。しかも人間による教育が不要、つまり、いちいちこのモードはパターンA だよ、こっちはパターン B だよと教え込まなくても、なんとなくコンピュータが分類してくれるというとても使いやすい分類方法です。

 

K-Means 法(が何かは知りません。そのあたりは弊社の Knowledge Studio のエキスパートが何とかします)のクラスタリングで、こんな風に 4 つのクラスタに分類されました。確かに先ほどの 20 個の変形パターンは、この 4 つのどれかに分類できそうな感じがします。

image.png.02707922ce24e94515b1558f6b13ade3.png

 

さてクラスタリングはできましたが、最適化で利用することを考えると、最適計算中に出てくる変形モードが、何番のクラスタに所属するのかを、数値で出力してくれなくてはなりません。そんなことできるのかなーと不安だったのですが、先ほどの Knowledge Studio のエキスパートに頼んだところ、すぐに準備してくれました。どうやら、先ほど使った 100個のモデルからなる学習データと、新しいデータを比較して、所属するクラスタ番号を返してくれるもののようです。実際の仕組みは分かりませんが、その辺も弊社のエキスパートが何とかするから大丈夫です。Knowledge Studio はもともと GUI の中だけでなく、コマンドラインで使えるように設計されているようです。HyperStudy との相性は良さそうです。

 

クラスタ 1番を目指しながら最適化する

ここまでで、人が見た目で判断する変形モードを、クラスタ番号という数値で評価する下準備が整いました。次は最適化 HyperStudy の出番です。

板厚や形状を変数として、

 

 

クラスタ1 番にこだわりながら、やさしくぶつかりながらも(最大荷重を最小化)、しっかりと衝撃を吸収する (エネルギ吸収を最大化) ことを目指します。

 

 

荷重最大値とエネルギ吸収量は下図のように履歴プロットから取得しています。

 

 

最適化の全計算結果が下図です。どうやら最大荷重が低いのにエネルギ吸収が大きいというのは難しいようですね。また 1番以外のクラスタも、最適化計算中に多少混じるようです。

 

 

ソフト名に Study が付いている通り、下図のような分析もできます。今回は、エネルギを大きくして荷重を小さくできる魔法のような変数は無かったようです。また、エネルギ、荷重特性を変えると変形モード (クラスタ番号) にも影響が出やすい変数や、影響が出にくい変数などを知ることができます。

image.png.f22b728eb6b9c885864fa8770020fbdd.png

 

ここから限界性能を示すパレート図にしてみます。もちろんクラスタは 1 番のみが対象です。矢印の結果をのぞいてみましょう。本当にクラスタ 1 番の変形モードになっているでしょうか?

image.png.69d672ab431d69c0bcd3b3982ff03a63.png

 

いかがでしょうか?私の目には迷うことなく 1番のモードに見えます。

image.png.3bf4fa22730895013dc38996fc600da2.png

1D モデルで設計しよう

せっかく多くの計算を行ったので、エクセルで動く 1D モデルを HyperStudy に作成させてみます。エクセル上で変数を変更するだけで、簡単に特性を予想できます。

image.png.94a64e91f713eb089d8d979290ca7285.png

 

まとめ

いかがでしたか?人間が見た目で判断するしかできないような事象でも、クラスタリングを使ってうまく数値化し、最適化に掛けられるというところを示せたと思います。また、使う側としては、機械学習のことを理解する必要はなく、使い方のアイデアさえあればよい、というところも示せたと思います。

 

似たようなことを行いたい方は

現在、こちらの機械学習を用いた最適化は、コンサルタント業務としてのみ提供しています。行ってみたい方は担当営業までご連絡ください。

 

機械学習で変形モード縛りの最適化をする話.pdf

 

Share this post


Link to post
Share on other sites

Join the conversation

You can post now and register later. If you have an account, sign in now to post with your account.

Guest
You are posting as a guest. If you have an account, please sign in.
Reply to this topic...

×   Pasted as rich text.   Paste as plain text instead

  Only 75 emoji are allowed.

×   Your link has been automatically embedded.   Display as a link instead

×   Your previous content has been restored.   Clear editor

×   You cannot paste images directly. Upload or insert images from URL.

Sign in to follow this  

×
×
  • Create New...