Novinky
Jak zrychlit simulace bez ztráty přesnosti: Neural Network Builder v Simcenter Amesim
Moderní technické systémy jsou stále komplexnější – propojují mechaniku, hydrauliku, termiku, elektrické pohony i řídicí software. Přesné simulační modely dnes dokážeme vytvořit, ale často narážíme na jejich výpočetní náročnost a omezené možnosti nasazení v reálném čase.
Ve společnosti TechSim se dlouhodobě zaměřujeme na to, aby simulační modely byly nejen přesné, ale také prakticky použitelné pro vývoj, optimalizaci i řízení. Jednou z klíčových technologií, které v této oblasti využíváme, je Neural Network Builder v Simcenter Amesim – nástroj Siemens pro tvorbu tzv. Reduced Order Models (ROM) založených na neuronových sítích.
.png)
Kdy už detailní model brzdí vývoj
Z našich projektů v automotive, energetice i strojírenství víme, že inženýři nejčastěji narážejí na tyto problémy:
- simulace trvají minuty až hodiny,
- optimalizační úlohy vyžadují tisíce běhů,
- model nelze použít pro HIL / SIL testování,
- není možné běžet v reálném čase s pevným krokem,
- zákazník potřebuje model, ale nechce sdílet detailní know‑how.
Právě zde dává Reduced Order Modeling pomocí neuronových sítí největší smysl.
Reduced Order Model: stejná fyzika, jiná forma
Reduced Order Model (ROM) je zjednodušený model, který:
- zachovává klíčové chování původního systému,
- je řádově rychlejší než detailní fyzikální model,
- je vhodný pro real‑time aplikace, optimalizace i řídicí algoritmy.
Simcenter Amesim nabízí několik metod ROM, přičemž neuronové sítě jsou ideální zejména pro:
- silně nelineární systémy,
- systémy s vysokými frekvencemi,
- aplikace, kde je důležitá rychlost a robustnost.
Díky Neural Network Builderu lze celý proces zvládnout bez znalostí strojového učení – což je zásadní přínos
pro běžné vývojové týmy.
Neural Network Builder v Simcenter Amesim: AI bez složitostí
Neural Network Builder je integrovaný nástroj Simcenter Amesim (od verze 2019.2), který umožňuje:
- generovat trénovací data ze simulací nebo měření,
- snadno vybrat vstupy a výstupy modelu,
- použít předpřipravené šablony neuronových sítí,
- automaticky škálovat data a ladit učení,
- vyhodnotit přesnost a model jedním klikem nasadit.
TechSim tuto technologii využívá jak při řešení zákaznických projektů, tak při tvorbě digitálních prototypů a virtuálních senzorů.
Od statiky po dynamiku: řešení i pro složité děje
Neural Network Builder podporuje více typů sítí:
- statické (Dense) – např. mapování účinností,
- dynamické (RNN) – systémy se závislostí na čase,
- GRU / LSTM – pokročilé dynamické modely s pamětí.
Díky tomu jsme schopni v rámci projektů TechSim řešit například:
- klimatizační a chladicí okruhy,
- dynamiku vozidel a podvozků,
- tlakové a regulační ventily,
- tepelně‑elektrické chování výkonových elektronických prvků.
Konkrétní přínosy z reálných aplikací
Zkušenosti ze Simcenter Amesim ukazují, že použití neuronových sítí přináší:
- zrychlení simulací o desítky až tisíce krát,
- zachování přesnosti běžně nad 98–99 %,
- možnost běhu na real‑time targetech,
- export modelů jako FMU 2.0 nebo Amesim submodel.
To výrazně zjednodušuje:
- návrh a ladění regulátorů,
- HIL testování,
- vývoj digitálních dvojčat,
- sdílení modelů bez odhalení detailní fyziky.
Proč tuto technologii využít s TechSimem
TechSim není jen dodavatelem softwaru. Naším cílem je pomoci zákazníkům zvolit správnou úroveň modelu pro daný úkol.
Díky zkušenostem s:
- Simcenter Amesim,
- Reduced Order Modeling,
- integrací FMU a real‑time řešení,
dokážeme:
- rozhodnout, kde má ROM skutečnou přidanou hodnotu,
- navrhnout strukturu trénovacích simulací,
- ověřit přesnost a limity zjednodušeného modelu,
- pomoci s nasazením do vývoje i provozu.
Shrnutí
Neuronové sítě v Simcenter Amesim nejsou experimentální technologií.
Jsou to praktické nástroje, které TechSim využívá k tomu, aby:
- zrychlil vývoj,
- snížil náklady na simulace,
- umožnil realizaci real‑time aplikací,
- a přenesl simulační know‑how blíže k řízení a provozu.
Pokud přemýšlíte, jak ze svých simulačních modelů dostat více, ozvěte se nám v TechSimu. Rádi s vámi projdeme konkrétní případ a navrhneme optimální řešení.
