Программная платформа
Инженерная платформа ИИ
УМКАсинтекс — это программная платформа для работы с ИИ, включающая два основных раздела: «Использование моделей» и «Лаборатория ИИ». Эти разделы обеспечивают ключевые функции разработки и применения различных типов ИИ-решений, включая аналитические, прогнозные, генеративные и другие модели.
Применение обученных моделей по заданным параметрам: ввод данных, запуск расчётов и анализ результатов.
Раздел предназначен для работы с готовыми ИИ-моделями: выбор модели, задание входных параметров, запуск вычислений и интерпретация результатов без программирования.
Поддерживаются аналитические, прогнозные и другие типы моделей — от оценки вклада факторов до инженерных расчётов на накопленных данных.
Применение обученных моделей по заданным параметрам: ввод данных, запуск расчётов и анализ результатов.
Раздел предназначен для работы с готовыми ИИ-моделями: выбор модели, задание входных параметров, запуск вычислений и интерпретация результатов без программирования.
Поддерживаются аналитические, прогнозные и другие типы моделей — от оценки вклада факторов до инженерных расчётов на накопленных данных.
Хранение и управление датасетами, подготовка и обучение моделей под конкретные задачи.
«Лаборатория ИИ» объединяет работу с данными и создание моделей: импорт и структурирование датасетов, контроль качества данных и обучение под задачи предприятия.
Два основных раздела платформы — «Использование моделей» и «Лаборатория ИИ» — закрывают полный цикл от подготовки данных до применения ИИ в инженерии.
Хранение и управление датасетами, подготовка и обучение моделей под конкретные задачи.
«Лаборатория ИИ» объединяет работу с данными и создание моделей: импорт и структурирование датасетов, контроль качества данных и обучение под задачи предприятия.
Два основных раздела платформы — «Использование моделей» и «Лаборатория ИИ» — закрывают полный цикл от подготовки данных до применения ИИ в инженерии.
Хранение, импорт и управление наборами данных для обучения моделей.
Подвкладка «Датасеты» в «Лаборатории ИИ» реализует централизованное хранение данных: загрузка, удаление, просмотр и подготовка выборок для последующего обучения.
Данные формируют основу для ML/DL-моделей — от испытаний МЦУ до результатов CAE-расчётов.
Хранение, импорт и управление наборами данных для обучения моделей.
Подвкладка «Датасеты» в «Лаборатории ИИ» реализует централизованное хранение данных: загрузка, удаление, просмотр и подготовка выборок для последующего обучения.
Данные формируют основу для ML/DL-моделей — от испытаний МЦУ до результатов CAE-расчётов.
Подготовка и обучение ИИ-моделей под конкретные инженерные задачи.
Подвкладка «Обучение» в «Лаборатории ИИ»: выбор датасета, параметров X и Y, название и тип модели, запуск и остановка обучения — без глубокой программной подготовки.
В интерфейсе отображаются метрики RMSE и MAE, кривые train/validation и отчёт с лучшими гиперпараметрами. Это сокращает внедрение ML в инженерные процессы и связывает подготовку данных с применением моделей в расчётах.
Подготовка и обучение ИИ-моделей под конкретные инженерные задачи.
Подвкладка «Обучение» в «Лаборатории ИИ»: выбор датасета, параметров X и Y, название и тип модели, запуск и остановка обучения — без глубокой программной подготовки.
В интерфейсе отображаются метрики RMSE и MAE, кривые train/validation и отчёт с лучшими гиперпараметрами. Это сокращает внедрение ML в инженерные процессы и связывает подготовку данных с применением моделей в расчётах.
На платформе реализованы прикладные сценарии — от прогнозирования ресурса по данным МЦУ до генеративного проектирования геометрии и передачи результатов в CAE-системы.
Цель — определить, какие входные параметры вносят наибольший вклад в увеличение или уменьшение количества циклов нагружения, которые может выдержать конструкция.
Проводится обучение модели ML/DL на основе данных испытаний МЦУ, которые подгружаются в качестве датасетов в «Лаборатории ИИ» и применяются в разделе «Использование моделей».
Цель — определить, какие входные параметры вносят наибольший вклад в увеличение или уменьшение количества циклов нагружения, которые может выдержать конструкция.
Проводится обучение модели ML/DL на основе данных испытаний МЦУ, которые подгружаются в качестве датасетов в «Лаборатории ИИ» и применяются в разделе «Использование моделей».
Использование обученной модели позволяет оценить вклад каждого входного параметра — например, температуры и других факторов — на количество циклов до появления трещины.
Результаты представляются в виде аналитики по каждому целевому параметру, включая итоговую матрицу процентного вклада. Это даёт инженеру обоснованную интерпретацию влияния факторов и опору для выводов.
Использование обученной модели позволяет оценить вклад каждого входного параметра — например, температуры и других факторов — на количество циклов до появления трещины.
Результаты представляются в виде аналитики по каждому целевому параметру, включая итоговую матрицу процентного вклада. Это даёт инженеру обоснованную интерпретацию влияния факторов и опору для выводов.
Для разработки 3D-геометрии, удовлетворяющей инженерным требованиям, вместо традиционного CAD используется инструмент на базе инвертируемых нейронных сетей (INN). Подход обеспечивает взаимно-однозначное отображение между геометрией и характеристиками и позволяет генерировать допустимые геометрические решения по заданным требованиям.
Данный подход является генеративным инжинирингом.
Для разработки 3D-геометрии, удовлетворяющей инженерным требованиям, вместо традиционного CAD используется инструмент на базе инвертируемых нейронных сетей (INN). Подход обеспечивает взаимно-однозначное отображение между геометрией и характеристиками и позволяет генерировать допустимые геометрические решения по заданным требованиям.
Данный подход является генеративным инжинирингом.
Использование моделей позволяет быстро получать необходимые геометрические параметры для выполнения заданных инженерами требований к конструкции.
Полученные данные можно сохранить в формате Excel или напрямую передать в Ansys для дальнейшего анализа и визуализации.
Использование моделей позволяет быстро получать необходимые геометрические параметры для выполнения заданных инженерами требований к конструкции.
Полученные данные можно сохранить в формате Excel или напрямую передать в Ansys для дальнейшего анализа и визуализации.
Система может функционировать полностью в закрытом контуре без необходимости подключения к сети Интернет, что обеспечивает высокий уровень информационной безопасности и позволяет использовать решение на предприятиях с повышенными требованиями к защите данных и ограничениями по внешним коммуникациям.
Реализован механизм сохранения и структурированного хранения данных во встроенной базе данных. Это обеспечивает централизованное накопление результатов, удобство последующего анализа, формирование обучающих выборок и сохранение истории проведённых исследований и расчётов.
Система обеспечивает комплексный анализ исходных данных перед обучением моделей, включая выявление пропусков, выбросов, аномалий, просадок сигналов и оценку весовых коэффициентов параметров. Реализованы инструменты контроля качества данных, позволяющие оценить их полноту, достоверность и применимость для последующего обучения моделей машинного обучения.
Реализован интуитивно понятный пользовательский интерфейс, позволяющий самостоятельно выбирать тип модели, задавать параметры обучения и запускать процесс обучения без необходимости глубокой программной подготовки. Это существенно сокращает время внедрения ML-инструментов в инженерные процессы и повышает удобство работы пользователей.
В системе реализована и успешно апробирована связка CAD – CAE – ML, обеспечивающая обучение моделей на результатах численного моделирования ANSYS с использованием INN-моделей. Такой подход позволяет автоматически генерировать варианты геометрии, изначально удовлетворяющие требованиям по прочности и эксплуатационным характеристикам. На текущем этапе обработка геометрии осуществляется в среде ANSYS SpaceClaim, при этом архитектура решения предусматривает возможность интеграции с параметризованными CAD-системами.
Система позволяет формировать цифровые зависимости между свойствами материалов, параметрами аддитивного производства и механическими характеристиками готового изделия. На основании накопленных данных система способна выдавать рекомендации по корректировке режимов печати для повышения качества продукции, снижения дефектности и обеспечения требуемых эксплуатационных свойств.
Реализованы инструменты анализа влияния воздействующих факторов на ресурс конструкции при малоцикловом (МЦУ) и многоцикловом (МнЦУ) нагружении. Это позволяет выявлять наиболее критичные параметры эксплуатации, прогнозировать снижение ресурса изделий и формировать рекомендации по повышению их надёжности и долговечности.
Оставьте заявку — мы свяжемся с вами и согласуем формат пилотного тестирования под ваши задачи и инфраструктуру.
Направить запрос на тестирование ПОзаинтересовал ИИ УМКАсинтекс?