ماشین لرنینگ (بهینه سازی)

سفارش پروژه

پروژه خود را به تیم مهندسی شبیه سازی انسیس فلوئنت سفارش دهید. کارشناسان ما آماده انجام هر پروژه CFD در تمام زمینه های مهندسی مرتبط هستند. خدمات ما شامل اهداف صنعتی و آکادمیک با در نظر گرفتن طیف گسترده ای از شبیه سازی های CFD نرم افزار ANSYS Fluent است. با سفارش پروژه خود، می توانید از خدمات اولیه انسیس فلوئنت از جمله مشاوره ، آموزش و شبیه سازی CFD بهره مند شوید. فرآیند فریلنسینگ پروژه به شرح زیر است:

1

یک قرارداد رسمی بر اساس توضیحات و جزئیات پروژه شما تنظیم می شود.

2

پس از شروع، برای بررسی پروژه دسترسی لازم را خواهید داشت.

3

پس از تایید گزارش نهایی، فایل های منابع پروژه را دریافت خواهید کرد.

4

در نهایت یک فیلم آموزشی جامع و پشتیبانی فنی دریافت خواهید کرد.

 Machine Learning چیست؟

یادگیری ماشینی، کاربرد هوش مصنوعی (‏AI)‏ است که به سیستم‌ها اجازه یادگیری و بهبود از تجربه بدون برنامه‌ریزی خودکار صریح را می‌دهد. یادگیری ماشینی بر توسعه برنامه‌های کامپیوتری متمرکز است که می‌توانند به داده‌ها دسترسی داشته باشند و از آن برای یادگیری خود استفاده کنند، فرآیند یادگیری با مشاهدات یا داده‌هایی مانند مثال‌ها، تجربه مستقیم، یا آموزش آغاز می‌شود تا الگوها را در داده‌ها جستجو کند و تصمیمات بهتری در آینده براساس مثال‌هایی که ما ارائه می‌دهیم بگیرد. هدف اولیه اجازه دادن به کامپیوترها برای یادگیری خودکار بدون دخالت یا کمک انسان و تنظیم اقدامات براساس آن است. ​

Doe

طراحی آزمایش (‏DOE)‏ چیست؟

طراحی آزمایش‌ها (‏DOE)‏، که به آن آزمایش‌های طراحی‌شده یا طراحی تجربی نیز گفته می‌شود، یک روش سیستماتیک است که تحت شرایط کنترل‌شده برای کشف یک اثر ناشناخته، آزمایش یا ایجاد یک فرضیه، یا نشان دادن یک محصول شناخته‌شده، انجام می‌شود، که شامل تعیین رابطه بین عوامل ورودی موثر بر یک فرآیند و خروجی آن است. به مدیریت ورودی‌های فرآیند برای بهینه‌سازی نتیجه کمک می‌کند. ​

رونالد آ. طراحی آزمایش یک ابزار قدرتمند جمع‌آوری داده‌ها و تجزیه و تحلیل است که در موقعیت‌های مختلف آزمایشی مورد استفاده قرار می‌گیرد. این روش امکان دستکاری عوامل ورودی چندگانه و تعیین تاثیر آن‌ها بر خروجی مورد نظر (‏پاسخ)‏ را فراهم می‌کند. با تغییر همزمان ورودی‌های متعدد، DOE به شناسایی تعاملات قابل‌توجهی کمک می‌کند که ممکن است هنگام آزمایش با تنها یک عامل در یک زمان از دست بروند. ما می‌توانیم تمام ترکیبات ممکن (‏فاکتوریل کامل) ‏یا تنها بخشی از ترکیبات ممکن (‏فاکتوریل کسری)‏ را بررسی کنیم. ​

یک آزمایش به خوبی برنامه‌ریزی‌شده و اجرا شده ممکن است اطلاعات زیادی در مورد تاثیر بر یک متغیر پاسخ به دلیل یک یا چند عامل فراهم کند. بسیاری از آزمایش‌ها شامل ثابت نگه داشتن عوامل خاص و تغییر سطوح یک متغیر دیگر است. با این حال، این رویکرد “یک عامل در یک زمان” (‏OFAT)‏ برای پردازش دانش در مقایسه با تغییر همزمان سطوح چند عاملی ناکارآمد است. ​

همانطور که قبلا ذکر شد، رویکردهای متعددی برای DOE وجود دارد. OF AT، فاکتوریل کامل و کسری، تاگوچی و روش سطح پاسخ (‏RSM)‏، با این حال، RSM بهترین روش در میان روش‌های موجود برای DOE است.

 Response Surface Methodology (RSM) چیست؟

روش سطح پاسخ، یا RSM به طور خلاصه، مجموعه‌ای از روش‌های ریاضی است که رابطه بین یک یا چند متغیر پاسخ و چند متغیر پاسخ را تعیین می‌کند. این روش توسط باکس و ویلسون در سال ۱۹۵۱ معرفی شد و هنوز هم به عنوان یک ابزار طراحی تجربی مورد استفاده قرار می‌گیرد. RSM مجموعه‌ای از تکنیک‌های آماری و ریاضیات کاربردی برای ساخت مدل‌های تجربی است. هدف RSM بهینه‌سازی پاسخ (‏متغیر خروجی)‏ تحت‌تاثیر چندین متغیر مستقل (‏متغیرهای ورودی) ‏است. ​

یک آزمایش مجموعه‌ای از آزمایش‌ها به نام اعدام است. در هر آزمایش، ما تغییراتی را در متغیرهای ورودی ایجاد می‌کنیم تا دلایل تغییرات متغیر پاسخ را تعیین کنیم. ​

در طرح‌های سطح پاسخ، ساخت مدل‌های رویه پاسخ یک فرآیند تکرار شونده است، به محض اینکه یک مدل تقریبی به دست می‌آوریم، با استفاده از روش تناسب خوب بررسی می‌کنیم تا ببینیم آیا پاسخ رضایت‌بخش است یا خیر. اگر پاسخ را تایید نکنیم، سپس فرآیند برآورد دوباره شروع می‌شود، و آزمایش‌ها بیشتری را انجام می‌دهیم، در طراحی آزمایش‌ها، هدف شناسایی و تجزیه و تحلیل متغیرهای موثر بر خروجی‌ها با کم‌ترین تعداد آزمایش است. ​

این روش با کشف هر متغیر طراحی سطح پاسخ بهینه به بهترین سطح پاسخ دست می‌یابد. در طراحی آزمایش‌ها، هدف شناسایی و تجزیه و تحلیل متغیرهای موثر بر خروجی با کم‌ترین تعداد آزمایش است. ​

بهینه‌سازی در نرم افزار ANSYS Fluent چیست؟

بهینه‌سازی یک محصول یکی از مهم‌ترین مراحل تولید محصول است. در گذشته، استراتژی‌های آزمون و خطا برای تولید محصولات پایدارتر با عملکرد بهتر مورد استفاده قرار می‌گرفتند. اما امروزه با توسعه فن‌آوری و کاهش هزینه‌های تولید، روش‌های آزمون و خطا نمی‌توانند مناسب باشند و نیاز به روش‌های قابل‌اطمینان‌تر برای طراحی و بهینه‌سازی محصولات قبل از مرحله تولید وجود دارد. امروزه نرم‌افزارهای مختلفی با روش‌های مختلف CFD در دسترس مهندسان برای طراحی و تجزیه و تحلیل مدل قبل از ساخت مدل واقعی و اعمال بهینه‌سازی مورد نظر وجود دارد. ​

با استفاده از ANSYS می‌توان دو نوع بهینه‌سازی انجام داد. ۱- مستقیم، ۲ – غیر مستقیم. بهینه‌سازی مستقیم، رفتار یک سیستم را بدون هیچ گام میانی پیش‌بینی می‌کند. در مقابل، بهینه‌سازی غیر مستقیم نیاز به داده‌های به‌دست‌آمده توسط RSM دارد تا تابع ریاضی صحیح برای پیش‌بینی رفتار سیستم را برای کاربر فراهم کند. ​

Doe  

پروژه های نمونه‌

تیم پردازشگران سیال و سازه مهر پروژه‌های شبیه‌سازی متعددی را برای کاربردهای بهینه‌سازی اجرا کردند. برای مثال،محصول بهینه‌سازی یک نما با استفاده از MOGA (‏BBD DOE، GA RSM)‏”، یک نما را با پارامترهای ورودی و خروجی مختلف با استفاده از روش BBD شبیه‌سازی می‌کند و سپس حساسیت پارامترهای خروجی به پارامترهای ورودی را در دو نوع نمودار با استفاده از روش تجمع ژنتیکی تعیین می‌کند. در نهایت هیات کاری ANSYS سه نقطه را به عنوان نقاط بهینه پیشنهاد کرده‌است.

Machine Learningبهینه سازی کمپرسور کسکید با روش MOGA

در پروژه دیگر، ما عملکرد محفظه احتراق را با استفاده از DOE و RSM بهینه می‌کنیم. هدف از این پروژه بهینه‌سازی پارامترهای هندسی محفظه احتراق برای اهدافی مانند بیشینه کردن مقدار نرخ تولید حرارت و در عین حال کمینه کردن میزان آلودگی ایجاد شده می‌باشد. دو نوع بهینه‌سازی در این پروژه مورد بررسی قرار گرفته‌است. بهینه‌سازی غیر مستقیم با استفاده از روش RSM، با استفاده از روش CCD و بهینه‌سازی مستقیم. ​

Machine Learning 

https://www.ansysfluent.ir/shop/design-of-experiment-doe-by-response-surface-methodology/ 

علاوه بر این ما مدل‌های بهینه‌سازی را با جزئیات و به طور گسترده در وبلاگ‌های خود مورد بحث قرار می‌دهیم، که توسط کارشناسان تیم پردازشگران سیال و سازه مهر نوشته شده‌اند. به عنوان مثال در تمرین عملی با به کار بردن RSM ایده‌آل DOE برای یک وبلاگ بهینه‌سازی، انواع مختلفی از روش‌های DOE و RSM توضیح داده می‌شوند و قادر به ارائه درکی در مورد مفاهیم بهینه‌سازی با یک تمرین هستند. ​

Opt 1

 خدمات Machine Learning/Optimization پردازشگران سیال و سازه مهر

با چندین سال تجربه شبیه‌سازی طیف گسترده‌ای از مشکلات در زمینه‌های مختلف CFD با استفاده از نرم‌افزار ANSYS Fluent، تیم پردازشگران سیال و سازه مهر آماده ارائه گسترده است. سرویس‌های شبیه‌سازی یادگیری / بهینه‌سازی ماشین به صورت زیر دسته‌بندی می‌شوند:

  • فرآیند بهینه‌سازی مستقیم و غیرمستقیم برای سیستم‌های مختلف فلوئیدیک
  •  مدل‌های ML برای پروژه‌های مختلف به منظور پیش‌بینی رفتار سیستم مربوطه
  •  محاسبه روابط ریاضی مختلف برای پیش‌بینی رفتار انواع مختلف سیستم‌ها
  • به دست آوردن حالت بهینه یک فرآیند در داخل یک سیستم برای کاهش هزینه‌های کلی
  •  طراحی تجهیزات مختلف برای حداکثر بهره‌وری
  •  

شما میتوانید محصولات مرتبط با مقوله شبیه‌سازی یادگیری / بهینه‌سازی ماشین را در فروشگاه آموزشی پیدا کنید.

خدمات ما به موضوعات ذکر شده محدود نمی‌شود و پردازشگران سیال و سازه مهر آماده انجام پروژه‌های مختلف و چالش برانگیز در زمینه مدل‌سازی مهندسی یادگیری / بهینه‌سازی ماشین است که توسط مشتریان ما سفارش داده شده‌است. ما حتی انجام شبیه‌سازی CFD برای هر طرح انتزاعی یا مفهومی که در ذهن خود دارید را قبول می‌کنیم تا آن‌ها را به واقعیت تبدیل کنیم و حتی به شما کمک کنیم تا به بهترین طراحی برای آنچه که ممکن است تصور کرده باشید برسید. شما می‌توانید به صورت رایگان از مشاوره تخصصی پردازشگران سیال و سازه مهر بهره‌مند شوید و سپس سفارش دهید که پروژه شما شبیه‌سازی و آموزش داده شود.

شما با برون سپاری پروژه خود به پردازشگران سیال و سازه مهر به عنوان یک خبرنگار مستقل شبیه‌سازی CFD، نه تنها فایل‌های منبع پروژه مربوطه را دریافت خواهید کرد (‏هندسه، مش، داده های مسئله، …)‏، بلکه یک ویدئوی آموزشی گسترده ارائه خواهد شد که نشان می‌دهد چگونه می‌توانید هندسه، مش، و تنظیمات مورد نیاز (‏پیش‌پردازش، پردازش و پس پردازش) ‏را در نرم‌افزار ANSYS Fluent خودتان ایجاد کرده و تعریف کنید. علاوه بر این، پشتیبانی پس از فنی برای روشن‌شدن مسائل و ابهامات موجود است. ​

 

Portfolios

Back To Top
جستجو
Whatsapp تماس با واتس آپ