Simulateur industriel Simcenter PhysicsAI

de CFAO

Présentation
Simcenter PhysicsAI entraîne des modèles de substitution basés sur des résultats CAO/CAE historiques pour prédire des indicateurs (KPI) scalaires et des champs 3D directement sur des maillages ou des modèles CAO. Grâce à l'apprentissage profond géométrique, la plateforme identifie les relations forme‑performance dans différents domaines physiques et fournit des prédictions beaucoup plus rapides que les solveurs traditionnels, facilitant l'exploration de conception et la réduction des prototypes physiques.

Avantages clés

• Prédictions rapides (accélération dépendant du cas ; réduit le temps d'exploration du design)
• Importation agnostique vis-à-vis des solveurs : exploitation des résultats CAE natifs sans reformatage
• Flux de travail sans code permettant aux équipes pluridisciplinaires d'exécuter des prédictions IA sur des modèles d'ingénierie
• Traitement direct de géométries et topologies complexes via apprentissage géométrique pour sorties de champs 3D
• Évaluation intégrée de similarité / détection hors distribution pour indiquer quand valider par simulation pleine fidélité
• Déploiement flexible : local on‑premise, HPC ou cloud sécurisé pour maintenir la propriété intellectuelle sous contrôle client

Fonctionnalités principales

• Opère sur maillages CAE natifs et modèles CAO pour améliorer l'interopérabilité et réutiliser les actifs de simulation existants
• Entraîne des modèles directement sur données maillage/CAO sans ingénierie manuelle de caractéristiques
• Détecte les géométries hors distribution via métriques de similarité pour réduire le risque de prédiction
• S'intègre aux flux CAE existants (exemples : Simcenter Hypermesh, Simcenter Simlab, Simcenter Inspire)
• Prise en charge de l'entraînement accéléré par GPU (recommandé) et des environnements CPU/HPC

Cas d'usage et résultats

• Évaluer rapidement de nombreux concepts de conception pour augmenter le nombre d'itérations par rapport à des boucles basées uniquement sur solveurs
• Réduire les coûts de prototypage et d'essai en utilisant des prédictions IA en phase précoce de conception
• Soutenir l'optimisation des matériaux et des processus pour diminuer les déchets et améliorer la durabilité
• Exemple : accélération de la conception d'emballages avec prédictions quasi instantanées offrant des économies et une forte concordance avec la FEA complète dans les cas validés

Mode de fonctionnement
Simcenter PhysicsAI entraîne des modèles de substitution à partir de résultats de simulation historiques en utilisant l'apprentissage profond géométrique pour apprendre la cartographie géométrie→performance. La plateforme fournit des prédictions de champs ou scalaires pour de nouvelles géométries, des métriques de validation quantitatives (ex. MAE) et signale les cas hors distribution via un score de similarité pour vérification complémentaire par simulation pleine fidélité.

Caractéristiques techniques

• Produit : Simcenter PhysicsAI (logiciel)
• Approche : apprentissage profond géométrique opérant directement sur maillages et modèles CAO
• Support solveur : ingestion agnostique des résultats CAE natifs
• Prédictions : champs 3D et KPI selon les données d'entraînement
• Performance : permet des prédictions jusqu'à ~1000x plus rapides que les solveurs traditionnels (dépend du cas)
• Données d'entraînement : l'efficacité dépend de la complexité du problème ; évaluation pratique recommandée après ~10 fichiers représentatifs ; des dizaines à centaines peuvent être nécessaires
• Déploiement : local on‑premise, HPC ou cloud ; GPU recommandé pour l'entraînement accéléré (architectures NVIDIA modernes prises en charge)
• Intégration : add-ons/integrations natifs avec Simcenter Hypermesh, Simcenter Simlab, Simcenter Inspire et autres flux CAE
• Sécurité/confiance : inclut détection de similarité (OOD) pour indiquer quand une validation pleine fidélité est recommandée
• Domaines typiques : structurel (FEA), CFD, électromagnétisme, simulations de fabrication/process et autres domaines physiques