联系我们
采用模型降阶（ROM），解锁车辆碰撞优化的未来
先进的模型降阶用于更有效的结构碰撞优化。
你是否是一名工程师，希望革新车辆设计和碰撞模拟？了解如何通过降阶建模（ROM），特别是通过ESI的先进ADMORE技术，来改变你的工作流程。在我们ESI LIVE 2023虚拟会议期间，我和我的同事——ESI集团的PMM碰撞与安全专家Gavin England一起探讨了创新方法，这些方法能够实现更快、更具成本效益且更精确的车辆结构优化。这不是单纯的理论探讨，而是与雷诺公司合作的真实世界应用，展示了ROM在实际碰撞模拟场景中的强大功能。
我们与雷诺的合作利用了ADMORE的尖端sPGD和ReCUR方法来优化车辆侧梁加固，大幅减少了模拟时间和成本。这些方法不仅简化了过程，还为非专业工程师参与高水平模拟开辟了新的途径，推动了设计过程的民主化。
但在我们继续前进之前，让我们先澄清一些基本问题。
什么是模型降阶？
模型降阶（Reduced Order Modeling）是一种数学技术，通过减少描述系统所需的变量和方程数量来简化复杂的模拟。与其求解完整的高保真模型，ROM使用一组较小的基函数来近似系统的行为。这种复杂性的减少使得模拟能够更快地运行，并且所需的计算能力较低，同时不会显著影响准确性。
模型降阶（Reduced Order Models）在产品开发中的作用
模型降阶（ROMs）在产品开发和实验设计（DoE）中起着关键作用，通过支持快速原型制造和迭代设计过程，使工程师能够迅速评估设计变更、材料选择和其他变量对最终产品性能的影响。这一能力在汽车工程等行业尤为宝贵，因为这些行业对安全标准要求严格，且市场上市时间是关键因素。
使用模型降阶（ROM）在工程中的价值
使用模型降阶（ROM）的主要优势在于它能够显著降低计算成本和时间。传统的高保真模型需要大量的计算资源，通常需要在高性能处理器上运行数小时。而模型降阶可以在保证相似准确度的前提下，大幅减少计算工作量，使其成为需要多次设计迭代的场景中的宝贵工具，例如碰撞模拟和车辆设计优化。
是否只有POD用于模型降阶？
不，正交分解（Proper Orthogonal Decomposition, POD）并不是唯一的降阶模型（ROM）方法。在Gavin和Fatima的演示中，他们强调了另外两种主要方法：
- sPGD (Sparse Proper Generalized Decomposition) | 该方法将参数视为附加坐标，并使用分别依赖于空间、时间和参数的函数组合来创建降阶表示。它在捕获系统在各种条件下的行为方面特别有效。
- ReCUR (Regression CUR) |这种方法涉及将矩阵分解为选定的行和列，以及连接这些组件的较小矩阵。ReCUR 使用回归技术，包括随机森林等机器学习方法，来预测系统在未见过的参数组合下的行为。
模型降阶（ROM）、机器学习（ML）和混合孪生（Hybrid Twin）之间的关联
模型降阶（Model Order Reduction）、机器学习（Machine Learning）、人工智能（Artificial Intelligence, AI）以及混合孪生方法（Hybrid Twin approach）在高级计算建模与仿真领域中是相互关联的概念。
模型降阶（ROM）提供了复杂系统模型的简化但准确的表示，具有计算效率高的优势。机器学习和混合人工智能增强了模型降阶，使其能够快速获得物理洞察、进行模型预测和早期决策。混合孪生技术利用这些技术创建物理系统的动态数字复制品，从而实现实时监测、优化和预测分析。这些技术共同促进了更有效和高效的系统设计、分析和操作。
模型降阶（Reduced Order Models，ROM）的实际应用示例
在多个行业中都有许多应用案例。一个非常特殊的应用领域是车辆碰撞优化，模型降阶（ROM）可以用于模拟车辆各部件的结构完整性和安全性能。例如，我们与雷诺的合作中使用了模型降阶来优化车辆侧边加强件。通过改变不同结构区域的厚度，我们能够高效地探索设计空间，并识别出满足安全和性能目标的最佳配置。
为什么要下载我们关于“通过先进的模型降阶进行更有效的结构碰撞优化”的技术论文？
你准备好深入了解模型降阶的世界及其在碰撞优化中的应用了吗？我们在一份技术论文中详细介绍了整个项目，以便你理解其范围和价值，并解读项目结果。以下是你应该下载这份技术论文的三个原因：
- 深入的技术洞察: 了解模型降阶背后的机制及其在车辆碰撞优化中的应用。
- 真实应用: 看看我们如何与雷诺合作，以解决碰撞仿真中的实际挑战。
- 时间和成本效率: 了解如何以更少的资源实现最佳安全性和性能。
现在就下载完整的技术资料 并发现如何利用ADMORE和模型降阶（ROM）高效且经济地优化您的车辆设计。加入我们，共同推动汽车工程的边界！
Author
Dr. Fatima Daim
Team Leader, Computational Science at ESI Group
Dr. Fatima DAIM joined ESI Group in 2011 where she is currently a Team Leader in Research and Innovation Department. With her experience in applied mathematics and advanced simulation, she has contributed to the development of model order reduction technologies as well as in the introduction of techniques in data science and artificial intelligence. She is involved in number of academic and customer projects. Her work aims to demonstrate how reduced order modeling and machine learning can bring value to crash and manufacturing simulation.