Webinar przygotowany dla inżynierów i analityków, którzy chcieliby zacząć wykorzystywać AI w celu tworzenia modeli predykcyjnych.
Podczas spotkania pokazaliśmy jak przygotować model, aby otrzymywać wyniki symulacji strukturalnych, CFD oraz crash do 1000x szybciej niż w standardowych solverach! W trakcie webinaru omówiliśmy moduł PhysicsAI dostępny wewnątrz HyperMesh 2025, wytłumaczyliśmy jak działa technologia PhysicsAI oraz pokazaliśmy jak stworzyć oraz ustawić model AI.
Agenda webinaru
Jakub Fortuna – Junior Pre-Sales Engineer. Student ostatniego roku studiów na kierunku Mechanical Enginnering w Instytucie Kształcenia Międzynarodowego Politechniki Łódzkiej, posiadający już kilkuletnie doświadczenie w obszarze analiz metodą elementów skończonych (MES). Szczególnie interesują go zagadnienia akustyczne. Swoją wiedzę z tego zakresu poszerzał odbywając półroczny staż w laboratorium akustyki w renomowanym Federal Institute of Material Science (EMPA) w Szwajcarii.
PhysicsAI działa bezpośrednio na modelach siatkowych lub CAD, generując w pełni animowane wyniki symulacji fizycznych z niezwykłą szybkością w różnych zastosowaniach. To usprawnione podejście zajmuje ułamek czasu wymaganego przez tradycyjne solvery i dostarcza cennych informacji na temat wydajności projektu. Niezależnie od tego, czy pracujesz nad modelem zderzeniowym, czy projektem systemu HVAC, przewidywania PhysicsAI skracają czas obliczeń do sekund, a analizy „co by było, gdyby” – z miesięcy do dni.
PhysicsAI dostarcza błyskawiczne prognozy fizyczne, umożliwiając zespołom inżynieryjnym testowanie większej liczby wariantów projektowych, niż byłoby to możliwe przy użyciu tradycyjnych solverów. Większa liczba analiz w krótszym czasie pomaga firmom odkrywać ulepszenia na wczesnym etapie cyklu projektowania, dzięki czemu mogą szybciej wprowadzać innowacje na rynek i wyprzedzać konkurencję.
Technologia oparta na sztucznej inteligencji wykorzystuje dane historyczne, aby zapewnić możliwie najdokładniejsze prognozy fizyczne. Zaawansowane algorytmy głębokiego uczenia geometrycznego szkolą modele PhysicsAI na podstawie dostarczonych danych symulacyjnych, niezależnie od ich pochodzenia. Aby zapewnić wiarygodność wyników, środowisko PhysicsAI oferuje procesy oceny i walidacji prognoz poprzez porównanie ich z wynikami tradycyjnych symulacji solverowych.