HyperStudyのDOEデータからAI Studioでディープラーニングによる予測モデルを作成し最適化する方法


本記事では、HyperStudyのDOEデータからAI Studioでディープラーニングによる予測モデルを作成し最適化する方法を紹介します。

HyperStudy単体でも各種予測モデルは作成可能ですが、ディープラーニングのモデルを作成することはできません。

AI StudioはAltairのデータ分析プラットフォームで、ディープラーニングを含む様々なアルゴリズムで予測モデル作成し、最適化を行うことも可能です。ノーコード、ローコードツールで準備されたブロックを接続するだけで、どなたでも簡単にデータ分析が可能です。また、KSK様ご提供の実務直結型トレーニング 「Learning サブスクリプション」により、DX人材の育成も支援しています。

本記事で使用したデータとモデルは下記よりダウンロード可能です。

doe_1_example.csv

bucket_mass_prediction.rmp

 

モデル

下記で計算したバケットパラメータを様々に変化させた場合のDOE結果を使用します。

パワーショベルの掘削シミュレーションにおけるバケット形状のDOE・最適化

 

HyperStudyからのデータの出力

EditのRegister Reportでレポートフォーマットを追加します。

インストールフォルダにあるレポートのサンプルのうち、hst_report_csv.pyを登録します。これでcsvフォーマットで結果を出力できます。

C:\Program Files\Altair\2023.1\hwdesktop\hst\etc\examples\reports\hst_report_csv.py

DOE後、Reportより先に登録したcsvフォーマットのレポートを選択して出力します。

 

AI Studioによる予測モデル作成

バケットパラメータ(前後長さR、カットアングルβ、フロント壁高さl1、ボトム円弧半径r)を入力として、掘削土量massを予測するモデルを作成します。

AI Studioでは以下のように設定します。

 

CSVファイルの読み込み

Read CSVブロックを配置し、CSVファイルを読み込みます。

Edit Listで今回使用するR, beta, l1, r, massのみチェックを付けます。他のデータはチェックを外します。

massのみattributeをlabelに変更します。これで、massを予測したいデータに設定できます。

 

Deep Learningによる予測モデル作成

Deep Learningブロックを配置し、Read CSVのブロックと接続します。

これで、R, beta, l1, rの4つの入力値・設計変数から、出力・応答値massを予測する設定となります。

Deep Learningブロックのパラメータで、活性化関数、隠れ層のレイヤー数・ニューロン数、エポック数などを設定します。

 

予測精度の確認

Apply Modelブロックを配置し、Deep Learningブロックで作成したモデルと設計変数のデータを接続すればmassの予測値を確認できます。

設計変数のデータは、トレーニングに用いたものと同じデータを使用する場合は、MultiplyでRead CSVのデータを分岐させて、Apply Modelに使用することができます。各ブロックの出力を画面右のresに接続すると、プロセス実行後、結果を確認できます。

 

結果の確認

プロセスの開始を実行すると、各ブロックの処理が実行され、結果が表示されます。

Apply Modelの結果を見ると、データタブで予測値をテーブルで見ることができます。

可視化タブでデータをプロットできます。

横軸がmassの正解、縦軸がmassの予測値でプロットすると、精度良く予測できていることがわかります。

ほか、Deep Learningのモデルの概要なども確認できます。

 

AI Studioによる最適化

最適化を行う場合は、デザイン画面に戻り、Model Simulatorブロックを配置します。

Deep Learningブロックで作成したモデルとMultiplyで分岐した設計変数のデータを接続すれば、モデルのシミュレーション・最適化が行えます。

再度、プロセスの開始を実行すると、各ブロックの処理が実行され、結果にModel Simulatorのページが追加されます。

Model Simulatorでは、設計変数をスライダーバーで動かすと、massの予測値がすぐに更新され、設計変数と予測値の関係をインタラクティブに確認できます。

また、Optimizeで設計変数の最適値を求めることができます。

たとえば、massが最大となる設計変数の組み合わせを求めることができます。

Finishをクリックすると、Input for Modelの値が最適値に更新されます。

(本サンプルはデータ数が少なく、乱数の影響があるため、必ずこの画面と同じ値になるとは限りません。)

最適化した設計変数をCADに適用すると、掘削質量massを最大とするバケット形状は以下となりました。

また、形状変更したバケットを用いたMotionSolve-EDEMの掘削シミュレーションを行い、掘削土量は20%増加することがわかりました。

 

 

関連記事

パワーショベルにおけるバケット形状の最適化 - EDEM, HyperStudy, Inspire, MotionSolve, Twin Activate - Altair Products - Altair Community

 

使用ソフト

Altair AI Studio

Altair HyperStudy

AI Studioを用いた実務直結型トレーニング「Learning サブスクリプション」