HyperStudyのDOEデータからromAI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romAI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。

romAIはディープラーニングを用いた静的・動的予測モデル作成ツールでcsvのトレーニングデータから簡単に予測モデルを作成できます。

また、Twin Activateの最適化ブロックを用いて最適化を行うことも可能です。

本記事で使用したモデルは下記よりダウンロード可能です。

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。

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。

romAI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。

romAI Directorでは以下のように設定します。

Auto ExplorationのRepetitionを用いることで、精度の高いモデルが作成できます。

機械学習のトレーニングにより精度の高いモデルが作成できたことがわかります。

Twin Activateによる最適化

romAIブロックと最適化ブロックを接続することで、最適化を行うことができます。

本記事では掘削質量massを最大とする、バケットパラメータの組み合わせを算出しました。

最適化ブロックの使用方法は下記ご参照ください。

結果、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、掘削土量は20%増加することがわかりました。

使用ソフト