人工知能(AI)を用いたリニアアクチュエータの動的低次元化モデル (Dynamic ROM) の生成

Kosuke_IKEDA
Kosuke_IKEDA
Altair Employee

本記事はLivio Marianoによる投稿

romAI: generation of a dynamic Reduced-Order Model (ROM) using AI for linear actuators

を和訳したものです。

 

概要

この記事では、リニアアクチュエータの効率的で正確な低次元化モデル(Reduced-Order Model, ROM)を生成するために、romAIがどのように役立つかについて説明します。トレーニングデータとして、Altair Fluxを用いた過渡電磁界シミュレーションを数ケース実施しました。この研究では、ルックアップテーブル、romAI、有限要素解析の3種類のモデリングアプローチを比較し、romAIの有効性を示します。

 

はじめに

ROMは、シミュレーションの実行時間を大幅に短縮し、かつ精度の高い結果を得ることができるモデルです。現在、ROMは多くの分野で広く利用されています。例えば、デジタルツイン、最適化、リアルタイムシミュレータなどです。romAIは、動的または静的なROMを線形または非線形モデルとして作成することができます。

この研究では、リニアアクチュエーターを含む閉じたシステムでの挙動をモデル化します。

ルックアップテーブル、romAI、有限要素モデルという異なるアプローチを、コイルに流れる電流とプランジャーの動き(変位と速度)という観点から比較検討します。下の図は、これら3つのアプローチについて、上から下に向かって順に精度が高くなるように示したものです。

image 

ルックアップテーブルアプローチでは、Fluxの静解析からエクスポートされた静磁場テーブルを使用します。この方法は、静的または準静的なシナリオ(プランジャーの速度が低い)では正確な結果が得られますが、渦電流の影響を考慮していないため、プランジャーが高速で移動する過渡状態では適さない可能性があります。

一方、romAIアプローチは、Fluxの過渡解析から生成され、渦電流による非線形性を考慮するため、過渡的なシナリオに適しています。

Fluxシミュレーションの結果は、最も詳細な出力を提供し、私たちの比較の基準として使用します。 

 

トレーニング用の初期データセット

本研究では、異なる電圧(異なる動作条件)と異なるばね剛性(異なる設計)を入力変数としたときのリニアアクチュエータの挙動を調べます。

非線形のシステムを扱うので、これらの入力変数を少なくとも3段階変化させる必要があります。

下の図は、必要なデータを作成するために行った9回の過渡シミュレーション(×印)を示しています。また、学習領域内外のromAIの汎化性能を検証するために、3つのシミュレーションを追加で行いました(○印)。

 

image

 

各シミュレーションは、トレーニングプロセスで使用することができる数千の有効なトレーニングデータを生成します。9つのシミュレーション結果は、romAIアプリケーションで使用するために同一のcsvファイルに追記します。

このビデオでは、romAIのGUI(romAI Director)を使用して、データを前処理し、非線形の動的なROMを構築し、その精度をコーディングなしで評価する方法を紹介しています。また、生成されたROMをAltair Activateによるシステムシミュレーション環境で簡単に再利用する方法も紹介しています。ROMの入力は、電圧、プランジャーの変位と速度、出力は、コイルに流れる電流とプランジャーに作用する電磁力です。システムの状態量は、コイルに流れる電流としています(出力としても定義しています)。

 


 

初回計算結果

トレーニングデータの予測精度

まずは、トレーニングデータの予測精度を確認します。作成したromAIモデルとばねモデルを結合した1Dシミュレーションを実行し、電圧とばね剛性の値を変えて、コイル電流、プランジャーの変位と速度を比較した結果を報告します。青、赤、緑は、それぞれromAI、Flux、ルックアップテーブル(LuT)のアプローチで得られた結果を示しています。

image

image

image

 

  • romAIはルックアップテーブルアプローチよりも優れた結果を提供し、Fluxと非常に近い結果を出力しています
  • ROMを用いた各シミュレーションの計算時間は1秒未満です

 

テストデータの予測精度

次に、テストデータの予測精度を確認します。

image

 

  • 入力電圧が16V以上の場合は、romAIはよく一般化されています
  • romAIは、入力電圧が16V未満の場合に、精度が低下しています。この領域では、ばねによりシステムの応答が大きく変動するため、より良くシステムを推定するには、より多くのデータが必要と考えます

 

トレーニング用データセットの改善

ROM の一般化能力を向上させるため、初期データセットに 3 つのシミュレーションを追加し、システム応答がより大きく変動する範囲をよりよくカバーすることにしました。

image

 

改善後の結果

テストデータの予測精度

改善後のROMを用いて、テストデータの予測精度を確認します。

image

  • 入力電圧が16V以下の場合でも一般化されました。
  • これは、トレーニングセットのドメイン内外両方に当てはまります。

 

まとめ

精度に関する評価

  • romAIアプローチにより、電磁界解析Fluxモデルの正確な低次化モデリングが可能となります
  • ルックアップテーブルアプローチと比較すると、romAIでは渦電流の影響を考慮することができ、より正確な結果を得ることができます
  • 正確な結果を得るためには、システムの応答変動が大きい範囲(入力電圧16V以下)において、学習に用いるシミュレーションの回数を増やすことが重要です
  • この手法は、トレーニング領域内外の両方で非常に優れた一般化能力を示しています

 

シミュレーションの実行時間に関する評価

 image

  • romAIのシミュレーション実行時間はルックアップテーブルアプローチと同程度です
  • 有限要素アプローチ(Flux)と比較して、romAIアプローチは精度を維持したまま、より高速にシミュレーションを行うことができます。アクチュエータが同じであれば、様々なシステム構成のシミュレーションに必要な時間を大幅に短縮することが可能です

 

使用製品:Altair Activate, Altair Flux, romAI, AIによる設計

 

Welcome!

It looks like you're new here. Sign in or register to get started.

Welcome!

It looks like you're new here. Sign in or register to get started.