In diesem Blog geht es um die Integration von maschinellem Lernen in eine Regressionsaufgabe für CAD-Dateien. Maschinelles Lernen ist besonders nützlich, wenn die Beziehung zwischen Input und Output komplex und mit herkömmlichen Methoden schwer zu definieren ist. Zwei grundlegende Aufgaben des maschinellen Lernens sind Regression und Klassifikation. Bei der Regression wird ein kontinuierlicher Wert, z. B. die Temperatur, vorhergesagt, während bei der Klassifikation die Daten in diskrete Klassen, z. B. Wetterbedingungen, eingeteilt werden.
Praktisches Beispiel: Regressionsaufgabe
Stellen Sie sich vor, Sie sind Ingenieur bei einem Wälzlagerhersteller und haben die Aufgabe, aus bestimmten Eingangsbedingungen bestimmte Ergebnisse vorherzusagen. Zuerst erzeugen Sie einen Datensatz, indem Sie parametrische Modelle mit verschiedenen Bedingungen, wie z. B. der Dicke des Bauteils und der aufgebrachten Kraft, erstellen und die resultierenden Spannungen, Verschiebungen und Massen messen.
Anschließend extrahieren wir diese Merkmale und verwenden sie als Input für unser maschinelles Lernmodell. Mit Hilfe der Design-Explorationsfunktionen von Synera erzeugen wir mehrere Designs und die entsprechenden Merkmalsdatensätze.
Nach der Vorbereitung des Datensatzes beginnt die Phase des maschinellen Lernens. Synera vereinfacht den Prozess mit vorgefertigten Knoten für das Modelltraining und die Vorhersage. Indem wir diese Knoten mit unserem Merkmalsdatensatz verbinden, trainieren wir ein Regressionsmodell und verwenden es, um Ergebnisse auf der Grundlage neuer Eingabebedingungen vorherzusagen.
Demo: Erstellen eines Regressionsmodells in Synera
- Erzeugung des Datensatzes: Wir verwenden parametrische Workflows, um verschiedene Bauteilkonstruktionen zu erzeugen und ihre geometrischen Merkmale zu extrahieren.
- Trainieren des Modells: Wir verarbeiten den Datensatz vor, behandeln Nullwerte und normalisieren die Merkmale. Dann trainieren wir das Modell mit dem Regressionsmodell-Node von Synera.
- Vorhersagen treffen: Mit dem trainierten Modell werden neue Ausgaben vorhergesagt, indem neue Eingabebedingungen in den Vorhersage-Nodes eingegeben werden.
Während der Demo wurden Fragen zur Behandlung von Nullwerten und zur Anpassung von Hyperparametern gestellt. Während unser Tool darauf abzielt, den Prozess zu vereinfachen, können fortgeschrittene Benutzer benutzerdefinierte Skripte integrieren, um mehr Kontrolle über Modelle und Hyperparameter zu erhalten. Beispielsweise können Benutzer ihre eigenen Skripte importieren und Optimierungsprozesse innerhalb von Synera automatisieren.
Schlussfolgerung
Die Low-Code-Plattform von Synera bietet Ingenieuren eine leistungsstarke und dennoch leicht zugängliche Möglichkeit, maschinelles Lernen in ihre Arbeitsabläufe zu integrieren. Ob es sich um die Automatisierung von Regressionsaufgaben oder die Erforschung fortschrittlicher Klassifizierungsmodelle handelt, unser Werkzeug bietet die Flexibilität und Benutzerfreundlichkeit, die erforderlich sind, um Innovationen in der CAD-Regression voranzutreiben.
Entdecken Sie die Vorteile selbst - Testen Sie die Low-Code-Plattform von Synera!
Überzeugen Sie sich selbst von den Vorteilen des Connected Engineering und unserer Low-Code Plattform! Wir laden Sie ein, die Low-Code Platform von Synera 14 Tage lang kostenlos zu testen und zu entdecken, wie Sie Ihre Produktentwicklung effizienter und agiler gestalten können. Erleben Sie die Zukunft der Produktentwicklung und entdecken Sie die Möglichkeiten, die Ihnen unsere innovative Lösung bietet. Klicken Sie hier um die Synera Low-Code Platform zu entdecken und Ihren Entwicklungsprozess für Ihre Anwendung zu optimieren.
Oder vereinbaren Sie eine kostenlose Demo mit unserem CEO Daniel Siegel. Jeden ersten Dienstag im Monat führt er Sie durch unsere Synera Software. Sie erfahren, wie Sie Ihren Workflow automatisieren und Ihren Entwicklungsprozess beschleunigen können. Es wird auch eine Q&A Session geben, in der Sie alle Ihre brennenden Fragen stellen können. Melden Sie sich hier kostenlos an.
