Workflows in Ansys – Analogien zur künstlichen Intelligenz

Beginnen wir mit einer Einordnung. Ähnlich wie bei einer KI wie ChatGPT hängt die Qualität der Prognose eines Simulationsmodells maßgeblich von einer sauberen Datenbasis ab, welche es gilt im Anschluss zu trainieren. Wir als Ingenieure haben jedoch keine Big Data mit Milliarden von Stellschrauben. Für uns bilden im schlimmsten Fall ein paar 100 Variantenstudien unseres Designs sowie deren Berechnung des physikalischen Verhaltens die Datenbasis. Das ist im Vergleich dann doch gut überschaubar. In unserem Fall verbiegen und tordieren wir unseren Löffel mittels Parameter in alle möglichen Richtungen. Das ist sehr einfach: es ist nur ein Klick ins Parameterkästchen, und schon lassen sich die Werte über den Parametersatz ändern (siehe Bild unten).

Die Datenbasis entsteht nun, wenn wir mittels dieser Parameter Varianten erzeugen und berechnen. Ein Blick auf die entstandenen Werte der max. Verformung ist zunächst schwer zu interpretieren. Helfen können jedoch bereits Bilder. Wussten Sie, dass Sie für jede Variante ein zusätzliches Bild wegspeichern können? Das können Sie z.B. mit APDL machen:

Was ist wichtig bei einem trainierten Datenmodell (DL) ?

Mit diesen Daten können wir als nächstes - nennen wir es die Deep Learning Phase - ein Metamodell trainieren, welches uns schließlich alle denkbaren auftretenden maximalen Verformungen voraussagt. Ist die Verformung der Löffelspitze größer, wenn ich den Löffel zur Seite drücke oder mit gleicher Kraft nach hinten drücke? Wie weit biegt er sich, wenn ich ihn gleichzeitig noch mit einem Moment tordiere? Kein Problem, wir sind bereits jetzt in der Lage, live und ohne weitere Simulation diese Antwort zu geben – dank unseres Metamodells. Dabei sind 3 Punkte wichtig:

• Datensicherheit: Wir wollen die entstandenen Daten schützen. Nichts soll ins Internet verschickt und dort verarbeitet werden, alles soll in unserer Rechenumgebung gehalten werden. Niemand sonst soll Ihr Löffelgeheimnis erfahren.
• Prognosequalität: Wie gut ist mein trainiertes Modell? Liefert es nur ein hübsches Ergebnis? Zur Einschätzung der Qualität steht uns u.a. der sogenannte Coefficient of Prognosis zur Seite, welcher uns mitteilt, ob wir das Modell schon verwenden können oder noch weitertrainieren sollten.
• Nachvollziehbarkeit: Und über welche Logik kommt eine KI zu ihrer Antwort? Auch das beschäftigt uns hier. Das Metamodell erklärt die Beziehungen der Parameter und trägt damit zum Verständnis bei der Interpretation der Ergebnisse bei. Also: Transparenz – keine Blackbox.