天洑软件6月23日“智能优化平台软件AIPOD操作培训” 线上线下免费培训课即将开始

智能优化平台软件AIPOD操作培训（内燃机进气道性能优化）

● 培训时间：2022年6月23日

●  线上地点：腾讯会议。

• 参会链接：https://meeting.tencent.com/dm/xbAKx0TLBG0H

• 会议ID：794737880

• 报名后可获得会议密码

● 线下地点：江苏省南京市江宁区苏源大道19号B1栋11层

● 日程安排：

● 费用说明：培训免费，交通及住宿费用自理，自带笔记本电脑。

以上培训线上线下同步进行，所有感兴趣的人员提前报名后可获得线上培训参会密码。

参加以上培训，您可扫描/长按识别下方二维码提交报名申请。

AIPOD产品介绍

       AIPOD是由天洑软件自主研发的一款通用的智能优化设计平台。它提供的业界一流的智能优化算法SilverBullet，专门针对工业设计领域数值模拟计算成本高等痛点而设计，优化效率高、效果好。公司拥有一批资深的工程设计专家，对于产品研发设计拥有独到深入的理解，这让AIPOD的智能优化技术具备出众的优化效果的同时，还具有极低的使用门槛，软件操作简单便捷、优化快速。无论是结构、流体、热力学、声学或多物理场耦合问题，AIPOD都可以帮助设计团队高效地寻找到更好的设计方案。

一、功能特色

       （1）强大的计算流程建模

       提供图形化的计算流程定义功能，在计算流程图中可以方便的调用任意的商业软件、动态库或直接以脚本形式嵌入专家经验公式，可建立任意复杂的计算流程，实现计算流程的自动化，供优化引擎调用。

图1  强大的计算流程建模

       AIPOD提供了主流CAE软件在内的CAE节点工具箱。基于这些定制化的商用软件接口，用户通过简单的操作即可实现批处理命令生成与变量识别，从而快捷地实现计算流程集成。

批处理命令自动生成	变量自动识别与关联

图2 CAE节点快捷配置

       此外，AIPOD还提供了包含判断、循环、并行等流程执行控制节点在内的控制节点工具箱，如图3所示。

图3  控制节点工具箱

       基于判断(IF)节点，用户能够实现对流程中分支的分情况执行，满足前置条件不同，下游计算流程不同的使用场景。基于循环(Loop)节点，用户能够实现流程中分支的循环执行。基于并行(Concurrent)节点，用户能够实现对流程中分支的并行执行，最大化利用计算资源。

       （2）全新的代理优化加速模块

       AIAgent可通过与计算流程的连接，进行数据智能采样，通过天洑自研的机器学习算法，进行代理模型的训练，为优化设计加速助力。AIAgent中的机器学习算法来自于天洑数据建模平台，其核心是天洑自研的超参学习框架，相较于传统响应面、Kriging模型，AIAgent针对复杂问题表征能力更强、数据集需求量更低、使用门槛更低，而且训练得到的模型可导出，可复用，可作为企业的核心知识进行管理，提升企业快速优化设计的能力。

图4  AIAgent一键构建可复用的高精度代理模型

       （3）具有智能探索能力的SilverBullet算法

       SilverBullet算法是针对工业设计领域数值模拟计算成本高的痛点而研发，在计算成本有限的情况下（百量级），以尽可能少的计算代价，获取尽可能高的性能提升。SilverBullet算法整合了智能采样技术、耦合优化技术，以及一套核心的参数指标动态协调全局优化和局部探索力度，从而实现在小计算规模下的高效性能优化提升。SilverBullet算法有以下两大特色：

       ① 自适应优化场景，零使用门槛

       SilverBullet算法具有强大的自适应性，用户仅需提供计算代价，无需任何超参设定，即可一键启动优化流程，大幅降低了用户的使用门槛；

       ② 智能边界突破（Bound-break）

       SilverBullet独有的智能优化探索能够摆脱参数范围不够精确的困扰，对于无法精确给定变量范围的部分变量，在满足不增加搜索成本的前提下，自主决策有选择性地突破设计参数范围边界，获得更好的设计方案。

       （4）耦合代理模型和求解器优势的SilverWing算法

       Silverwing算法集智能代理学习AIAgent、强化学习、启发式优化等技术为一体。其中“高精度代理学习”技术，提供了激活利用用户已有数据的载体，从庞杂的数据中寻找规律，推进工业流程和效率的持续优化，让设计闭环积累，基础创新提速；强化学习和优化技术则保证了在可控的时间内，高效设计方案集的快速输出响应。

       （5）丰富的优化算法

       除了前述的SilverBullet和SilverWing智能优化算法外，AIPOD还集成了包含CG等梯度型算法和MGA等进化型算法在内的22种单目标优化算法，以及基于MOEA/D框架的4种多目标优化算法。NSGA3和MOEA/D等优化算法还实现了对离散变量优化的支持。

图5  丰富的优化算法

       （6）丰富的DOE（实验设计）算法

       AIPOD内嵌了包含均匀采样、二水平、拉丁超立方、用户自定义采样等算法在内的多种DOE算法，并支持了包含离散变量的DOE计算功能。

图6  丰富的DOE算法

       （7）分布式支持

       AIPOD可以在单个计算流程中调用位于不同计算机上的软件，实现计算资源的有效利用。在安装有被调用软件的计算机上开启AIPOD从节点服务，即可实现该计算机在AIPOD主节点流程中的调用，无需安装辅助工具或进行额外参数配置，实现更为简单、便捷。

图7 分布式配置

       （8）多种交互方式，跨平台支持

       AIPOD除提供单机版外，还提供服务器版，均支持跨平台，提供多个Windows和Linux发行版本。服务器版基于Web的用户界面，操作系统可不需要图形界面；因此用户可以将AIPOD部署在服务器中，充分利用服务器强大的硬件资源；用户可在网络中，通过浏览器随时随地的接入AIPOD，管理计算流程、提交优化任务、查看任务的运行状态以及进行优化结果分析，赋予用户更强的掌控能力。

图8  客户端启动

图9 优化任务远程监控

二、实际案例

       （1）船型优化案例1：

       该案例的设计变量为６个，目标变量为阻力系数最小，有2个约束，CFD调用次数限定为64次。最终的优化过程如表 1所示，64次优化AIPOD实现5.01%的性能提升，竞品算法的性能提升为3.36%，AIPOD对于竞品算法的优势体现明显。

表 1 AIPOD和竞品算法的优化过程关键节点信息

       AIPOD与竞品算法的优化历程下图所示，竞品算法虽然在优化早期性能提升相对较快，但后劲不足，陷入局部极值之后将无法进一步提升。

(a)竞品算法优化轨迹	(b)AIPOD优化轨迹	(c)AIPOD对标竞品算法

AIPOD与对标竞品算法的优化历程

       在AIPOD优化过程中，我们开启AIPOD特有的bound-break智能探索功能。表 2表明，若设计参数的范围设置不恰当，市面上现有的优化引擎也不会在这些被忽略的高效可行空间内进行探索，而SilverBullet优化算法即便在64次小计算规模下，依旧可以快速突破因为工程师范围设置不恰当人为引入的“优化壁垒”。

表 2 AIPOD和竞品算法各自最优设计方案对于工程初期设定的参数边界“突破”情况

AIPOD与竞品算法的优化结果船型如下图所示

(a)竞品算法优优化结果船型	(b)AIPOD优化结果船型

船型优化结果