AI解決NTF BIW 2大問題 – CAE軟體ODYSSEE

Satven 的持續成長和進一步提升背後的關鍵在於其擁有高素質的人才、穩定的產品品質、豐富的知識基礎、戰略夥伴聯盟、專業領域的深厚知識，以及與客戶建立的強大關係，這些因素使公司能夠在全球汽車工程領域中保持領先地位。

 

Satven 為汽車產業提供全面的工程解決方案，涵蓋多個領域的專業服務，從概念設計、產品設計到價值工程/價值分析 (VA/VE)、尺寸管理和採購等。公司還擅長基於Knowledge Based Engineering (KBE)、非線性與線性有限元素分析 (FEA)、整車碰撞分析、噪聲振動與舒適性 (NVH) 分析、耐久性分析、計算流體力學 (CFD) 以及多體動力學 (MBD)，提供全面支持汽車產品的開發與優化。

 

Satven 成立於 2000 年，致力於滿足汽車產業各種複雜設計與工程需求。經過多年發展，公司已經實現了顯著的成長，現已成為印度汽車工程領域中的領導者之一，為全球汽車製造商提供高品質的專業服務，作為一家全球化企業，Satven 在德國慕尼黑以及印度的海德拉巴和金奈設有工程中心，並在底特律、慕尼黑、上海和廣島設有辦事處，總部位於印度海德拉巴。

 

(AI/ML based trimmed body NTF prediction and optimization using ODYSSEE CAE)

挑戰

隨著人工智慧 (AI) 和機器學習 (ML) 在車輛開發中的應用逐漸普及，汽車產業迎來了創新變革的巨大潛力。作為汽車工程解決方案的領導者，Satven 致力於利用 AI 和 ML 的優勢，提供卓越的服務，為客戶帶來明顯的競爭優勢。

為了達到這一目標，Satven 開展了一項能力發展專案，旨在增強其提供 AI/ML 解決方案的能力，設計團隊決定採用 AI/ML 方法來進行快速預測和優化，特別是研究車身結構 (BIW) 板材厚度與楊氏模量對整車 (Trimmed Body) 自然頻率 (NTF/VTF) 和系統全局模態的影響，並進行相應的優化處理。

 

 

解決方案

Satven 團隊非常重視利用 Hexagon 的 ODYSSEE CAE 軟體中可用的機器學習技術 。ODYSSEE CAE 優化軟體是一個創新的工具，通過運用機器學習和降階模型 (ROM) 技術，取代傳統的響應曲面解決方案，從而能夠預測任意時間相關和非線性的物理現象。

Satven 團隊決定使用開源的 Honda Accord 車身結構 (Body in White) 有限元 (FE) 模型進行評估（詳見：https://www.nhtsa.gov/crash-simulation-vehicle-models）。

此次評估的目標包括兩大方面：噪音傳遞函數 (NTF) 和 全局模態，具體內容如下：

1. 噪音傳遞函數Noise Transfer Function (NTF)：

a. 研究車身結構 (BIW) 組件厚度及材料對 NTF 的敏感性

b. 使用機器學習方法進行 NTF 預測(無需實際 CAE 模擬)

c. 使用機器學習方法進行 NTF 優化(無需實際 CAE 模擬)

2. 全局模態：

a. 研究車身結構 (BIW) 組件厚度及材料對前端側向彎曲模態的敏感性

b. 使用機器學習方法進行車身結構前端側向彎曲模態的預測(無需實際 CAE 模擬)

c. 使用機器學習方法進行車身結構前端側向彎曲模態的優化(無需實際 CAE 模擬)

這些目標旨在利用機器學習技術實現快速預測與優化，減少傳統 CAE 模擬的依賴

Satven 團隊在初步分析中識別出了一些對 NTF 和全局模態研究影響較大的敏感零件。這些零件的厚度和楊氏模量被考慮為變量，用於生成初步的實驗設計 (DOE)，以訓練機器學習模型，該 DOE 是通過 ODYSSEE CAE 生成的。

隨後，團隊利用 ODYSSEE CAE 中的解析工具 (Parser Tool) 生成 NTF 和模態分析的樣本，並選擇 MSC Nastran 作為求解器。這些樣本文件通過 MSC Nastran 求解後，產生了 NTF 和模態的分析結果。

(AI/ML based trimmed body global mode prediction and optimization using ODYSSEE CAE)

 

在接下來的步驟中，團隊將實驗設計 (DOE) 參數(X-輸入)與噪音傳遞函數 (NTF) 和模態結果(Y-輸出)輸入到 ODYSSEE CAE 工具中，以生成降階模型 (ROM)。為確保該 ROM 模型的有效性，團隊會將 ODYSSEE CAE 預測的結果(機器學習結果)與 MSC Nastran 預測的結果(CAE 結果)進行比較。

一旦完成驗證，ROM 模型將用於預測輸入參數對 NTF 和模態結果的敏感度。接下來，團隊將為 NTF 和模態設置目標和約束條件，並利用 ROM 模型進行優化，以找到最佳設計參數。

 

研究結果

ODYSSEE CAE(機器學習)與 MSC Nastran(CAE)結果之間的相關性達到了 91%，特別是在主要峰值方面，傳統有限元分析 (FEM) 模擬通常需要約三小時，而 ODYSSEE CAE 模擬僅需幾秒鐘即可完成，識別部件的敏感性也能在幾秒鐘內完成。考慮到需要進行多次模擬，傳統 CAE 可能會使總耗時達到數小時、數天甚至數週，這使得嘗試多種迭代幾乎變得不切實際。

相對而言，ODYSSEE CAE 的降階模型模擬僅需幾秒鐘，這對於識別敏感參數非常有幫助，它能在極短的時間內進行大量設計迭代，從而促進更快的決策並促成更優秀的車輛設計，基於這些結果以及 AI/ML 自動化帶來的巨大優勢，Satven 團隊渴望在客戶的實際車輛開發中進一步探索這些工具的應用。

 

此案例使用的CAE軟體： ODYSSEE CAE, MSC Nastran

效益：ODYSSEE的AI/ML功能可以大幅縮減整車NVH分析和最佳化所需的時間

 

 

NTF BIW 說明

噪音傳遞函數 (Noise Transfer Function, NTF) 是一種用來描述噪音在系統中如何從某個點傳遞到另一點的數學模型。它反映了系統對噪音的響應，並且可以用來分析和預測噪音從源頭傳遞到觀測點時的變化。

而NTF 通常通過實驗測量來獲得，這包括在噪音源頭和接收點進行噪音測試。通過計算源頭輸入和接收點輸出信號之間的關係，可以得到 NTF 的數學模型。這個模型可以用來預測不同條件下的噪音傳遞特性。

 

車身結構 (Body in White, BIW) 是指汽車生產過程中，車輛的車身骨架結構在未進行任何表面處理（如噴漆、內飾和其他組件安裝）之前的狀態。BIW 是汽車製造中一個關鍵的階段，因為它為整車的強度、剛性和安全性奠定了基礎。

 

小結：NTF 是聲學和振動工程中重要的工具，用來理解和控制噪音在系統中的傳遞過程，對於噪音減少和聲學設計具有重要意義。BIW 支撐整個車輛結構，還直接影響車輛的性能、安全性和燃油效率。

 

 

想 更 清 楚 的 了 解  AI解決NTF BIW 2大問題 – CAE軟體ODYSSEE ODYSSEE 的 細 節 ，歡 迎 來 電 (02)2712-8448 或 是 來 信。

If you want to know more details from ODYSSEE  ,please contact Simhex.

 

 

ODYSSEE 為 工 程 、 製 造 和 質 量 提 供 實 時 解 決 方 案，包 括 以 下 功 能：

• 機器學習 AI
• 統計 、 數據挖掘 、 數據融合
• 優化 和 魯棒性
• 圖像識別 和 壓縮

 

機器學習、人工智慧AI的最佳幫手 ODYSSEE 應用領域如下：

• 計算流體力學
• 結構仿真
• 材料
• 聲學設計
• 系統動力學
• 自動駕駛
• 製造工藝

 

ODYSSEE 應用:

 

 

 

• 延 伸 閱 讀 

• ODYSSEE CAE 機器學習成為電機一大助力
• ODYSSEE幫助臨床醫學最佳化3D列印矯正鞋墊
• 變速箱性能最佳化：透過ODYSSEE建立AI ML的Romax變速箱設計
• 機器學習、人工智慧AI的最佳幫手 ODYSSEE
• ODYSSEE 以CAE為中心的AI/ML創新平台