Neural Concept

Neural Concept သည် ဆွစ်ဇာလန်နိုင်ငံ Lausanne မှ ဖြစ်ပြီး၊ အင်ဂျင်နီယာများ ဒီဇိုင်း တစ်ကြိမ် ပြောင်းတိုင်း နာရီများစွာကြာ CFD သို့မဟုတ် finite element simulation ကို ထပ်မံ မလုပ်ရစေရန် ဆောင်ရွက်ပေးသည်။ ၎င်းသည် deep learning ဖြင့် "surrogate model" ကို လေ့ကျင့်ကာ လေဟုန်၊ အပူ ကူးပြောင်းမှုနှင့် တည်ဆောက်ပုံ စွမ်းဆောင်ရည် ခန့်မှန်းချက်ကို နာရီအဆင့်မှ စက္ကန့်အဆင့်သို့ လျှော့ချပေးသည်။

လုပ်ဆောင်ချက် အင်္ဂါရပ်နှင့် သင့်လျော်သော အသုံးပြုမှုနယ်ပယ်

ရိုးရာ အင်ဂျင်နီယာ ဒီဇိုင်း ထပ်ခြင်းမှာ အလွန် နှေးသည် — ပုံစံ ပြောင်း၊ simulation သို့ ပို့၊ တစ်နေ့စာ စောင့်၊ ရလဒ် ကြည့်၊ ထပ်ပြောင်း။ တစ်နေ့လျှင် စမ်းသပ်နိုင်သည်မှာ ဆယ်ခုမပြည့်ပါ။ Neural Concept ၏ နည်းလမ်းမှာ သမိုင်း simulation အချက်အလက်ဖြင့် geometry-aware neural network ကို လေ့ကျင့်ပြီး၊ ထို့နောက် ဒီဇိုင်း ပြောင်းသည့်အခါ မော်ဒယ်က စွမ်းဆောင်ရည်ကို တိုက်ရိုက် ခန့်မှန်းပေးသဖြင့် အင်ဂျင်နီယာများ မိနစ်အနည်းငယ်အတွင်း ပြောင်းလဲမှု ရာနှင့်ချီ၍ ဖြတ်သန်း ကြည့်ကာ မျှော်လင့်ချက်ရှိသော ဦးတည်ချက်ကို ရှာဖွေပြီးနောက် တိကျသော simulation သို့ ပို့၍ အတည်ပြုသည်။ ၎င်းကို ကား လေဟုန်ဗေဒ၊ ဘက်ထရီနှင့် အီလက်ထရွန်နစ် အပူစုပ်ခြင်း၊ တည်ဆောက်ပုံ စက်မှုဗေဒ စသည့် နယ်ပယ်များတွင် အဓိက အသုံးပြုပြီး၊ ဖောက်သည် အများစုမှာ ဥရောပ၏ ကားနှင့် လေကြောင်း ထုတ်လုပ်သူများ ဖြစ်သည်။ တရားဝင်အားဖြင့် မိမိကိုယ်ကို simulation ဆော့ဖ်ဝဲ အစားထိုးသူ မဟုတ်ဘဲ အင်ဂျင်နီယာ အဖွဲ့၏ လက်ထောက် မောင်းသူအဖြစ် သတ်မှတ်သည်။

simulation အချက်အလက် အများအပြား စုဆောင်းထားပြီးသား ထုတ်လုပ်မှု သုတေသန ဌာနများအတွက် သင့်လျော်သည် — ဤအချက် အလွန်အရေးကြီးသည်၊ သမိုင်း အချက်အလက် မရှိလျှင် ယုံကြည်ရသော surrogate model လေ့ကျင့်၍ မရပါ။ ကား၊ လေကြောင်း၊ စွမ်းအင် ကိရိယာနှင့် အီလက်ထရွန်နစ် အပူစုပ်ခြင်းသည် အထင်ရှားဆုံး နယ်ပယ်များ ဖြစ်သည်။ မြန်မာ့ ယာဉ် အစိတ်အပိုင်းနှင့် အပူစုပ် module ထုတ်လုပ်သူများတွင် နှစ်ပေါင်းများစွာ simulation အချက်အလက် ရှိပါက အကဲဖြတ်နိုင်သော အုပ်စု ဖြစ်သည်။

အဓိက လုပ်ဆောင်ချက်များ

• geometry-aware deep learning surrogate model
• လေဟုန်၊ အပူ ကူးပြောင်းမှု၊ တည်ဆောက်ပုံ စွမ်းဆောင်ရည်၏ စက္ကန့်အဆင့် ခန့်မှန်းချက်
• ဒီဇိုင်း အာကာသ၏ ကြီးမားသော အလိုအလျောက် ရှာဖွေမှု
• ရှိပြီးသား CAD နှင့် simulation ကိရိယာများနှင့် ချိတ်ဆက်ခြင်း
• သမိုင်း simulation အချက်အလက်ဖြင့် လေ့ကျင့်၍ ပရောဂျက်စုပုံလာသည်နှင့်အမျှ မော်ဒယ် တိုးတက်
• ကား၊ လေကြောင်း၊ စွမ်းအင် စသည့် လုပ်ငန်းများအတွက် အသုံးပြုမှု module များ

အသုံးများသော အသုံးပြုမှုများ

• ကား ပုံစံ၏ လေဟုန်ဗေဒ optimization
• ဘက်ထရီ module နှင့် power component များ၏ အပူစုပ် ဒီဇိုင်း
• တည်ဆောက်ပုံ အစိတ်အပိုင်းများ၏ ပေါ့ပါးမှုနှင့် ခိုင်ခံ့မှု ဟန်ချက်ညီစေခြင်း
• ထုတ်ကုန်အသစ်၏ အစောပိုင်း ဒီဇိုင်း အာကာသ လျင်မြန်စွာ ရှာဖွေခြင်း