그런 다음 모듈은 다음을 탐색합니다. 생성적 AI, 대규모 언어 모델, 생성 설계 모델, 그리고 이들의 실제 적용 사례를 설명합니다. 참가자들은 다음과 같은 AI 기술이 어떻게 활용되는지 살펴볼 것입니다. 자연어 처리, 컴퓨터 비전, 그리고 자율 시스템 더 넓은 영역에 기여하다 산업 4.0.
두 번째 부분에서는 주의가 다음으로 이동합니다. CAD, CAE, 최적화 및 설계 자동화 분야의 AI 기회, 지능형 알고리즘이 모델링, 시뮬레이션 및 설계 의사 결정을 어떻게 지원하는지 강조합니다. 마지막으로, 이 모듈에서는 세 가지 주요 기능을 소개합니다. AI 도구 카테고리—생성적 설계, 예측 모델링, 시뮬레이션 가속화—다음에 나오는 실무 모듈을 위한 프레임워크를 확립합니다.
모듈 1을 완료하면 참가자는 기계 공학 워크플로 내에서 AI 방법을 효과적으로 적용하는 데 필요한 개념적 기초와 맥락을 습득하게 됩니다.
모듈 2: 기계 공학을 위한 최고의 AI 도구 개요
모듈 2에서는 기계 공학을 위한 다양한 AI 도구를 살펴보고 비교합니다. 이 세션에서는 코드 생성을 위한 ChatGPT 및 Copilot과 같은 범용 어시스턴트와 Altair Design AI, Autodesk Fusion의 생성적 설계, MSC Apex, Siemens NX와 같은 설계 및 시뮬레이션을 위한 특수 도구에 대한 개요를 다룹니다. 문서화 도구(CADScribe, Werk24), 웹 기반 시뮬레이션 도구(SimScale), 그리고 컨셉 설계 도구(LEO)도 소개합니다. 이 모듈에서는 엔지니어링 문제 해결에 있어 물리 기반 신경망(PINN)의 역할을 다루며, 각 도구가 실제 엔지니어링 워크플로우에서 어떤 역할을 하는지 강조합니다.
모듈 3: AI를 활용한 생성 디자인
모듈 3은 생성적 설계와 AI가 기존 파라메트릭 방식을 넘어 프로세스를 어떻게 향상시키는지에 중점을 둡니다. 참가자들은 규칙 기반 파라메트릭 설계와 더 광범위한 솔루션 영역을 탐구하는 AI 기반 생성적 접근 방식의 주요 차이점을 배웁니다. 이 모듈에는 Autodesk Fusion을 사용하여 설계 목표 및 제약 조건에 따라 최적화된 형상을 생성하는 실습 데모가 포함됩니다. 기계 부품 경량화 사례 연구는 AI가 구조적 성능을 유지하면서 재료 사용량을 줄이는 방법을 보여줍니다. 이 세션에서는 기계 공학용 생성적 AI 도구가 제품 설계 및 구조 최적화에서 더욱 효율적이고 데이터 기반 엔지니어링 의사 결정을 지원하는 방법에 대한 실질적인 이해를 제공합니다.
모듈 4: AI 어시스턴트를 활용한 CAE 작업 자동화
모듈 4에서는 ChatGPT 및 GitHub Copilot과 같은 AI 어시스턴트를 활용하여 일반적인 CAE 작업, 특히 유한요소해석(FEA)을 자동화하는 방법을 소개합니다. 수강생은 Abaqus 워크플로를 중심으로 시뮬레이션 데이터의 전처리 및 후처리를 위한 Python 또는 MATLAB 스크립트를 생성하고 수정하는 방법을 배우게 됩니다. 이 모듈은 AI가 코드 작성, 디버깅 및 반복 작업 효율화를 어떻게 지원할 수 있는지 보여줍니다. 또한 FEA 설정 및 분석 단계를 자동화하여 엔지니어가 수동 작업을 줄이고 시뮬레이션 기반 설계 및 검증 프로세스의 효율성을 향상시킬 수 있도록 AI의 광범위한 잠재력을 살펴봅니다.
모듈 5: 시뮬레이션 가속화를 위한 AI
모듈 5에서는 AI, 특히 머신 러닝을 활용하여 이전 결과를 학습하고 기계 시뮬레이션을 가속화하는 방법, 또는 실험 결과를 활용하여 결과를 예측하는 머신 러닝 모델을 학습하는 방법을 다룹니다. 이 세션에는 머신 러닝 모델이 실험 시험에서 얻은 피로 결과를 근사하도록 학습하는 실습 데모가 포함됩니다. 이 접근 방식은 데이터 기반 모델이 허용 가능한 정확도를 유지하면서 계산 시간을 크게 단축하고 설계 반복, 최적화 연구 및 실시간 시뮬레이션 시나리오에서 실질적인 가치를 제공하는 방법을 보여줍니다.
이 모듈은 참가자들에게 다음 사용법을 소개합니다. 머신 러닝 기술 알루미늄 랩 조인트의 피로 균열 성장을 예측하기 위해 램파 신호 데이터. 참가자들은 다음과 같이 작업합니다. PHM 2019 알루미늄 랩 조인트 피로 데이터 세트, 공연하다 신호 기반 특징 추출, 그리고 빌드 앙상블 학습 모델 균열 진행을 추정합니다. 이론적 설명과 Python 실습을 통해 학습자는 실제 적용 경험을 얻을 수 있습니다. 데이터 기반 방법 ~을 위한 구조 건강 모니터링(SHM) 그리고 예측 유지 보수 금속 구조물의.
상품평
아직 상품평이 없습니다.