Altair RapidMiner助力发动机舱电磁场强仿真,实现快速预测

描述

面临的难题?

在使用 Altair Feko 进行空间场强计算时,每次查询新坐标点的场强幅值都需要重新进行计算,这不仅耗时(约20-30分钟),而且还需要考虑高级算力的排队时间。这种效率瓶颈严重限制了快速决策和实时分析的可能性,特别是在需要频繁查询或优化场强分布的场景中。

主要看点

Altair 解决方案:

为解决场强幅值计算耗时问题,我们采用Altair RapidMiner构建预测模型。该模型基于Feko的空间场数据,能迅速预测不同频率下任意坐标点的场强幅值。

机器学习

实现步骤包括:

导入并预处理数据

选择合适的机器学习算法训练模型

优化模型性能,并最终实现实时预测。构建整个流程时间需要10分钟,但可复用流程,新的空间场内的预测只需要在流程中替换数据运行即可。

机器学习机器学习机器学习

优点:

采用RapidMiner预测模型后,收益显著。输入任意点的XYZ坐标,3秒内即可预测出不同频率下的场强曲线,效率大幅提升;

减少重复计算,节省算力成本,实时数据支持快速决策。

Altair 解决方案如何实现?

案例技术路线图

机器学习

基于 Monarch DPS 的数据准备

基于Monarch对于Feko提供的数据,提取X、Y、Z和Frequency等我们需要的数据进行数据准备。

机器学习

数据准备

基于 RapidMiner 的数据建模

为了验证模型的预测能力,我们首先将我们的数据拆成了两份,根据X、Y、Z的数据每隔3个坐标点取1得到了大概289,952条数据,剩下579,904条数据供我们验证当前场强的分布。

机器学习

289,952 数据集进行建模

机器学习

579,904条数据验证我们方案的可行性

实现过程:模型训练

机器学习

实现过程:模型检验

机器学习

实现结果

实验证明,基于RapidMiner通过对于空间点上的场强进行建模,我们可以实现对于空间上任一一点的场强预测。

如果用 Feko存了 STR 文件,不算使用高算排队的时间,大概算一次十几二十分钟,如果基于RapidMiner的模型,只需要输入坐标点,3秒内就能得到结果。

机器学习

 

机器学习

不同HZ下预测和实际值的拟合曲线



审核编辑:刘清

打开APP阅读更多精彩内容
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉

全部0条评论

快来发表一下你的评论吧 !

×
20
完善资料,
赚取积分