Применение аппроксимационных моделей#
Использование аппроксимационных моделей машинного обучения в составе проекта REPEAT VISION значительно расширяет область решаемых задач при моделировании сложных систем:
В проекте могут одновременно учитываться как экспериментальные данные и выявленные в них закономерности, так и различные физические модели, описывающие процессы, происходящие в системах.
Использование ML моделей на платформе REPEAT VISION позволяет ускорить моделирование сложных процессов с помощью аппроксимации результатов расчёта МКЭ моделей, МКО и других моделей. ML модели позволяют заменить вычислительно затратное моделирование быстрыми для вызова моделями нейронных сетей.
Для загрузки и вызова моделей на платформе REPEAT VISION используется нейтральный формат ONNX. ONNX является универсальным форматом, поддерживающим множество методов машинного обучения как для Python, так и для других инструментов и программного обеспечения.
Внимание
Для работы с моделями машинного обучения пользователь должен обладать базовыми навыками в области математической статистики, линейной алгебры и численных методов.
Также необходимы начальные знания языка программирования Python и навыки работы с пакетами анализа данных, а также знания библиотек для машинного обучения, например, Scikit-learn, Pytorch или TensorFlow.
Если вы планируете использовать другой инструмент или программное обеспечение для подготовки аппроксимационных моделей, то он должен быть совместим с ONNX для обеспечения возможности использования ваших моделей на платформе REPEAT VISION.
С целью получения базовых навыков подготовки аппроксимационных моделей, а также их использования на платформе REPEAT VISION ознакомьтесь со следующими уроками.
Урок рассматривает практический пример решения уравнения колебаний с использованием физически-информированных нейронных сетей (PINN). Позволяет получить навыки построения моделей для решения уравнений, сохранения их в формате ONNX и использования модели в REPEAT VISION.
См. также
Больше отраслевых примеров подготовки аппроксимационных моделей, а также их использования на платформе REPEAT VISION приведено в соответствующем практическом руководстве