本案例使用ODYSSEE CAE，材料開發商以ML-ROM協助客戶設計減振產品
這篇文章內容是Taica Corporation – Tokyo, Japan的實際案例。
Taica株式會社成立於1948年，至今已超過70年，致力於運用科技豐富全世界人類的生活。1974年，Taica開發全球首創的水轉印技術「CUBIC PRINTING」。1984年，研發出一種具有超柔軟特性的創新凝膠材料，命名為αGEL（阿爾法凝膠）。自2000年以來，Taica開發出具高導熱性的軟性材料，進一步提升了αGEL的多功能性。Taica的目標是透過不斷在各個市場中開發出能夠運用αGEL的新產品，讓社會感到驚豔與讚嘆，這些市場包括運動鞋、工業設備、行動裝置和護理產品等。
Taica 的主要產品之一是應用於工業領域的避震器。避震技術對於工業設備的高性能表現至關重要。αGEL 擁有卓越的黏彈性特性，能在廣泛的頻率範圍內提供優異的避震和吸震效果。此外，與橡膠相比，αGEL 的 complex modulous 對溫度的依賴性要低得多，而且它對紫外線和濕氣具有很高的抵抗能力。
近年來，Taica的客戶普遍希望減少早期設計階段的開發時間，減少製作使用設計原型。為了滿足這類客戶的需求，Taica 開始推廣使用電腦輔助工程（CAE）分析。具體來說，Taica 將具有大應變特性的粘彈性材料有限元素（Finite Element, FE）模型的 αGEL 減振器，放到客戶正在開發的產品的電腦輔助設計（CAD）模型上，進行 CAE 分析，來預測產品的減振性能。藉由這種方式，Taica 能迅速解決客戶在減振設計上遇到的難題，將設計過程推進至虛擬模型上，從而更快地回應客戶的需求。
振動隔絕器的設計挑戰
雖然CAE技術已經讓實驗的次數大幅減少，但在最終確定產品規格之前，仍然需要進行許多參數研究。有些客戶沒有這麼多時間。因此，仍然需要根據工程師的「經驗」和「直覺」快速選擇隔振材料。這種狀況下，CAE可用可不用。有經驗的工程師選擇的阻尼材料往往能快速滿足所需的性能。然而，這也是使隔振設計技術有「個人依賴性」的因素之一。未來在全球趨勢下，確保工程師人力這件事，預計會變得更加複雜。因此，建立一套不再依賴個人經驗和直覺的隔振設計方法，一直都是個議題。如果能夠在不依賴專家的情況下進行隔振設計，通常困難且需要時間掌握。假設這個想法可行，設計工作的效率將會大幅提升，真的專家也可以專注於其他更重要的設計問題上。為了解決這個問題，Taica決定儘早導入機器學習（Machine Learning, ML）。
振動隔離器設計的敏捷優化方法
目前，我們的客戶需求是要順利培訓未來的減振器開發者，並持續不受阻礙地進行產品開發。我們的目標是要改變傳統的方法，讓非專業工程師也能參與部分減振設計的工作，從而更快速地為Taica的客戶提供最佳解決方案。為此，建立一個環境，讓非專業工程師可以使用機器學習估算模型，快速且靈活地優化減振器是非常重要的。
現在有一種潛在的方法，可以幫助開發者快速找到振動裝置的最佳設計值，以便建立機器學習模型。Hexagon 的 ODYSSEE CAE 是一個現代化的平台，擁有基於機器學習的最佳值預測建模引擎和參數研究功能。ODYSSEE CAE 能夠將現代數據科學技術與方法，如模式識別、影像處理、數據挖掘、流程發現、機器學習和設計優化，強力結合到工作流程中。因此，他們可以利用即時預測建模和優化技術，為 CAE 模擬數據和實體測試數據建立具成本效益的數位雙生。Taica 是首批採用這個全新平台的材料製造商之一。
為設計工作的降階模型 (reduced-order model, ROM )
在設計新的減震器時，工程師通常需要考慮多種因素，包括形狀、尺寸、材料類型、金屬支架設計、生產效率、成本等等。Taica的工程師研究是否可以透過機器學習（ML）高精確度地預測減震器的尺寸、材料類型及應力-應變關係。
ODYSSEE CAE平台在進行這類調查時相當便利。Taica的工程師利用ODYSSEE CAE平台快速分析了訓練數據集的主要成分，以建構和優化ML降階模型（ML-ROM），並揭示減震器設計參數之間的關聯性。
在這項研究中，Taica的工程師專注於研究如圖1所示的軸對稱壓縮型αGEL減震器，並確認ML-ROM能夠準確預測訓練數據集中未包含的未知設計參數的應力-應變關係。
訓練數據集在決定學習模型的預測準確性方面具有重要意義。透過使用ODYSSEE CAE平台，可以快速確定在訓練數據集中要使用的數據組合，以提高ML-ROM的預測準確性。此外，為了進一步提升ML-ROM預測的準確性，有必要確定能夠表徵隔振器的參數類型，並在可能的設計變更範圍內充分分配數據，確保每個數據都不偏不倚。這個平台讓我們可以輕鬆查看各個參數的分佈情況。
在Taica初期的研究中，僅靠隔離器的上/下直徑和高度等基本參數，無法準確預測 αGEL 材料的壓縮特性，因此，除了上述基本參數外，我們還準備了機器學習降階模型（ML-ROMs），這些模型包括從基本參數中得到的“平均面積 (S_a) 除以高度 (h)”、“平均直徑 (ϕ_a) 除以高度 (h)”、以及“凝膠體積 (V)”等額外參數。
為了提高壓力-應變機器學習降階模型（ML-ROM）預測的準確性，需要將未學習的隔離材料的尺寸和材料常數納入考量，並與實驗結果進行比較。因此，ML-ROM 在原始訓練參數以及平均負載面積除以凝膠高度的基礎上，能夠以足夠的準確性預測隔離材料的壓縮應力-應變行為。圖4顯示了在四種不同設計條件下，壓縮應變-應力預測結果與實驗結果的差異，這些設計條件並未包含在學習數據中，而是透過在學習數據集中加入額外參數（例如S_a/h）所建立的各種 ML-ROM 來進行分析。這張圖表明，透過加入基本參數所建立的 ML-ROM，具有最高的預測準確性。圖5展示了 αGEL 減震材料的壓縮應力-應變關係的測量結果，以及 ML-ROM 在圖4中的設計條件1和4的預測結果。這些結果顯示，由Taica建立的 ML-ROM 能夠準確描述 αGEL 隔離材料的壓縮特性。
結論
Taica專注於圓柱形和圓錐形的減震器，並展示透過在訓練數據中引入載荷面積和高度的形狀係數，除了基本參數，例如上、下直徑和高度外，能夠提升ML-ROM的預測準確性。這裡Taica展示的減震器形狀相對簡單，預測準確性相對較高。未來，在預測形狀更複雜的減震器的壓縮特性或直接預測共振頻率時，可能需要使用不同於訓練時所用的參數。ODYSSEE CAE 的 ML-ROM 方法，其中一個最顯著的優勢在於，它可以無縫處理從代理模型建立到參數分析的每個過程。
「透過參數化篩選實驗數據和模擬結果來建構代理模型，減震設計歷來被認為是少數專家領域的工作，將變得相對容易，任何人都可以進行。ODYSSEE CAE 不僅僅是提升設計效率，更能快速量化和評估數位數據，從而實現不依賴少數人技術的新設計。」
「我們期望如果業務負責人能夠在ML-ROM中提出產品和準確的預測，專家將能夠應對更具挑戰性的設計任務，同時加速對客戶的響應。」
「如果我們能夠達成這一目標，我們將不僅僅是部分優化設計工作，而是可以在內部部門之間優化整個系統。這一過程與ODYSSEE CAE一起，是邁向成為一家快速為客戶提供高品質解決方案的公司的重要一步。」Taica Corporation多功能材料研發部門機構分析組組長Hiroshi Nasuno博士說道。
原文內容: How to optimise the design of vibration insulators using ML-ROM