Points forts de COMSOL Multiphysics^® 6.2

Modèles de substitution

La version 6.2 de COMSOL Multiphysics^® apporte de nouvelles fonctionnalités performantes pour la création et l'utilisation de modèles de substitution. Celles-ci sont disponibles par le biais de solveurs basés sur des plans d'expériences et via la définition de fonctions. Le temps de calcul d'une application peut être considérablement réduit en faisant appel à un modèle de substitution plutôt qu'à un véritable modèle par éléments finis. Un modèle de substitution est un modèle plus simple, généralement moins coûteux en temps de calcul, qui est utilisé pour approximer le comportement d'un modèle plus complexe et souvent plus coûteux. L'évaluation plus rapide du modèle permise par un modèle de substitution offre à l'utilisateur de l'application une expérience plus interactive et favorise une utilisation plus large de la simulation au sein d'une organisation.

L'étude Apprentissage du modèle de substitution

Un modèle de substitution peut être entraîné sur un grand ensemble de données produit à l'aide de la nouvelle étude Apprentissage du modèle de substitution. Lors de l'entraînement des modèles de substitution, il est avantageux d'utiliser des méthodes d'échantillonnage stratégiques basées sur les plans d'expériences, comme l'échantillonnage par hypercubes latins (LHS), plutôt que des méthodes conventionnelles telles que l'échantillonnage par grille aléatoire ou uniforme. Le LHS, qui est utilisé dans l'étude Apprentissage du modèle de substitution, permet de représenter efficacement l'espace d'entrée tout en limitant la quantité de calculs. Bien que la précision des modèles de substitution s'améliore avec l'augmentation du nombre de points de données, il convient de trouver un compromis entre le temps consacré à la génération des données et la précision requise pour le modèle.

Fonctions de modèles de substitution

L'étude Apprentissage du modèle de substitution peut être utilisée pour la génération de données, et fournit également des options pour automatiser l'entraînement de modèles de substitution après toute génération de données. Les modèles de substitution sont disponibles en tant que fonctions sous le noeud Définitions globales. Chaque modèle de substitution présente des capacités et des limitations qui lui sont propres. Il est donc essentiel d'en choisir un qui corresponde aux exigences et aux contraintes de l'application. Le modèle de substitution Réseau de neurones profond (DNN) est inclus dans COMSOL Multiphysics^®. Le module Uncertainty Quantification propose en outre les modèles Processus gaussien (GP) et Décomposition en chaos polynomial (PCE). Ces derniers fournissent des estimations de l'incertitude quant à la qualité de l'ajustement des données, contrairement au modèle DNN. L'avantage du modèle DNN est qu'il peut traiter des ensembles de données plus importants que les modèles GP et PCE. Le module Uncertainty Quantification comprend des études spécialisées complémentaires et des fonctionnalités d'analyse spécifiques pour les modèles de substitution GP et PCE.

Interpolation et approximation de fonctions multidimensionnelles

Les modèles de substitution peuvent être utilisés pour l'interpolation et l'approximation de fonctions multidimensionnelles et peuvent supporter un nombre arbitraire d'entrées et de sorties. En outre, les modèles de substitution sont bien adaptés au traitement de relations non linéaires complexes au sein des données. L'utilisation des fonctions basées sur les modèles de substitution ne se limite pas aux applications et à la quantification de l'incertitude, mais peut également servir à représenter les données relatives aux matériaux, à des fins d'optimisation, etc. Notez que les fonctions de modèles de substitution peuvent être dérivées plusieurs fois par rapport à tout paramètre d'entrée.

Nouvelles applications

La version 6.2 de COMSOL Multiphysics^® ajoute les exemples d'applications suivants.