SmartUQ est un puissant logiciel d’apprentissage machine (Machine Learning ou ML) conçu spécifiquement pour les applications scientifiques et d’ingénierie. En fournissant des outils puissants et des modèles ML très précis avec un interface utilisateur graphique et des API conviviales, SmartUQ facilite la réalisation de modélisations prédictives, d’échantillonnages optimisés, de quantifications des incertitudes et d’étalonnages de modèles. La grande précision de la modélisation prédictive de SmartUQ aide les utilisateurs à aller au-delà de l’analyse traditionnelle par la prise en compte des incertitudes dans les processus de prise de décision.

Pourquoi SmartUQ ?

La combinaison dans SmartUQ de capacités d’échantillonnages uniques, de puissants outils d’apprentissage automatique et d’analyses faciles à mettre en oeuvre aide les utilisateurs à résoudre des problèmes auparavant insolubles.

Principaux secteurs industriels utilisateurs

Automobile, aérospatial, défense, dispositifs médicaux, industrie pharmaceutique, semi-conducteurs, énergie, pétrole et gaz

Livre blanc ‘Industrie pharmaceutique’

Livre blanc ‘Dispositifs médicaux’

Outils et domaines d’applications

 – Simulation de systèmes, quantification de l’incertitude

– Optimisation sous incertitude, conception robuste, étalonnage et validation de modèles

– Maintenance prédictive, contrôle qualité, optimisation de processus.

Techniques d’échantillonnages

Les plans d’expériences sont généralement mis en oeuvre pour collecter de nouvelles données provenant d’un processus. Dans de nombreux cas, des données en quantités suffisantes ont déjà été recueillies sur de longues périodes de temps mais il y a tellement de données que l’analyse est tout simplement non réalisable. Par exemple, la surveillance de l’état des capteurs sur des composants en service peut capturer des données en continu pendant toute la durée de vie du composant. Les outils d’échantillonnage de données de SmartUQ peuvent sélectionner les données pour élaborer un plan d’expériences remplissant l’espace (space filling design) composé de sous-ensembles de l’ensemble de données complet. Contrairement aux plans d’expériences qui sont définis avant la collecte de données, l’échantillonnage de données comme le sous-échantillonnage et l’échantillonnage par tranches prennent des paires de données d’entrée-sortie existantes et sélectionnent les points qui représenteront bien l’espace de conception.

Plans d’expériences

SmartUQ contient un riche ensemble de techniques d’échantillonnage de données révolutionnaires et une bibliothèque complète de générateurs de plans d’expériences avancés pour la simulation et les expériences physiques. Ces technologies garantissent la précision et minimisent le nombre de points de données nécessaires pour générer des résultats de quantification et d’analyse des incertitudes. Les outils les plus populaires incluent le sous-échantillonnage pour les applications Big Data et la conception adaptative de plans d’expériences qui optimise l’efficacité de l’échantillonnage en utilisant des données déjà collectées pour sélectionner des points de données supplémentaires.

Emulateurs

La technologie d’émulation de SmartUQ permet d’adapter des émulateurs précis en un temps record. Ces modèles analytiques extrêmement rapides peuvent prévoir le comportement de systèmes informatiques et physiques complexes en boîte noire. L’utilisation d’émulateurs permet une propagation extrêmement rapide des incertitudes, une analyse de sensibilité, une exploration de l’espace de conception, une optimisation statistique, un étalonnage statistique et une analyse inverse. Plus besoin d’échantillonnages Monte-Carlo coûteux et d’heures d’attente pour les calculs ! La technologie de SmartUQ peut gérer des entrées qualitatives et quantitatives, des systèmes avec des sorties multiples et fonctionnelles, des systèmes de grande dimension et des mégadonnées, ouvrant de nouvelles portes pour accélérer la quantification et l’analyse de l’incertitude.

Etalonnage statistique

La précision des méthodes de simulation continue de s’améliorer mais il est toujours nécessaire de valider les simulations avec des données de test pour s’assurer qu’elles représentent avec précision le monde réel. L’outil d’étalonnage statistique de SmartUQ détermine rapidement et automatiquement les paramètres d’étalonnage du modèle compte tenu des données de simulation et de test. Il donne également des mesures de la discrépance du modèle pour aider à identifier les opportunités d’amélioration et pour fournir des métriques de validation du modèle. En augmentant la précision du modèle et en accélérant la validation du modèle, l’étalonnage statistique peut réduire le temps et le nombre de tests nécessaires pour comprendre les systèmes complexes, raccourcissant ainsi le cycle de conception.

Analyse de sensibilité

Déterminez rapidement la sensibilité des sorties par rapport aux entrées dans l’ensemble de l’espace de conception. Ceci est utile pour déterminer la sensibilité des géométries des pièces, le respect des tolérances de fabrication, les conditions environnementales et les niveaux d’usure. L’analyse de sensibilité montre quels facteurs ont un impact faible ou élevé, permettant aux ingénieurs de concentrer les efforts de conception et les ressources là où ils sont le plus nécessaires.

Propagation de l’incertitude

La propagation de l’incertitude permet aux utilisateurs de prévoir les distributions de probabilité des sorties du système résultant des distributions d’entrées incertaines ou variables. Presque tous les systèmes ont une incertitude d’entrée, généralement liée aux mesures physiques, aux propriétés de matériaux ou aux conditions environnementales. La propagation des incertitudes aide les ingénieurs à déterminer si les sorties du système répondront aux exigences, quelles sont réellement les probabilités extrêmes et quelles entrées ont le plus d’effet sur les distributions de sortie. Tout cela signifie de meilleures conceptions initiales, un développement plus rapide et une maintenance simplifiée.

Optimisation statistique

SmartUQ peut être utilisé pour effectuer des optimisations statistiques. Cette approche nouvelle combine les techniques d’échantillonnages adaptatifs et les modèles analytiques et offre ainsi des performances améliorées pour des problèmes complexes par rapport aux méthodes d’optimisation habituelles. L’optimisation statistique permet une réduction très rapide de la zone de recherche en cas d’objectifs multiples et d’un très grand nombre de paramètres d’entrée. Mieux encore, les évaluations requises du système peuvent être déterminées à l’aide d’une conception adaptative, basée sur des ensembles de données antérieurs ou exécutées en lots parallèles pour des économies de temps importantes et des cycles de test raccourcis.