独自のKPIのPhysicsAIへの取り込み

このチュートリアルでは、physicsAIにおいて、応答として独自のKnowledge Point Indicators (KPIs)を使用する手順を学習します。

開始する前に、このチュートリアルで使用するファイルを作業ディレクトリにコピーします。
注:

プロジェクトJSON_creation_files.zipを解凍してコンテンツを調べます：

  • collected_data.csvは、さまざまな.h3dファイルの相対ファイルパスと対応するKPIの概要を含む、コンマ区切りファイルです。
  • physicsai_csvtojson.pyは、上記の.csvファイルを読み取り、.csvにリストされている.h3dファイルと同じ相対的な場所に.jsonファイルを生成するPythonスクリプトです。
  • run_000XX_beam.h3dファイルは、添付フォルダー内のさまざまな場所で提供されています。
このチュートリアルでは、以下のことを行います：
  • .csvファイルを独自のKPIで更新します。
  • 提供された各.h3dファイルに対応する.jsonファイルを生成します。
  • ベクトル予測を使用してKPIを予測するphysicsAIモデルをトレーニングします。

JSONファイルの作成

このステップでは、H3Dファイルに対応するKPIを含むJSONファイルを作成します。

  1. collected_data.csvファイルを開きます。
    このファイルには、提供されているさまざまな.h3dファイルの相対的な場所がまとめられています。また、各.h3dファイルに対応するKPI値が、適切なヘッダーの列にリストされています。このファイルは誰でも編集可能で、KPIを追加または削除できます。
    図 1.


  2. .h3dファイルへの相対パスが最初の列に正しく入力されていること、および各.h3dにすべてのKPIが定義されていることを確認します。
  3. physicsai_csvtojson.pyファイルを実行します。
    このファイルは、構造化された形式でKPIを含むJSONファイルを生成します。各JSONファイルの名前は、対応する.h3dファイルと同じで、拡張子のみが.jsonとなります。
    図 2.


KPI用のPhysicsAIモデルのトレーニング

  1. HyperMeshを開きます。
  2. メニューバーから、View > Ribbons > PhysicsAIの順にクリックして、PhysicsAIリボンを開きます。
  3. KPI_Tutorialという新しいプロジェクトを作成します。
    1. PhysicsAIリボンからCreate Projectツールを選択します。
      図 3.


      Create Projectダイアログが開きます。
    2. Project Nameに、KPI_Tutorialと入力します。
    3. Locationで、Chooseをクリックして、プロジェクトの保存場所を選択します。
      注: プロジェクトの保存場所には、PhysicsAIによって作成されたすべてのファイルが格納されますが、トレーニングに使用される元のファイルがこのプロジェクトフォルダーに配置される必要はありません。
    4. OKをクリックします。
  4. JSON作成ファイルフォルダー内のすべての.h3dファイルを使用して、Beam40という新しいデータベースを作成します。
    1. PhysicsAIリボンからCreate Datasetツールを選択します。
      図 4.


      Create Datasetダイアログが開きます。
    2. Dataset Nameとして、Beam40と入力します。
    3. File Systemでをクリックし、JSON_creation_filesフォルダーに移動します。
    4. すべての.h3dファイルを選択して転送します。
    5. Enable train test splitを選択して80:20分割を有効にします。
      これによって、32ファイルのBeam40_trainと8ファイルのBeam40_testの2つのデータセットが生成されます。
    6. OKをクリックします。
      データセットが抽出され、Datasetsダイアログが開きます。
    7. Closeをクリックします。
  5. Moment_Inertia1という新しいモデルを作成します。
    1. PhysicsAIリボンからTrain an ML Modelツールを選択します。
      図 5.


      Train Modelダイアログが開きます。
    2. Model Nameに、Moment_Inertia_1と入力します。
    3. Training Dataに、Beam40_trainを選択します。
    4. VectorにI1を選択します。これはI型ビームの慣性モーメントに対応する目的の応答です。
      Beam40_trainデータベースで使用されるすべての.h3dファイルには対応する.jsonファイルがあるため、これらのファイルのKPIがVector Outputsドロップダウンメニューに表示されます。
      図 6.


  6. Trainをクリックします。

結果の確認

このステップでは、結果を視覚化して確認します。

  1. View Model Loss Curveをクリックします。
    訓練損失と検証損失がオーバーラップしていることは、よく訓練されたモデルであることを示しています。
    図 7.


  2. PhysicsAIリボンからTest ML Modelツールを選択します。
    図 8.


    Test Modelダイアログが開きます。
  3. モデルにMoment_interia1を選択します。
  4. DatasetsでBeam40_testを選択します。
    図 9.


  5. OKをクリックします。
    Model Testingダイアログが開きます。
  6. データポイントを1つ選択し、Show Resultsをクリックします。
    実際の出力と予測値がグラフに表示されます。
    図 10.


    図 11.


  7. 同じ手順で新しいデータの予測を行います。