HyperWorks shapeAI를 사용하면 모델 내에서 패턴 및 모양 인식을 자동화할 수 있으므로 유사한 모든 모양을 선택하고 바로 편집할 수 있습니다. 클러스터링을 사용하여 부품을 그룹화하므로 다수의 개별 부품이 아니라 소수의 그룹으로 모델링할 수 있습니다.

shapeAI는 추가 입력이나 개입 없이 지정된 기하학적 구조 자체에 대한 자동 기능 추출을 포함합니다. HyperWorks의 매칭 도구에서 이러한 기능을 머신러닝 알고리즘과 결합하면 모든 사용자가 손쉽게 기하학적 머신러의 강력한 힘을 활용할 수 있습니다. shapeAI를 사용하여 복잡한 모델의 구성 요소를 기하학적 유사성으로 구성하면 한 부분만 수정한 후 이를 모든 부분에 동기화할 수 있습니다.

차수 축소 모델(ROM)은 시스템 수준 연구를 위한 계산 효율적인 1D 환경에 상세한 3D 시뮬레이션을 통합하는 데 유용합니다. Altair® EDEM 또는 Altair CFD와 같은 시뮬레이션 도구를 사용하면 시변 비선형 시스템을 상세하게 조사할 수 있으나 시뮬레이션 실행 시간이 길기 때문에 분석은 일반적으로 구성 요소 또는 하위 시스템에 집중됩니다. 그러나 전체 시스템 시뮬레이션의 경우, 구성 요소 동작을 전체 시스템과의 상호 작용으로 좁혀도 충분한 경우가 많고 이렇게 하여 충분히 정확한 결과를 제공하면서 솔버 실행 시간을 개선할 수 있습니다.

알테어의 romAI 인공 지능 도구를 활용하여 3D 시뮬레이션을 동적 ROM 생성을 위한 훈련 데이터로 사용할 수 있습니다. 이 접근 방식은 기존 데이터기반 접근 방식에 비해 적은 양의 훈련 데이터가 필요하므로 몇 번 안되는 3D 시뮬레이션으로도 충분합니다. romAI는 모든 솔버와 함께 작동할 수 있고 훈련 공간 내에서 작동할 때 매우 정확한 결과를 제공하며 공간 외부의 외삽에도 안정적이고 유용합니다. 테스트 데이터부터 시작할 때 시스템 식별을 위해 동일한 머신러닝 기술을 사용할 수도 있습니다.

디지털 트윈을 통해, 기업은 제품 성능을 최적화하고, 제품의 서비스 수명에 대한 가시성을 확보하며, 예측 유지 보수를 수행할 시기와 위치를 파악하고, 제품의 잔존내용연수(RUL)를 연장하는 방법을 알 수 있습니다. 알테어 디지털 트윈 통합 플랫폼은 물리 및 데이터 기반 트윈을 혼합하여 제품 수명주기 동안 최적화를 지원합니다. 알테어는 사용자가 원하는 디지털 트랜스포메이션 비전을 가능하게 하는 완전하고, 개방적이며, 유연한 접근 방식을 취합니다.

물리 기반의 시뮬레이션-기반 디지털 트윈은 상세 시뮬레이션에서 저충실도 모델을 도출하기 위해 FMI(Functional Mock-up Interface)와 같은 표준화된, 도구 독립적 인터페이스, 지오메트리-기반 3D CAE 도구를 사용하는 공동 시뮬레이션 방법 및 차수 감소 모델링(Reduced Order Modelling) 접근법을 활용합니다. 데이터-기반 트윈은 머신러닝 알고리즘과 데이터 과학을 활용하여 제품 성능을 최적화합니다. 이러한 관점에서 보면, 제품 상태에 대한 신속한 실시간 인사이트를 얻은 다음 제품 수명을 개선하고 고장을 방지하기 위해 적절한 작동 조정을 수행할 수 있게 됩니다.