南京天洑软件有限公司 AIPOD 人工智能优化设计平台 数据分析

AIPOD是由南京天洑软件有限公司自主研发的一套通用的智能优化设计软件平台。它集成了业界一流的智能优化算法SilverBullet，专门针对工业设计领域数值模拟计算成本高等痛点而设计，优化效率高、效果好。公司拥有一批资深的工程设计专家，对于产品研发设计拥有独到深入的理解，这让AIPOD的智能优化技术具备出众的优化效果的同时，还具有极低的使用门槛，软件操作简单便捷、优化快速。无论是结构、流体、热力学、声学或多物理场耦合问题，AIPOD都可以帮助设计团队高效地寻找到更好的设计方案。

功能特色

（1）强大的计算流程建模——提供图形化的计算流程定义功能，在计算流程图中可以方便的调用任意的商业软件、动态库或直接以脚本形式嵌入专家经验公式，可建立任意复杂的计算流程，实现计算流程的自动化，供优化引擎调用。

*强大的计算流程建模

（2）全新的代理优化加速模块——AIAgent可通过与计算流程的连接，进行数据智能采样，通过天洑自研的机器学习算法，进行代理模型的训练，为优化设计加速助力。AIAgent中的机器学习算法来自于天洑数据建模平台，其核心是天洑自研的超参学习框架，相较于传统响应面、Kriging模型，AIAgent针对复杂问题表征能力更强、数据集需求量更低、使用门槛更低，而且训练得到的模型可导出，可复用，可作为企业的核心知识进行管理，提升企业快速优化设计的能力。

*AIAgent一键构建可复用的高精度代理模型

（3）具有智能探索能力的SilverBullet算法——SilverBullet算法是针对工业设计领域数值模拟计算成本高的痛点而研发，在计算成本有限的情况下（百量级），以尽可能少的计算代价，获取尽可能高的性能提升。SilverBullet算法整合了智能采样技术、耦合优化技术，以及一套核心的参数指标动态协调全局优化和局部探索力度，从而实现在小计算规模下的高效性能优化提升。SilverBullet算法有以下两大特色：

① 自适应优化场景，零使用门槛

SilverBullet算法具有强大的自适应性，用户仅需提供计算代价，无需任何超参设定，即可一键启动优化流程，极大程度的降低了用户的使用门槛；

② 智能边界突破（Bound-break）

SilverBullet独有的智能优化探索能够摆脱参数范围不够精确的困扰，对于无法精确给定变量范围的部分变量，在满足不增加搜索成本的前提下，自主决策有选择性地突破设计参数范围边界，获得更好的设计方案。

（4）与天洑数据建模平台无缝集成——AIPOD建模工具箱中提供全新的DT节点，可以一键导入天洑数据挖掘软件建立的模型，用于计算流程的建模。利用该功能，用户可以充分发挥数据的价值，实现仿真驱动和数据驱动相结合的优化设计。

*导入数据挖掘模型进行优化

（5）基于浏览器的人机交互界面，跨平台支持——AIPOD提供基于Web的用户界面，支持跨平台，提供多个Windows和Linux发行版本，操作系统可不需要图形界面；因此用户可以将AIPOD部署在服务器中，充分利用服务器强大的硬件资源；用户可在网络中，通过浏览器随时随地的接入AIPOD，管理计算流程、提交优化任务、查看任务的运行状态以及进行优化结果分析，赋予用户更强的掌控能力。

*优化任务监控

*优化结果分析

实际案例

（1）船型优化案例1：

该案例的设计变量为６个，目标变量为阻力系数最小，有2个约束，CFD调用次数限定为64次。最终的优化过程如表 1所示，64次优化AIPOD实现5.01%的性能提升，竞品算法的性能提升为3.36%，AIPOD对于竞品算法的优势体现明显。

表 1 AIPOD和竞品算法的优化过程关键节点信息

AIPOD与竞品算法的优化历程下图所示，竞品算法虽然在优化早期性能提升相对较快，但后劲不足，陷入局部极值之后将无法进一步提升。

(a)竞品算法优化轨迹	(b)AIPOD优化轨迹	(c)AIPOD对标竞品算法

*AIPOD与对标竞品算法的优化历程

在AIPOD优化过程中，我们开启AIPOD特有的bound-break智能探索功能。表 2表明，若设计参数的范围设置不恰当，市面上现有的优化引擎也不会在这些被忽略的高效可行空间内进行探索，而SilverBullet优化算法即便在64次小计算规模下，依旧可以快速突破因为工程师范围设置不恰当人为引入的“优化壁垒”。

表 2 AIPOD和竞品算法各自最优设计方案对于工程初期设定的参数边界“突破”情况

AIPOD与竞品算法的优化结果船型如下图所示

(a)竞品算法优优化结果船型	(b)AIPOD优化结果船型

*船型优化结果

（2）船型优化案例2：

该案例的设计变量为8个，目标变量为阻力系数最小，有2个约束，CFD调用次数限定为100次（AIPOD因磁盘空间有限导致在83步时终止优化）。最终的优化过程如表3所示，100次优化AIPOD实现4.68%的性能提升，竞品算法实现4.13%的性能提升，AIPOD对于竞品算法的优势体现明显。AIPOD与竞品算法的优化结果压力云图如下图所示。

表 3 AIPOD和竞品算法的优化过程关键节点信息

(a)竞品算法优优化结果云图	(b)AIPOD优化结果云图

*船型优化结果压力云图

AIPOD与竞品算法的优化历程如下图所示，在AIPOD优化过程中，我们同样了开启AIPOD特有的bound-break智能探索功能。结果表明，竞品算法在优化效率和优化潜力表现上均落后于AIPOD，且bound-break能够更好的辅助设计人员找到被忽略的高效设计区域。

(a)竞品算法优化轨迹	(b)AIPOD优化轨迹	(c)AIPOD对标竞品算法

*AIPOD与对标竞品算法的优化历程

（3）斜流风扇轮毂造型优化案例：

该案例的设计变量为14个，目标变量为进出口压差最大，有1个约束，CFD调用次数限定为150次。最终的优化过程如表 4所示，150次优化AIPOD实现52.32%的性能提升，竞品算法实现49.36%的性能提升，AIPOD对于竞品算法的优势体现明显。AIPOD与竞品算法的优化结果压力云图如下图所示。

表 4 AIPOD和竞品算法的优化过程关键节点信息

(a)竞品算法优优化结果云图	(b)AIPOD优化结果云图

*斜流风扇轮毂优化结果压力云图

AIPOD与竞品算法的优化历程如下图所示，竞品算法虽然在优化早期性能提升相对较快，但后劲不足，陷入局部极值之后将无法进一步提升，而AIPOD在保证优化效率的基础上，始终保持着一定的探索潜力。

(a)竞品算法优化轨迹	(b)AIPOD优化轨迹	(c)AIPOD对标竞品算法

*AIPOD与对标竞品算法的优化历程

在AIPOD优化过程中，我们开启AIPOD特有的bound-break智能探索功能，表5表明虽然竞品算法已经捕捉到几个设计变量的高效设计区域，但由于参数设计范围限制，其参数值仅能设定为约束值，无法实现优化效果进一步的提升。

表 5 AIPOD和竞品算法各自最优设计方案对于工程初期设定的参数边界“突破”情况

（4）进气道几何优化案例：

该案例的设计变量为5个，目标变量为出口总压不均匀度和出口速度不均匀度加权最小，CFD调用次数限定为60次。最终的优化过程如表 6所示，60次优化AIPOD实现54.89%的性能提升，竞品算法实现52.34%的性能提升，AIPOD对于竞品算法的优势体现明显。AIPOD与竞品算法的优化结果云图如下图所示。

表 6 AIPOD和竞品算法的优化过程关键节点信息

(a)竞品算法优优化速度云图	(b)AIPOD优化速度云图
(c)竞品算法优优化压力云图	(d)AIPOD优化压力云图

*进气道几何优化结果云图

在AIPOD优化过程中，我们开启AIPOD特有的bound-break智能探索功能，表 7表明，若设计参数的范围设置不恰当，市面上现有的优化引擎也不会在这些被忽略的高效可行空间内进行探索，而开启bound-break功能的SilverBullet智能优化算法能够突破因为工程师范围设置不恰当人为引入的“优化壁垒”。

表 7 AIPOD和竞品算法各自最优设计方案对于工程初期设定的参数边界“突破”情况

AIPOD与竞品算法的优化历程如下图所示，在整个优化进程中，竞品算算法仅在优化前期部分阶段领先于AIPOD，且很快陷入局部极值，后期优化效率提升有限，而AIPOD在较高优化效率的前提下始终保持一定的优化潜力。

(a)竞品算法优化轨迹	(b)AIPOD优化轨迹	(c)AIPOD对标竞品算法

*AIPOD与对标竞品算法的优化历程

（5）风机叶片优化案例：

该案例的设计变量为9个，目标变量为总压损失最小，有3个约束，CFD调用次数限定为150次。最终的优化过程如表 8所示，150次优化AIPOD实现19.21%的性能提升，竞品算法实现14.69%的性能提升，AIPOD对于竞品算法的优势体现明显。

表 8 AIPOD和竞品算法的优化过程关键节点信息

在AIPOD优化过程中，我们开启AIPOD特有的bound-break智能探索功能。表 9表明，该算例中给定的设计变量的范围较为合理，AIPOD和竞品算法得到的更优设计均包含在设计空间之中，AIPOD虽然开启了bound break，但是它并没有盲目的尝试越界探索，非常高效的找到了更优设计。

表 9 AIPOD和竞品算法各自优化设计方案对于工程初期设定的参数边界“突破”情况