AI-система генеративного дизайну виробів

Клієнт отримує CAD-файл деталі, але конструкція перетяжена: коефіцієнт запасу 3 при необхідному 1.5. Починається довга ручна оптимізація — ітерації, перерахунки, нові прототипи. Місяць роботи інженера, а маса знизилася на 10%. Ми пропонуємо інший підхід: AI сам знаходить оптимальну форму за години, а не тижні. Топологічна оптимізація дозволяє знизити масу на 30-40% без втрати міцності (SIMP, класичний метод).

Приклад: для авіаційного кронштейна масою 2,3 кг при коефіцієнті запасу 3 ми знизили масу до 1,4 кг без втрати міцності. На ручну оптимізацію пішло б 3 тижні, AI впорався за 6 годин. Економія матеріалу — 0,9 кг, що при ціні алюмінію дає суттєву економію на одній деталі, а при серії — десятки тисяч гривень. Час проєктування скоротився в 10 разів.

Ми розробляємо систему генеративного дизайну, яка аналізує навантаження та граничні умови, а потім генерує конструкцію з мінімально можливою вагою при заданій міцності. Стек — Python, PyTorch, Scipy, OpenCASCADE. Застосування машинного навчання в інженерії (ML для CAD) автоматизує рутинні завдання. Результат — до 40% економії матеріалу та прискорення циклу проєктування в 5–10 разів.

Як працює генеративний дизайн: від SIMP до VAE

Топологічна оптимізація з SIMP

Класичний метод — SIMP (Solid Isotropic Material with Penalization). Алгоритм ітеративно розподіляє матеріал в дискретній сітці, прагнучи мінімізувати податливість при заданому об'ємі. Підходить для задач з чіткими навантаженнями: кронштейни, рами, опори.

import numpy as np from scipy.sparse import lil_matrix from scipy.sparse.linalg import spsolve class TopologyOptimizer: """ SIMP (Solid Isotropic Material with Penalization) метод. Класичний алгоритм генеративного дизайну. """ def __init__( self, nelx: int = 60, # елементів по X nely: int = 30, # елементів по Y volfrac: float = 0.5, # цільова частка матеріалу (50%) penal: float = 3.0, # ступінь штрафу rmin: float = 1.5 # радіус фільтра ): self.nelx = nelx self.nely = nely self.volfrac = volfrac self.penal = penal self.rmin = rmin def optimize( self, load_case: dict, # {node: (fx, fy), ...} boundary_conditions: dict, # {node: (ux, uy), ...} — 0=фіксовано max_iterations: int = 100 ) -> np.ndarray: """Повертає матрицю густин (0=порожньо, 1=матеріал)""" # Ініціалізація x = np.full((self.nely, self.nelx), self.volfrac) xold = x.copy() for iteration in range(max_iterations): # Скінченно-елементний аналіз U = self._finite_element_analysis(x, load_case, boundary_conditions) # Обчислення чутливостей dc = self._sensitivity_analysis(x, U) # Фільтрація чутливостей dc = self._filter_sensitivity(x, dc) # Оновлення через OC (Optimality Criteria) x = self._oc_update(x, dc) # Конвергенція change = np.max(np.abs(x - xold)) xold = x.copy() print(f"Iter {iteration+1:3d}, Volume: {x.mean():.4f}, Change: {change:.4f}") if change < 0.01: print(f"Converged at iteration {iteration+1}") break return x def _oc_update(self, x: np.ndarray, dc: np.ndarray) -> np.ndarray: """Optimality Criteria update""" l1, l2 = 0, 1e9 move = 0.2 while (l2 - l1) / (l1 + l2) > 1e-3: lmid = 0.5 * (l1 + l2) xnew = np.maximum( 1e-3, np.maximum( x - move, np.minimum( 1.0, np.minimum(x + move, x * np.sqrt(-dc / lmid)) ) ) ) if xnew.mean() - self.volfrac > 0: l1 = lmid else: l2 = lmid return xnew 

Чому SIMP не підходить для складних деталей?

SIMP чутливий до початкових умов і може застрягати в локальних мінімумах. Для задач з множинними навантаженнями або нелінійними обмеженнями краще підходять нейромережеві методи — вони генерують різноманітні варіанти, з яких інженер обирає найкращий.

Як VAE генерує нові дизайни?

Ми використовуємо варіаційний автокодер (VAE), який навчається на датасеті оптимізованих дизайнів. На вхід подається вектор фізичних умов (навантаження, границі), на виході — нова форма із заданими властивостями. Це дає сотні варіантів за секунди. Варіаційні автокодери були запропоновані Kingma та Welling (Auto-Encoding Variational Bayes).

import torch import torch.nn as nn class DesignGeneratorVAE(nn.Module): """ Variational Autoencoder для генерації нових дизайнів за заданими фізичними вимогами. """ def __init__(self, latent_dim: int = 64, design_resolution: int = 64): super().__init__() self.latent_dim = latent_dim res = design_resolution # Енкодер: дизайн → латентний вектор self.encoder = nn.Sequential( nn.Conv2d(1, 32, 4, stride=2, padding=1), # res/2 nn.ReLU(), nn.Conv2d(32, 64, 4, stride=2, padding=1), # res/4 nn.ReLU(), nn.Conv2d(64, 128, 4, stride=2, padding=1), # res/8 nn.ReLU(), nn.Flatten() ) encoder_out_size = 128 * (res // 8) ** 2 self.fc_mu = nn.Linear(encoder_out_size, latent_dim) self.fc_logvar = nn.Linear(encoder_out_size, latent_dim) # Умовний вектор: фізичні обмеження self.condition_proj = nn.Linear(16, latent_dim) # Декодер: латентний вектор + умова → дизайн self.decoder_input = nn.Linear(latent_dim * 2, 128 * (res // 8) ** 2) self.decoder = nn.Sequential( nn.ConvTranspose2d(128, 64, 4, stride=2, padding=1), nn.ReLU(), nn.ConvTranspose2d(64, 32, 4, stride=2, padding=1), nn.ReLU(), nn.ConvTranspose2d(32, 1, 4, stride=2, padding=1), nn.Sigmoid() ) self.res = res def generate(self, conditions: torch.Tensor, n_samples: int = 1) -> torch.Tensor: """ conditions: тензор фізичних обмежень (навантаження, граничні умови) Повертає матрицю густин 64×64 для кожного зразка """ with torch.no_grad(): z = torch.randn(n_samples, self.latent_dim) c = self.condition_proj(conditions.expand(n_samples, -1)) zc = torch.cat([z, c], dim=1) h = self.decoder_input(zc) h = h.view(n_samples, 128, self.res // 8, self.res // 8) return self.decoder(h) 

Інтеграція з CAD (через Python-OCC)

Отриману матрицю густин конвертуємо в 3D-сітку через Marching Cubes, згладжуємо та експортуємо в STL. Далі імпорт у будь-яку CAD-систему для фінального доопрацювання.

from OCC.Core.BRepBuilderAPI import BRepBuilderAPI_MakeSolid from OCC.Core.TopoDS import TopoDS_Shape import trimesh import numpy as np def density_to_mesh(density_matrix: np.ndarray, threshold: float = 0.5) -> trimesh.Trimesh: """Конвертуємо матрицю густин в 3D mesh через marching cubes""" from skimage.measure import marching_cubes # 2D → 3D екструзія для демонстрації density_3d = np.stack([density_matrix] * 10, axis=-1) verts, faces, normals, _ = marching_cubes( density_3d, level=threshold, spacing=(1.0, 1.0, 1.0) ) mesh = trimesh.Trimesh(verts=verts, faces=faces, vertex_normals=normals) mesh = trimesh.smoothing.filter_laplacian(mesh, iterations=10) return mesh def export_to_stl(mesh: trimesh.Trimesh, output_path: str) -> None: mesh.export(output_path) 

Як впровадити AI-генеративний дизайн: покрокове керівництво

1. Аудит поточних конструкцій та навантажень — збір даних про граничні умови, матеріали, коефіцієнти запасу.
2. Вибір методу — SIMP для чітких задач, VAE для багатоваріантної генерації.
3. Розробка моделі — реалізація алгоритму, навчання VAE на вашому датасеті (якщо потрібно).
4. Генерація та валідація — отримання варіантів, перевірка методом скінченних елементів (NASTRAN, Ansys).
5. Інтеграція з CAD — конвертація в STL/STEP, імпорт в SolidWorks, CATIA або Fusion 360.
6. Тестування та доопрацювання — фіналізація конструкції, передача документації (model card).

Яких результатів можна досягти за допомогою генеративного дизайну?

Порівняння методів SIMP та VAE

Що входить в нашу роботу

Ми реалізуємо проект під ключ:

• Аудит поточних конструкцій та навантажень.
• Розробка математичної моделі — SIMP або VAE.
• Навчання моделі на ваших даних (якщо потрібен VAE).
• Генерація та експорт в STL/STEP.
• Інтеграція з CAD-середовищем.
• Документація: model card, інструкція з донавчання.
• Підтримка на етапі впровадження.

Наш досвід та гарантії

Ми займаємося AI-інжинірингом більше 7 років, реалізували 20+ проектів в авіації, автомобілебудуванні та медицині. Надаємо гарантію на працездатність алгоритму у ваших умовах. За потреби проводимо донавчання моделі на нових даних. Всі вихідні коди та model card передаються замовнику.

Терміни

Базовий SIMP-прототип — 1–2 тижні. Повноцінна система з VAE — 4–6 тижнів. Терміни розраховуються індивідуально після аналізу задачі. У нас є досвід прискорення проектів за рахунок transfer learning та квантизації (INT8) — latency p99 знижується в 2 рази.

Оцініть потенціал для вашої деталі

У проектах ми досягаємо зниження маси на 35-40% для деталей з алюмінію та титану. Якщо ваш поточний процес проєктування потребує тижнів ручної оптимізації, зв'яжіться з нами для демонстрації можливостей. Замовте аудит вашої деталі та отримайте демо-розрахунок за 2 дні — зв'яжіться з нами.