• 2024年10月23日(水) 10:30 ~ 17:30

１．AIを新製品開発に応用するには
　　（１）．顧客のレビューや市場データを分析して、新しい製品アイデアを生成する
　　（２）．既存の設計データを分析し、新しい設計のパラメータを最適化する
　　（３）．シミュレーションデータを使用してプロトタイプの性能を予測し、テスト回数を削減する
　　（４）．製造データを分析し、製造プロセスを最適化する

２．AIのフロントローディングへの応用とそのポイント
　　（１）．製品の性能を予測する
　　（２）．設計パラメータと性能データを読み込む
　　（３）．特徴量とターゲットに分割する
　　（４）．ランダムフォレスト回帰モデルを訓練する
　　（５）．テストデータで予測する
　　（６）．性能予測の精度を評価する
　　（７）．製品の耐久性や信頼性を予測する

３．AIの製造コスト最適化への応用とそのポイント
　　（１）．原材料の需要と価格を予測する
　　（２）．原材料データを読み込む
　　（３）．特徴量とターゲットを分割する
　　（４）．ランダムフォレスト回帰モデルを訓練する
　　（５）．設備のメンテナンスを予測する
　　（６）．新しい製品の品質を予測する
　　（７）．製造プロセスの異常を検出する

４．AIの品質工学への応用とそのポイント
　　（１）．データ駆動型品質予測 (過去の品質データを収集する)
　　（２）．異常検知と異常通知 (異常を検知し、自動的に通知を発信するシステムを構築する)
　　（３）．製品の非破壊検査 (製品の内部や構造を検査して、不良や欠陥を特定する)
　　（４）．プロセスの自動最適化　（生産データやセンサーデータをリアルタイムで分析する）
　　（５）．品質トレーサビリティ　（製品のライフサイクル全体にわたる品質情報を追跡する）

５．AIの1D-CAEへの応用とそのポイント
　　（１）．データの準備 (時系列データや一次元の信号データ)
　　（２）．モデルの構築 (Keras や TensorFlow などの深層学習ライブラリを活用する)
　　（３）．モデルの学習 (入力データを極限までターゲットデータに近づける)
　　（４）．モデルの応用 (学習したモデルを使用して、異常検知、特徴抽出、次元削減等を行なう)
　　（５）．逆モデルの生成 (新しい状態に対する制御入力を予測する)

６．AIの3D-CAEへの応用とそのポイント
　　（１）．データ収集 (入力パラメータ（設計変数）とCAE結果（目的関数や制約条件）を整理する)
　　（２）．サロゲートモデルの構築 (回帰モデル、ニューラルネットワーク等を活用する)
　　（３）．モデルのトレーニング (入力データを極限までターゲットデータに近づける)
　　（４）．モデルの検証 (モデルのパラメータを調整、異なるサロゲートモデル生成等を行なう)
　　（５）．最適化と予測 (未知入力に対する順応性を確認する)
　　（６）．モデルの活用 (究極の姿：３D－CAEを省いて結果を予測する)

７．線形解析と非線形解析の使い分けとポイント
　　（１）．初期条件の影響有無
　　（２）．公称応力と真応力
　　（３）．材料の線形性
　　（４）．大変形、弾塑性、接触、摩擦、輻射
　　（５）．変形追従荷重
　　（６）．弦の振動
　　（７）．Stick-Slip
　　（８）．真応力（大歪み）

８．計算力学の妥当性評価 (Verification and Validation)
　　（１）．数理モデル(方程式)を正しく解いているか
　　（２）．物理現象に対して適切な計算内容か
　　（３）．Uncertainty Quantification(UQ)とは
　　（４）．Reliability と Credibility
　　（５）．演繹的推論と帰納的推論

日本テクノセンター研修室