• 2026年09月28日(月) 10:00 ~ 17:00

１．サロゲートモデルのためのCAE
　　（１）．CAEを「データ生成プロセス」として捉える
　　　　ａ．設計変数・境界条件・評価指標（目的・制約）の整理
　　　　ｂ．CAEワークフロー（前処理・解析・後処理）と学習データ化の流れ
　　（２）．サロゲートの精度を左右するCAE側の要点
　　　　ａ．モデリング／収束・非収束／メッシュ依存／境界条件の一貫性（設定標準化）
　　　　ｂ．ノイズ・外れ値・欠損（解析失敗点を含む品質の扱い）
　　　　ｃ．データ品質と計算コストのトレードオフ
　　（３）．モノづくりを支えるCAE事例
　　　　ａ．構造（強度・剛性）解析の例
　　　　ｂ．流体（流れ・快適性）解析の例

２．サロゲートモデルに必要なデータサイエンス
　　（１）．データサイエンスの立ち位置：設計意思決定の道具
　　　　ａ．回帰・分類と不確かさ推定（設計で必要な出力と判断材料）
　　　　ｂ．汎化性能と過学習（なぜ検証が重要か）
　　（２）．サロゲートで頻出の機械学習手法（用途で整理）
　　　　ａ．少ないデータ・高価なCAE向け：ガウス過程回帰（Kriging）／RBF
　　　　ｂ．解釈性重視：決定木系（RF／GBDT）と寄与度
　　　　ｃ．高次元・大規模：深層学習（適用条件と注意点）
　　（３）．評価指標と検証方法の基本
　　　　ａ．評価指標（回帰：RMSE／MAE／R²、分類：Accuracy／F1など）
　　　　ｂ．学習曲線（データ量と精度）・交差検証（CV）の考え方

３．CAEとデータサイエンス融合：サロゲートモデルの基礎と構築プロセス
　　（１）．第三の科学（CAE）と第四の科学（データサイエンス）の役割分担
　　　　ａ．モデル駆動（Equation-based simulation）
　　　　ｂ．データ駆動（Phenomenon-based simulation）
　　　　ｃ．融合の狙い：設計探索の高速化と意思決定の質向上
　　（２）．サロゲートモデルとは
　　　　ａ．定義（高価なCAE／実験を置き換える代理モデル）
　　　　ｂ．種類と特徴（手法の系統と適用条件：データ量・解釈性・不確かさ）
　　（３）．サロゲートモデル構築の標準手順
　　　　ａ．設計問題の定義（設計変数・目的関数・制約条件）
　　　　ｂ．データセット設計（初期サンプリング：LHS／Sobolなど）
　　　　ｃ．前処理（正規化・変換・外れ値・欠損への対応）
　　　　ｄ．学習データと検証データの振り分け（CV含む）
　　　　ｅ．モデル選定と学習（Best modelの保存）
　　　　ｆ．モデル検証（精度・汎化・失敗パターンの見極め）
　　　　ｇ．Best modelの読み込みと予測
　　　　ｈ．結果の可視化（誤差分布／残差／パラメータ依存性）
　　（４）．設計で使えるモデルにするための実務ポイント　
　　　　ａ．外挿（extrapolation）リスクと対策
　　　　ｂ．追加サンプリングの考え方（Adaptive samplingの概念）
　　　　ｃ．解釈性（寄与度・感度）を設計指針に変換する

４．製品設計効率化を支えるサロゲートモデルの適用方法と応用事例
　　（１）．サロゲートモデルの使い方（現場適用パターン）
　　　　ａ．感度・寄与度による設計因子の絞り込み
　　　　ｂ．最適化（探索回数削減）
　　　　ｃ．高速予測によるリアルタイム評価（ツール化）
　　　　ｄ．不確かさを踏まえた意思決定（安全側設計）
　　　　ｅ．異常検知・品質保証（モデル監視）
　　（２）．応用事例
　　　　ａ．空調機圧縮機圧力部品の設計効率化
　　　　　・強度予測、寄与度分析、効率的なサンプリング
　　　　ｂ．室内空気の換気による快適性向上
　　　　　・淀み分布予測と営業提案ツール化
　　　　ｃ．キーボード用ゴムダイアフラムの打ち心地評価
　　　　　・反力曲線タイプの分類、クリック指標の回帰、反力曲線の予測（次元削減を含む）

５．Pythonによるサロゲートモデル構築と実装のポイントおよびGoogle Colaboratoryデモ
　　（１）．デモの目的：サロゲートモデルの「構築・検証・適用（予測）」を体験する
　　　　ａ．データ読み込みから予測・可視化までの一連の流れ
　　（２）．例題：放射線量率予測
　　　　ａ．学習データ数に対する精度とばらつき（R²・標準偏差）
　　（３）．実装の流れ（コード解説を含む）とポイント
　　　　ａ．前処理（正規化・分割）
　　　　ｂ．学習（モデル定義・訓練・Best model保存）
　　　　ｃ．検証（指標・誤差可視化）
　　　　ｄ．推論（予測・可視化）

６．まとめと質疑応答

オンラインセミナー