从目标到优化设计：由 Stochos 和 GenAI 提供支持的 Web 应用程序生成

了解 GenAI 和 Stochos 的协同作用如何彻底改变 Web 应用程序创建，使其比以往任何时候都更智能、更高效。

挑战

在快速发展的 Web 应用程序开发领域，公司面临着许多挑战。其中包括对更快的开发周期、更高的质量标准以及日益复杂的功能的集成的需求。此外，在保持成本效益的同时不断创新的压力又增加了一层困难。

传统方法往往无法满足这些多方面的需求。手动编码、广泛的测试阶段和迭代设计过程可能既耗时又容易出错，从而导致延迟和成本增加。显然需要一种更智能、更简化的方法。

工程解决方案

集成 GenAI 和 Stochos 来优化 Web 应用程序开发流程可以解决这些挑战，并利用先进技术开发强大的解决方案。通过利用人工智能和复杂算法的力量，我们可以自动执行重复性任务、提高准确性并显着缩短开发时间。

个案研究：

此前，使用简化淋浴喷头的 2D 基准案例（图 1）来演示 optiSLang 中的贝叶斯优化概率推理 （PI-BO） 应用程序1.

 

图 1.2D 基准测试案例

本研究探索了满足最大压降和最小均匀性两个输出条件的最优设计（即内孔直径）。在 20 种设计中，帕累托前沿解决方案建议，将 19 种设计作为最佳设计（图 2）。

 

图 2.PI-BO 优化解决方案

后来，该研究扩展到使用独立 Stochos 生成几何预测应用程序。该应用程序利用经过训练的模型和提供的设计案例，并为这些案例创建了有关压力和速度分布的可视化（图 3）2. 预测的几何形状和压力等值线与 CFD 预测非常吻合。

 

图 3.Stochos App 预测几何形状和压力场与 Fluent 仿真对设计的比较

当前的研究通过利用“设计目标”来创建优化设计和相关压力分布，从而增强了以前的应用程序。生成 Web 应用程序的工作框架总结在图 4 中。

 

图 4.生成 Web 应用程序的原理图工作框架

有两个脚本与应用生成相关联：

“训练模型”脚本读取多个几何和标量数据，对其进行预处理，根据几何和值训练 3D 回归模型，并将生成的模型保存到磁盘。

来自 Stochos 框架的高斯过程深度无限混合 （DIM-GP） 回归模型，用于拟合几何（点云）数据并将其与回归目标相关联，包括形状（几何）和标量优化参数。图 5 显示了代码的相应部分。该脚本在 Anaconda Spyder 平台中运行并生成press_vel_model。

 

图 5.训练模型脚本代码

应用生成脚本利用先前生成的训练模型以及标量数据包。该代码使用 AI 模型创建了一个基于 Streamlit 的交互式 Web 仪表板，用于几何预测。该代码增加了滑块（使用 Streamlit），供用户在实际数据范围内指定物理参数（如“压降 [Pa]”和“均匀性 [Pa]”。

当用户单击“更新网格和预测”按钮时，它会使用生成模型创建以用户指定的标量为条件的新几何体（“网格”），调整网格，使用回归模型预测网格上的字段值，平滑预测（可选），并使用 PyVista 可视化网格和预测，将 3D 图嵌入到应用程序中。

图 6 显示了高压降和低均匀性目标的预测设计特征和压力分布，比例如图 3 所示。

 

图6.Web 应用程序生成设计，实现高压降和低均匀性

图 7 显示了低压降和低均匀性的压力分布预测设计。

 

图7.Web 应用程序生成设计，实现低压降和低均匀性

好处

GenAI 和 Stochos 的集成带来了许多好处，包括显着缩短开发时间、提高准确性以及提高 Web 应用程序的整体质量。通过自动执行重复性任务，我们的解决方案使开发人员能够专注于项目更关键的方面，从而培养创造力和创新。

此外，Stochos 的预测功能可以实现更好的项目规划和资源管理，从而降低延误和成本超支的风险。客户受益于更快的上市时间、更高的满意度以及各自行业的竞争优势。