制造商在设计上不断创新，以满足消费者的期望，并探索以降低成本实现增值的新方法。通常，这种设计创新是通过结合CAD修改、快速原型设计、数字和物理测试、短期生产和许多其他迭代设计方法来完成的。CAD软件的普及性和探索数字原型的便利性使得设计工程师更容易用模拟的模型来抵消他们的物理原型。工程师们曾经不得不为某个特定的设计开发昂贵、耗时的物理迭代，并在一个控制良好的实验环境中进行测试，现在，以显著的速度和成本优势对这些相同的实验进行数字测试，这是一种常见且相当健壮的做法。数字设计工程的一个常用方法是使用实验设计（DOE）。在数字DOE中，可以通过运行大量样本来探索整个设计空间，并使用结果数据拟合响应面。响应面连接输入和输出，通常基于某种形式的线性回归。它可以用来快速理解设计变更之间的权衡。然而，这些基于线性回归的响应面往往无法理解复杂的非线性设计空间相互作用，因此运行足够的样本以获得所需的精度变得昂贵。比较kiring插值法和多项式插值法的示例响应面。DOE样本显示为红点。有两个输入（θ和半径），Z轴代表输出。请注意，不同的插值方法如何产生截然不同的结果景观。示例DOE结果显示为灵敏度图。DOE的输入沿X轴，输出（在本例中，部件质量）沿Y轴。对于这部分，R1参数与质量的正相关最大（随着R1的增加，质量显著增加）。当质量D2略微增加时（D2与质量呈负相关）。设计优化是另一种改进/创新设计的常用技术。在这种设计模式中，工程师以与DOE相似的方式勾勒出设计空间，但不是随机地对空间进行采样并生成响应面，而是采用数学方法来驱动采样的选择，直到达到一组收敛标准为止。例如，遗传算法（GAs）在给定总体规模的设计空间中抽样，使用提供的价值函数对样本进行波浪评估，并使用各种交叉和变异方法迭代种群波动，直到达到某些收敛准则。通常，一个波中的样本数越多，找到最优解所需的代数就越少。实例遗传算法和局部搜索优化的一个形状瓶的质量最小。虽然在寻找最佳解决方案时往往是准确的，但GAs通常是相当耗时和昂贵的评估。很多时候，一个遗传算法需要数千次迭代才能达到收敛，如果某个给定的情况很难解决（例如基于物理的CFD或FEA问题），即使在数百到数千个节点的大型计算集群上，GA也可能运行数月。解决方案：超级学习方法包括阿贡国家实验室、聚合科学、Onshape和Parallel Works在内的技术合作伙伴联盟一直在探索解决上述设计优化挑战的新方法。更具体地说，数据驱动机器学习（ML）模型已经成为帮助解决这些挑战的一种独特方法，主要是在基于不精确线性回归的DOE响应模型和使用GAs进行计算昂贵的设计优化方面。这种独特的ML-GA方法称为SuperLearner，它允许设计工程师通过对从业者指定的数字设计空间进行采样来创建训练数据集，构建基于ML的响应面模型，定义一个或多个优点函数，并在通常几秒钟内对模型运行各种GA优化方法。这种快速优化允许从业者返回，重新定义他们的目标并快速重新运行优化，如果没有这种方法，这可能需要几天、几周或几个月的时间来完成，这取决于单个案例的计算时间。这种方法被称为超级学习者，因为在构建基于ML的响应曲面时，多个ML算法相互叠加，以在多个方法中提供最佳结果。示例图演示（左）DOE采样点创建插值响应面（红点）和使用响应的预测输出（蓝点），以及（右）多项式平滑响应面上最小化输出（红点）的局部搜索优化示例。介绍SuperLearner Onshape应用程序为给定的DOE或GA问题创建参数几何体通常是执行这些类型研究的瓶颈。一切照旧通常涉及使用某种连接的框架或软件将不同的软件集耦合在一起，这本身就是一个完整的系统级专业知识。将这些相互关联的工作流耦合到高性能计算机上，以评估需要评估的大量案例，这又是一系列不同的挑战，很少有组织有专业知识来完成。随着Onshape配置变量范例的出现，Parallel Works团队清楚地意识到，生成参数化零件、使用API驱动零件并将其导出为各种格式进行分析的简化方法现在是可能的。它成为了一个完美的环境来整合超级学习者的方法，并让它接近于设计工程师的手中。Parallel Works与其技术合作伙伴一起开发了一个完全集成的Onshape应用程序（现已在Onshape应用程序商店中提供），将超级学习方法的强大功能带到任何Onshape Part工作室。SuperLearner应用程序提供了一种向导式的方法来定义优化设计空间，性能目标从Onshape模型中的可测量元素开始，DOE使用各种采样方法创建训练数据，最后为用户提供的价值函数提供基于ML-GA的优化。工作流是在并行工作中开发的，它完全自动化了DOE执行器、ML-GA Optimizer的运行，最后是一个显示优化收敛的视频生成器。Onshape integrated SuperLearner应用程序附加到现有的Part Studio上，该工作室使用配置变量来定义最小值、最大值和默认值。创建了一个新的公共度量功能脚本，以方便地识别给定优化问题的性能度量/输出。目前，SuperLearner应用程序仅限于使用Onshape测量作为性能输出，例如质量、体积、重心、距离和角度，但它可以额外评估在并行工作中定义的任何用户工作流（例如，使用各种开放和/或许可的工具运行大型CFD和FEA研究）。Parallel Works也在探索将多个模拟工具直接集成到超级学习者设置过程中，以使基于物理的CFD或FEA问题的优化完全集成。如何在Onshape Part Studio中使用SuperLearner应用程序Parallel Works团队开发了SuperLearner应用程序，其中考虑了大量的用例，尤其是在每个模拟结果需要很长时间才能生成的情况下。目前，该应用程序仅限于质量特性和形状可测量的输出，但它可以很容易地耦合到由开源、许可或专有工具组成的任何自定义模拟工作流（请联系Parallel Works以了解有关启用此功能的更多信息）。现在，让我们通过一个例子优化问题来最小化一个参数化CAD瓶子的壳质量。1定义和测试配置变量和零件测量SuperLearner应用程序可以轻松连接到任何现有的Onshape Part Studio。在新的或现有的零件工作室中，将配置变量添加到要优化的零件的各个方面。选择适当的最小值、最大值和默认值，并将它们指定给零件（草图、拉伸、偏移等）。完成这些配置变量分配后，测试模型的参数并确保它以所需的方式构建。您会注意到一些模型配置可能会中断Onshape生成。超级学习优化器为此做了准备，并为这些情况创建无效的解决方案，但最好尽量减少这些失败的值。这些配置变量将构成基于超级学习者的优化的默认参数：带六个配置变量的瓶子零件工作室参数测试示例使用配置变量定义和测试几何参数（输入）后，可以使用公共度量功能脚本定义要优化的输出。此时，您可以选择测量值，例如质量特性、距离和角度。最后，打开SuperLearner应用程序（在通过Onshape应用程序商店订阅后）并在工作区内选择要优化的Part Studio：2选择DOE参数和输出选择优化Part Studio后，现在可以进一步定义要优化的设计空间。此外，您还可以为DOE的每次迭代选择要计算的特定度量：三。生成DOE培训数据指定DOE输入和输出后，选择要计算的DOE样本数，以及设计空间采样方法。设置这些值后，将在下面生成一个图，显示X轴和Y轴上的输入。此图显示了将作为DOE的一部分进行评估的特定情况，以及在对角线上显示具有输入范围的点的分布。SuperLearner应用程序目前支持六（6）种不同的采样方法，如拉丁超立方体、空间填充、蒙特卡罗和