MSC Apex 2025.2 已經上線！這次更新重點放在與 MSC Nastran 的深度同步，讓你的模擬流程更快速、更準確。

關鍵升級：

• 更快的運算：透過「線性間隙」功能模擬零件受壓接觸，提升分析效率。
• 更強的效能：支援曲面節點合併，優化連接處的數據處理。
• 多模型管理：支援在同一個介面切換多個模型進行對比驗證，省下授權成本。
• 精準建模：改進了變截面樑的建模精度，讓設定更具彈性。
• 簡化流程：提升曲面綁定（Ties）效能，省去建立虛擬邊界與重複劃分網格的步驟。

MSC Apex 多模型（Multi-model）支援功能說明

MSC Apex 改進了模型中節點（Nodes）與單元（Elements）的儲存方式。全新的多模型功能允許用戶將幾何模型、有限元素模型（FEM）或 MSC Apex 資料庫匯入現有模型中，或將其作為獨立模型開啟，且無需重新啟動應用程式。

1. 提升工作流程效率

用戶可以在多個模型之間無縫切換，減少等待時間並優化工作流程。這讓用戶能同時針對不同模型進行審閱、編輯以及後處理（Post-processing），對於大型裝配體或跨領域專案尤為實用。

2. 數據完整性與效能管理

• 高保真度：系統為每個模型保留完整的幾何、網格及相關元數據（Metadata），確保在模型切換過程中不會遺失任何數據。
• 記憶體管理：採用先進的記憶體管理技術，即使處理高解析度的網格，也能在不犧牲效能的前提下同時處理多個模型。
• 直觀操作：界面包含直觀的控制選項，可輕鬆啟用、停用或組織模型，導覽過程非常簡便。

3. 整合與自動化

• 情境管理（Scenario Management）：支援與情境管理整合，可針對不同模型同時或依序執行分析。
• 腳本自動化：此功能可與腳本 API 完美配合，讓重複性的多模型工作流程實現自動化。

提示：在研究樹（Study Tree）中，非當前啟用的模型及其相關情境會以灰色顯示，方便用戶快速區分目前的工作對象。

強化型網格相關綁定（Mesh-dependent Ties）

MSC Apex 2025.2 引入了全新「相依於網格」的綁定技術，提供多種連接類型，包括：邊對邊（edge-to-edge）、邊對單元邊（edge-to-element edge）以及邊對節點（edge-to-node）。

1. 更靈活的連接與建模精度

• 精確對齊：幾何邊界可與網格邊界或節點精確對齊，無需依賴虛擬幾何層（Virtual geometry layers），即可在不同物體間實現一致的網格（Congruent meshes）。
• 廣泛兼容性：支援孤立網格（Orphan mesh）、關聯網格（Associated mesh）、刻面體（Facet bodies）以及混合單元類型，能有效連結實體（Solids）、殼（Shells）與樑（Bars）。

2. 進階控制參數

用戶可自定義搜尋距離（Search distance）與清理公差（Cleanup tolerance）來精確控制對齊效果。在這些設定下，綁定功能的作用類似於「種子（Seeds）」，能將節點位置限制在指定的邊界上。

3. 效能優化與突破限制

• 提升擴充性與節省記憶體：針對大型模型進行了優化，顯著降低記憶體佔用，並在進行生成式更新（Generative updates）時，盡可能減少不必要的重新劃分網格（Remeshing）。
• 突破公差限制：取消了以往 0.2 mm 的公差限制，現在可以高效處理更大的間隙。

強大的穩定性：透過儲存幾何與網格實體之間的映射關係，即使在修改模型後，綁定關係仍能保持連接狀態，這在處理複雜裝配體時展現出極高的魯棒性（Robustness）。

MSC Apex 建模軟體 2025.2｜一次掌握所有新功能亮點：

節點合併功能優化（Node Merge Improvements）

MSC Apex 2025.2 的節點合併工具現在支援在指定的公差（Tolerance）範圍內合併任何節點。這包括了孤立節點（Orphan nodes）以及與幾何關聯的節點。

1. 提升建模靈活性

以往在進行類似操作時可能需要解除網格關聯或使用特定綁定，但現在：

• 無需解除網格關聯：直接在現有結構上進行合併。
• 支援局部編輯與重劃網格：在進行局部修改或重新劃分網格時，系統能同時維持有限元素模型（FEM）的拓撲結構與連接性。

2. 確保大型裝配體的一致性

• 保留固定節點與 ID：在合併過程中，使用者可以選擇保留特定的節點及其 ID 編號，這對於大型裝配體（Assemblies）的版本控管與一致性至關重要。
• 支援刻面體（Facet Body）：工作流程支援刻面體的同步更新，並與模組級運算（Module-level operations）整合，大幅提升處理大規模模型的擴充性。

3. 核心價值：減少手動清理 這次更新顯著提升了管理複雜網格的彈性，並大幅減少了以往最耗時的手動網格清理（Manual cleanup）步驟。

網格劃分功能改進（Additional Meshing Improvements）

本次更新透過多項技術調整，讓網格劃分行為更具魯棒性（Robust）與可預測性，有效減少手動調整的需求。

1. 六面體網格（Hex Meshing）：形狀保真度提升

在進行六面體網格劃分時，新增了「保留網格控制形狀（Preserve mesh control shape）」的選項。

• 技術優勢：確保在整個網格生成過程中，網格控制形狀保持不變。這對於複雜幾何體尤其重要，特別是當網格控制曲線與邊界邊緣相交時，能確保更高的一致性與網格品質。

2. 抑制單元內邊界（Suppress Internal Edges）

現在支援在六面體網格劃分過程中，抑制單元（Cells）的內部邊界。

• 技術優勢：這項功能有助於避免在建立六面體網格時產生不必要的切分（Splits），讓網格佈局更簡潔，減少單元數量並優化結構。

3. 狹長曲面網格（Skinny Surface Meshing）優化

針對狹長比例的曲面，系統改進了靠近邊界邊緣處的節點對齊（Node alignment）技術。

• 技術優勢：這項改進顯著減少了過渡區域的三角形單元數量，並提升了整體的網格品質與分析精度。

這些更新共同提升了處理大型且複雜模型的效率：

• 更可靠的自動化：減少因幾何特徵導致的網格扭曲。
• 更高品質的單元：六面體網格更規整，狹長區域的網格流動更順暢。
• 降低人工負擔：透過預設優化與新增控制選項，工程師不再需要花費大量時間手動修正網格。

1D 單元屬性型錄工具 (1D Element Property Catalog Tool)

全新的 1D 單元屬性型錄工具 大幅簡化了傳統 MSC Nastran 樑建模的工作流程。此工具提供了一個中央管理界面，讓使用者能更高效地建立、編輯與管理各種 1D 屬性。

1. 全面的屬性支援

該工具整合了多種 Nastran 屬性卡片，涵蓋了從線性到非線性的應用場景：

• 標準樑單元：支援 PBAR、PBARL、PBEAM 與 PBEAML。
• 非線性樑單元：支援 PBEMN1、PBARN1 與 PRODN1 等非線性屬性。

2. 核心優勢與功能亮點

• 高效組織與管理：型錄式的管理方式能有效減少重複定義，並確保大型裝配體中屬性的一致性。
• 直觀的導覽體驗：此工具的設計邏輯與現有的「材料庫」及「3D 單元屬性」模式一致，使用者無需重新學習即可快速上手。
• 簡化建模流程：透過整合屬性定義並支援直接指派至單元，該工具大幅提升了易用性，並縮短了複雜樑模型的設定時間。

為什麼這項更新很重要？對於處理大量框架結構（如航太機身或船舶構架）的工程師而言，管理成百上千個不同的樑截面與屬性通常非常繁瑣。1D 屬性型錄工具 的出現，代表 MSC Apex 正在將複雜的 Nastran 卡片管理變得更加視覺化與直觀化。

MSC Apex 建模軟體 2025.2｜一次掌握所有新功能亮點：

非線性樑單元屬性 (Nonlinear Beam Properties)

為了更精確地呈現樑單元的非線性行為，MSC Apex 現在支援 PBEMN1、PBARN1 以及 PRODN1 屬性。這些屬性對於模擬在大變形與非線性條件下的複雜結構響應至關重要。

主要優勢：

• 高保真度模擬：無需再透過繁瑣的手動繞道（Manual workarounds）來設定，即可直接模擬複雜的結構反應。
• 工作流整合：將這些非線性能力直接整合進現有的樑單元工作流程中，大幅簡化了定義 1D 單元非線性特性的步驟。
• 確保 Nastran 一致性：此功能的整合確保了 Apex 與 MSC Nastran Input Decks 的高度一致性，讓資料交換與後續求解更穩定。
• 擴展分析範圍：這項增強功能提升了需要高度精確非線性建模（如航太、重工業）之應用場景的模擬品質。

1D 單元屬性與樑跨的混合應用模式 (Hybrid Approach)

MSC Apex 2025.2 提供了一種混合建模策略，讓用戶能根據專案需求靈活切換不同的管理方式：

• 樑跨法 (Beam Span Method)： 這是組織跨越不連續段落之樑單元的理想方式。特別適用於處理僅有網格的模型（Mesh-only models），能有效簡化段落間的連接管理。
• 1D 屬性型錄 (1D Property Catalog)： 支援傳統的 MSC Nastran 工作流程。透過集中化的介面管理屬性，適合需要為進階分析定義詳細參數的場景。

核心價值

• 彈性選擇：用戶可以針對每個專案選擇最高效的建模路徑——無論是使用「樑跨」進行快速佈局，還是應用「詳細型錄」進行深度分析。
• 減少重複作業：整合兩套方法後，能大幅降低重複定義屬性的機率，提升工作流程的易用性。
• 確保 Nastran 一致性：無論採用哪種建模方式，都能確保輸出的模型與 Nastran Input Decks 完全相容，這對於建立複雜裝配體或非線性樑模擬場景尤其關鍵。

MSC Nastran 2025.2 深度整合與增強

MSC Apex 2025.2 全面支援 MSC Nastran 的最新技術，讓使用者在直觀的建模環境中，即可發揮強大求解器的完整效能。

1. 更深度的非線性與接觸分析

• 線性間隙元素 (Gap Elements)：MSC Nastran 在線性分析中新增了間隙元素，而 Apex 2025.2 已同步支援此功能。
• 全局能量輸出 (Global Energy Outputs)：針對非線性靜力分析，新增了能量輸出功能，讓工程師能更深入地洞察模型在非線性狀態下的表現。
• 接觸間隙控制：支援 Nastran 針對接觸面間隙（Gaps in contact）新增的多項控制選項。

2. 求解效能優化：SPARSESOLVER RESVEC

• 快速殘差向量計算：Apex 現在支援 SPARSESOLVER RESVEC 指令。這能顯著加快模態解（Modal solutions）中的殘差向量運算，對於以實體單元（Solid-element）為主的大型模型尤其有利，能大幅縮短運算時間。

3. 氣動彈性力學與模態分析

• 動態氣動彈性 (Dynamic Aeroelasticity)：Apex 正式啟用對 Nastran 動態氣動彈性的支援，並同步支援實數耦合模態 (Real coupled modes)，擴展了在航太領域的分析能力。

4. 模型驗證與約束處理 (Constraint Handling)

• 強化 RBE3 元件驗證：支援 Nastran 新增的驗證選項（如 RBE3RFIX、RBE3TLVL 與 RBE3THR），這有助於更精確地驗證剛體單元（Rigid body elements）並優化約束處理的準確性。

模組腳本編寫支援 (Scripting Support for Modules)

MSC Apex 2025.2 擴展了其腳本 API，現在使用者可以透過自動化腳本來建立與管理模組。這對於需要處理大量重複性任務的工程師來說，是邁向全自動化流程的關鍵一步。

1. 模組化操作自動化

透過更新後的腳本 API，使用者可以自動執行以下操作：

• 模組建立與管理：直接透過程式碼定義模組結構。
• 轉換動作 (Transform Actions)：自動執行模組的移動、旋轉、鏡射等空間變換。
• 邊界連接 (Boundary Connections)：自動定義模組間的物理連接與邊界條件。

2. 建立可重複的標準化流程

• 大幅縮短設定時間：針對複雜的裝配體（Complex Assemblies），使用者可以定義一套可重複運用的流程，避免手動操作的繁瑣。
• 確保專案一致性：透過腳本執行，能確保不同工程師或不同專案之間，模型處理的標準與品質完全統一。

3. 整合大型自動化框架

模組操作現在可以無縫整合到更廣泛的自動化框架中，簡化了從幾何準備（Geometry Preparation）、網格生成（Mesh Generation）到分析情境設定（Scenario Setup）的完整環節。

MSC Apex 建模軟體 2025.2｜一次掌握所有新功能亮點：

後處理腳本自動化支援 (Post-processing Scripting)

MSC Apex 2025.2 大幅強化了後處理 API，讓使用者能透過腳本自動產出分析結果，極大化縮短重複性工作的時間。

• 自動化繪圖與影像：支援自動生成變形圖 (Deform)、雲紋圖 (Fringe) 與向量圖 (Vector)，並可直接產出動畫。
• 關鍵熱點偵測：可透過腳本自動識別並標記模型中的「熱點 (Hot Spots)」，快速定位應力集中區域。
• 流程整合：將自定義的後處理程序整合至大型自動化框架中，實現從求解完成到結果審閱的無縫銜接。

易用性與效能提升：視窗即時編輯網格種子

MSC Apex 2025.2 讓使用者能直接在主視圖（Viewport）中編輯邊緣種子（Edge seeds），大幅簡化操作流程。

• 直觀互動：無需在多個對話框或選單間切換，直接選取邊緣即可調整。
• 即時回饋：視覺化調整種子數值後，網格分佈會立即更新，讓網格細化（Mesh refinement）過程更直觀且高效。

我們擁有可靠的技術與人才，有任何相關問題都歡迎來信或來電討論指教，幫您量身打造符合需求的解決方案。 想更清楚的了解　MSC Apex 建模軟體 2025.2｜一次掌握所有新功能亮點　Apex(快速建模)，歡 迎 來 電 (02)2712-8448 或是 來 信。

If you want to know more details ,please contact Simhex.

Apex CAE 應用:

從強大的幾何清理、簡化，一直到網格劃分，MSC Apex旨在開發各種易於使用的功能，創造最友善的建模環境。

• MSC Apex Modeler

• MSC Apex Structures

全面整合的結構分析流程，自動偵測需要的求解器設定，前/後處理功能與求解器皆在同一個介面下操作，支援靜態、正交模態、動態、挫曲分析。

• MSC Apex Generative Design

高自動化的生成式設計，打造無與倫比的積層製造體驗，在產品生命週期的每個階段節省成本並縮短知識與經驗之間的差距。

這篇文章 MSC Apex 建模軟體 2025.2｜一次掌握所有新功能亮點 最早出現於 星恆科技有限公司。

計算流體力學（英語：Computational Fluid Dynamics，簡稱CFD）是21世紀流體力學領域的重要技術之一，使用數值方法在計算機中對流體力學的控制方程式進行求解，從而可預測流場的流動。 在複雜且成本高昂的汽車製造業的建立過程中，設計優化階段採用可靠的分析模擬工具已經被大量驗證其有效程度，汽車行業的各個知識領域和階段均在尋找有效的模擬解決方案本文以電泳塗裝過程為例，透過 AVL 的虛擬驗證工具 Preonlab，可以對多種設計參數進行優化，例如油箱尺寸、電泳過程中白車身的運行軌跡、速度以及幾何細節。

Wetting Sensor

PreonLab的濕壁傳感器(Wetting Sensor)是一項強大的工具，用於確認零部件各個位置是否與液體直接接觸，該功能支持輸出任意時間範圍內的結果，從而詳細分析零部件在不同階段的濕潤情況。此外，濕壁傳感器還可以計算每個部件各個位置與液體直接接觸的持續時間，這對於評估工藝均勻性和優化設計非常有幫助。

下方影片展示了使用濕壁傳感器進行後處理的結果，直觀地呈現了零部件與液體接觸的分佈情況及接觸時間的分佈，為電泳工藝的精細化分析提供了重要依據。

FORCE SENSOR

PreonLab 的力傳感器(Force Sensor)能夠統計並輸出整個電泳過程中車身所受的各種力，用戶可以利用力傳感器測量車身各個位置的應力和扭矩，從而深入分析車身在整個工藝過程中的受力情況，這一分析對於電泳塗裝工藝工程師和車輛結構工程師而言，能夠幫助優化工藝過程和車身結構設計。

此外，這些計算結果也可以方便地作為邊界條件導入到其他軟體中，支持跨平台的協同工作和進一步的分析。

下方影片展示了車身上累積最大受力隨時間變化的過程，並從不同角度分析了車身各部件在浸入和拖出過程中的受力情況，這有助於工程師更好地理解車身在工藝過程中的力學行為，並針對性地進行優化設計。

VOLUME SENSOR

體積傳感(Volume Sensor)能夠輕鬆統計車身重點關注區域排出液體的時間，對於評估排液效率至關重要。

下圖展示了車身附近區域的液體體積隨時間的變化，在車身完全浸入液體中時，體積傳感器測得的液體體積達到最大值，當車身被拖出液面後，體積傳感器測得的液體體積逐漸減少。

通過分析這些結果，我們可以判斷車身拖出後是否能夠順利排出液體，並基於這些分析進行優化設計。例如，可以考慮在車身上增加更多的排水孔，或者調整拖曳曲線，以提高排液效率，縮短各工序之間的停留時間。此外，這樣的優化還能有效避免因為殘留液體而導致液槽之間的交叉污染，進一步提高整體工藝效率。

液體殘留的檢測和輸出

在車身被拖出儲液槽後，仍然會有一些液體殘留在行李廂內，這些液體很可能無法順利排出，在初始設計方案中，這樣的情況是非常常見的。

為了確保液體能夠順利排出，有必要通過模擬來識別殘液的位置，並基於這些位置信息進行調整。

利用模擬結果，工程師可以優化車身設計以及浸入和拖曳曲線。例如，根據殘液的具體位置，調整車身結構或改變拖曳路徑，以促進液體的有效排出，這種方法可以應用於任意車身設計與工藝曲線的組合，從而實現對各種情境下的最佳排液效果進行優化。

車身中的殘液分佈狀態

使用 PreonLab 的 Python API (PreonPy)，用戶可以自動檢測殘液的位置，在本例中，我們在模擬結束後，通過 PreonPy 自動尋找體積超過 10ml 的殘液區域，並重點關注行李廂區域。

如圖所示，一共檢測到 6 個體積超過 10ml 的殘液區域。圖中，橙色的圓點標示了每個殘液區域的中心位置，這些標示幫助工程師迅速定位並分析液體的殘留情況，從而進一步進行優化設計。

採用 PreonLab 內建的網格生成功能(Preon Mesher)，使用者可以對殘液區域進行網格生成，並將生成的網格匯出為 CAD 檔。這些 CAD 檔可以導入到其他軟體中，用於進一步的模擬、設計和分析，以優化電泳工藝或車身設計。

如圖所示，網格生成後的殘液區域視覺化結果清晰，説明工程師深入瞭解液體在複雜結構中的分佈情況，為後續優化提供重要依據，通過與其他軟體的相容性，使用者可以在不同平臺上進行跨軟體的協同工作與精細化分析。

模擬的效率

本文所展示的算例使用 64 核 進行仿真，模擬 100 秒 物理時長，僅需 60 小時。基於仿真過程中的粒子細化和粒子刪除等提高仿真效率的措施，液體粒子數的範圍從 18 萬 到 900 萬 不等。

下圖顯示求解粒子數與計算時長之間的關係，可以清楚地看到計算量與流體粒子數量之間的關聯，在約 52 秒 時，計算時長的斜率顯著增加，這是因為細化設置被啟動。具體而言，當車身從儲液槽中拖出並開始排水時，細化設置啟用，目標粒子尺寸變小，導致粒子數量增加，同時計算時間也相應增加。這個過程展示了 PreonLab 在提供高計算精度的同時，也平衡了計算效率，能夠根據需要動態調整粒子尺寸，從而實現高效的仿真過程。

  總結  

PreonLab 提供了獨特的粒子細化功能，極大地滿足了電泳塗裝工藝設計的需求，能夠幫助工程師在樣件生產之前識別缺陷並進行改進。由於 PreonLab 的易用性和無需生成計算網格的特點，用戶可以快速進行建模和仿真，節省了大量的時間和資源。

依靠連續粒子尺寸、近壁面細化 以及強大的求解算法，PreonLab 能夠有效且準確地預測液體流動行為。通過內建的傳感器，用戶可以輕鬆預測排水時間、對車身受力進行可視化分析，並評估設計方案的可行性。

星恆擁有可靠的技術與人才，有任何相關問題都歡迎來信或來電討論指教，幫您量身打造符合需求的解決方案。

想 更 清 楚 的 了 解 電泳優化 – AVL Preonlab CFD   ，歡 迎 來 電 (02)2712-8448 或是 來 信。

If you want to know more details from Preonlab ,please contact Simhex.

Preonlab 的 優 勢

Preonlab 是一款無網格的 CFD 分析工具，不受限於複雜的前處理過程、或是移動網格的生成手法，對於涉及複雜幾何與動態過程的模擬具有先天的優勢，重要功能特色有以下幾點：

◆ 連續粒子尺寸設置 (Continuous Particle Size, CPS)

◆ 壁面粒子細化功能

◆ 基於 Keyframe 功能的運動規律定義

◆ 通過後處理傳感器 (sensor) ，進行受力、液體分佈、濕壁位置等分析

◆ 基於 Preonlab 的 python API：PreonPy，提升建模與後處理的效率

◆ Preonlab 可以輸出真實感的渲染效果動畫

Advantages of Using PreonLab

PreonLab is a meshless CFD analysis tool that avoids the complexities of traditional preprocessing or the generation of moving meshes. It is particularly advantageous for simulating scenarios involving complex geometries and dynamic processes. Key features include:

◆ Continuous Particle Size (CPS): Enables flexible particle size configurations for enhanced simulation accuracy.

◆ Wall Particle Refinement: Allows detailed resolution near walls for more precise results.

◆ Keyframe-Based Motion Definition: Facilitates the intuitive setup of motion patterns.

◆ Post-Processing Sensors: Analyze forces, liquid distribution, and wet wall locations using embedded sensors.

◆ Python API (PreonPy): Boosts modeling and post-processing efficiency with scripting capabilities.

◆ Realistic Rendering Animations: Outputs high-quality, realistic animations for better visualization.

PreonLab 的 運 作 方 式

與傳統的計算流體動力學 (CFD) 不同，PreonLab 的模擬採用無網格技術。這不僅簡化了模型的建立過程，也在模擬牛頓流體和非牛頓流體時提供了快速且高效的處理時間。不論您是進行趨勢分析還是尋求精準的預測，PreonLab 都能滿足需求。

在軟體開發過程中，易用性一直是特別重要的考量。因此，PreonLab 被設計成讓每位用戶只需稍加培訓便能直覺地應用於日常工作中。

在不犧牲結果品質的前提下，使開發過程儘可能高效。

How PreonLab Works
In contrast to classical CFD, the simulations in PreonLab are meshless. This not only simplifies model creation. It gives you short and powerful turnaround times when simulating Newtonian and non-Newtonian fluids. Regardless of whether you want trend analysis or precise predictions.

Ease of use was and still is particularly important in the development of the software. Thus, it was designed so that every user can use it intuitively in his daily work with a little training.

The goal has always been: to make development as efficient as possible without compromising on the quality of the results.

• 延伸閱讀 
  • 電泳優化 (上)
  • PreonLab光滑粒子分析 CPS與自適應細化功能應用
  • AVL PreonLab 5.1 Release
  • AVL PreonLab 無網格CFD模擬技術
  • 新版 PreonLab 5.1 發布: 更貼近真實應用
  • 新版PreonLab 5.2 無網格光滑粒子流場分析

這篇文章 電泳優化 – AVL Preonlab CFD 計算流體力學 (下) 最早出現於 星恆科技有限公司。

計算流體力學（英語：Computational Fluid Dynamics，簡稱CFD）是21世紀流體力學領域的重要技術之一，使用數值方法在計算機中對流體力學的控制方程式進行求解，從而可預測流場的流動。 在複雜且成本高昂的汽車製造業的建立過程中，設計優化階段採用可靠的分析模擬工具已經被大量驗證其有效程度，汽車行業的各個知識領域和階段均在尋找有效的模擬解決方案本文以電泳塗裝過程為例，透過 AVL 的虛擬驗證工具 Preonlab，可以對多種設計參數進行優化，例如油箱尺寸、電泳過程中白車身的運行軌跡、速度以及幾何細節。

使 用 Preonlab 的 優 勢

Preonlab 是一款無網格的 CFD 分析工具，不受限於複雜的前處理過程、或是移動網格的生成手法，對於涉及複雜幾何與動態過程的模擬具有先天的優勢，重要功能特色有以下幾點：

◆ 連續粒子尺寸設置 (Continuous Particle Size, CPS)

◆ 壁面粒子細化功能

◆ 基於 Keyframe 功能的運動規律定義

◆ 通過後處理傳感器 (sensor) ，進行受力、液體分佈、濕壁位置等分析

◆ 基於 Preonlab 的 python API：PreonPy，提升建模與後處理的效率

◆ Preonlab 可以輸出真實感的渲染效果動畫

Advantages of Using PreonLab

PreonLab is a meshless CFD analysis tool that avoids the complexities of traditional preprocessing or the generation of moving meshes. It is particularly advantageous for simulating scenarios involving complex geometries and dynamic processes. Key features include:

◆ Continuous Particle Size (CPS): Enables flexible particle size configurations for enhanced simulation accuracy.

◆ Wall Particle Refinement: Allows detailed resolution near walls for more precise results.

◆ Keyframe-Based Motion Definition: Facilitates the intuitive setup of motion patterns.

◆ Post-Processing Sensors: Analyze forces, liquid distribution, and wet wall locations using embedded sensors.

◆ Python API (PreonPy): Boosts modeling and post-processing efficiency with scripting capabilities.

◆ Realistic Rendering Animations: Outputs high-quality, realistic animations for better visualization.

PreonLab 的 運 作 方 式

與傳統的計算流體動力學 (CFD) 不同，PreonLab 的模擬採用無網格技術。這不僅簡化了模型的建立過程，也在模擬牛頓流體和非牛頓流體時提供了快速且高效的處理時間。不論您是進行趨勢分析還是尋求精準的預測，PreonLab 都能滿足需求。

在軟體開發過程中，易用性一直是特別重要的考量。因此，PreonLab 被設計成讓每位用戶只需稍加培訓便能直覺地應用於日常工作中。

在不犧牲結果品質的前提下，使開發過程儘可能高效。

How PreonLab Works
In contrast to classical CFD, the simulations in PreonLab are meshless. This not only simplifies model creation. It gives you short and powerful turnaround times when simulating Newtonian and non-Newtonian fluids. Regardless of whether you want trend analysis or precise predictions.

Ease of use was and still is particularly important in the development of the software. Thus, it was designed so that every user can use it intuitively in his daily work with a little training.

The goal has always been: to make development as efficient as possible without compromising on the quality of the results.

電泳優化 – AVL Preonlab CFD計算流體力學 流體分析

何為電泳塗裝？

電泳塗裝 (electro coating) 是利用外加電場使懸浮于電泳液中的顔料和樹脂等微粒定向遷移並沉積于電極之一的基底表面的塗裝方法。 電泳塗裝的原理發明于是20世紀30年代末，但開發這一技術並獲得工業應用是在1963年以後， 電泳塗裝是近30年來發展起來的一種特殊塗膜形成方法，是對水性塗料最具有實際意義的施工工藝。 具有水溶性、無毒、易于自動化控制等特點，迅速在汽車、建材、五金、家電等行業得到廣泛的應用。

制 作 工 藝

電泳塗裝是把工件和對應的電極放入水溶性塗料中，接上電源後，依靠電場所産生的物理化學作用，使塗料中的樹脂、顔填料在以被塗物爲電極的表面上均勻析出沉積形成不溶于水的漆膜的一種塗裝方法。

電泳塗裝類型：

電泳工藝分為陰極電泳和陽極電泳兩種類型，其中由於陰極電泳塗層具有更高的耐腐蝕性，因此在汽車行業中被廣泛應用，典型的陰極電泳工藝通常包括以下幾個步驟：

1. 除油 (Degreasing)

2. 冲洗 (Rinse)

3. 磷化 (Phosphating)

4. 冲洗 (Rinse)

5. 電泳塗裝 (E-coating)

6. 冲洗 (Rinse)

7. 排水 (Draining)

8. 烘乾 (Baking)

在整個流程中，與 CFD 模擬相關的主要步驟包括前處理(如磷化)、電泳塗裝，以及各個冲洗過程，流程中的多個步驟都涉及車身在液體中的浸入和拖出，這些步驟也是本文分析的重點所在。

流體分析

典型的電泳塗裝工藝流程

電泳優化 – AVL Preonlab CFD計算流體力學

在整個電泳工藝過程中，白車身首先會被浸入液體中(如水、磷化液、其他預處理液或電泳塗料液)，接著，白車身按照預設的路徑進行平移與旋轉操作，最後被拖出液面。 為了避免液體殘留在工件表面進而污染下一工序的液槽，車身在轉移至下一步驟前需完成有效的排液。

液槽的尺寸需與工件尺寸相匹配，通常在約 400m³ 的空間內完成塗裝過程。 下方影片展示了位於 寶馬慕尼黑工廠 的電泳塗裝工藝流程：

在整個電泳塗裝工藝中，除了涉及電泳現象的電泳底漆塗覆步驟之外，其餘所有過程均可通過 PreonLab 進行精確的模擬，PreonLab 可以在不考慮電泳現象的前提中，對塗裝工藝中的流體力學現象進行建模與預測。 特別是對於液體的流動與排出過程，PreonLab 提供了高效且準確的分析工具，能幫助工程師優化工藝設計，這是傳統CFD較困難達到的效果。

電泳優化 – AVL Preonlab CFD計算流體力學

下方的影片展示了 PreonLab 對該過程的模擬結果，清晰呈現了液體行為與排液效果：

由於車身上存在許多尺寸較小的孔洞，為了準確模擬這些孔對液體流動的影響，必須在模擬過程中採用足夠小的粒子尺寸。 然而，正如影片中所展示的，液槽的尺寸非常大，整個工藝過程中涉及的液體量極其龐大，如果對所有液體均採用如此細小的粒子尺度進行求解，將大幅提高計算資源的需求與計算時間，這在工程應用中是不切實際的。

因此，需要在模擬中採取適當的數值方法，例如局部細化或混合解析策略，以平衡模擬精度與計算效率，確保在關鍵區域提供精確的結果，同時減少對整體計算資源的耗用。

為了滿足工程應用中的效率需求，模擬流程需要具備智慧化的粒子細化與合併功能，PreonLab 中的 連續粒子尺寸（CPS）演算法正好能很好地實現這一點。 CPS 演算法允許模擬中根據需求動態調整粒子的尺寸，使得在需要高精度的區域進行細化，而在較大範圍或不敏感區域進行粒子合併，從而有效平衡模擬的精度與計算效率。

下方影片展示了 PreonLab 的連續粒子尺寸方法在電泳塗裝工藝中的應用，直觀地展現了該技術如何針對不同區域的需求進行粒子尺寸的動態調整，並大幅提升了粒子法模擬的效能與靈活性，真正改變了粒子法仿真的運作方式。

為了充分發揮 連續粒子尺寸（CPS）算法 的優勢，我們在示例中採用了 近壁面粒子細化 功能，當粒子接近幾何結構時，該功能會自動對粒子進行細化，從而能夠更精準地捕捉複雜幾何結構附近的流動特性，這種方法確保了在關鍵區域的模擬精度，同時避免了對整體計算資源的過度消耗。

下方影片演示了 PreonLab 基於幾何結構進行粒子細化的功能，生動展現了粒子隨著靠近壁面而逐漸細化的過程，以及這一功能如何幫助模擬更加精確地處理複雜幾何結構周圍的流動行為。

電泳優化 – AVL Preonlab CFD計算流體力學

PreonLab 的 分 析 結 果 與 後 處 理

在使用 PreonLab 進行 電泳 過程模擬後，可以通過內置的強大後處理工具對結果進行深入分析，本次模擬中，主要使用了以下後處理工具：

1. Wetting Sensor（濕壁傳感器） 用於監測白車身表面被液體覆蓋的情況，幫助評估浸入和拖出過程中的濕潤效果。

2. Force Sensor（受力傳感器） 用於測量車身在液體中運動過程中所受的流體力，為優化工藝設計提供參考數據。

3. Volume Sensor（體積傳感器） 用於計算特定區域內的液體體積變化，幫助分析排液效率以及避免液體殘留的情況。

這些工具協同工作，為 電泳 工藝的優化提供了多維度的關鍵數據支持。

星恆擁有可靠的技術與人才，有任何相關問題都歡迎來信或來電討論指教，幫您量身打造符合需求的解決方案。

想 更 清 楚 的 了 解 電泳優化 – AVL Preonlab CFD計算流體力學  ，歡 迎 來 電 (02)2712-8448 或是 來 信。

If you want to know more details from Preonlab ,please contact Simhex.

• 延伸閱讀 
  • PreonLab光滑粒子分析 CPS與自適應細化功能應用
  • AVL PreonLab 5.1 Release
  • AVL PreonLab 無網格CFD模擬技術
  • 新版 PreonLab 5.1 發布: 更貼近真實應用
  • 新版PreonLab 5.2 無網格光滑粒子流場分析

這篇文章 電泳優化 – AVL Preonlab CFD計算流體力學 (上) 最早出現於 星恆科技有限公司。

Satven 的持續成長和進一步提升背後的關鍵在於其擁有高素質的人才、穩定的產品品質、豐富的知識基礎、戰略夥伴聯盟、專業領域的深厚知識，以及與客戶建立的強大關係，這些因素使公司能夠在全球汽車工程領域中保持領先地位。

Satven 為汽車產業提供全面的工程解決方案，涵蓋多個領域的專業服務，從概念設計、產品設計到價值工程/價值分析 (VA/VE)、尺寸管理和採購等。公司還擅長基於Knowledge Based Engineering (KBE)、非線性與線性有限元素分析 (FEA)、整車碰撞分析、噪聲振動與舒適性 (NVH) 分析、耐久性分析、計算流體力學 (CFD) 以及多體動力學 (MBD)，提供全面支持汽車產品的開發與優化。

Satven 成立於 2000 年，致力於滿足汽車產業各種複雜設計與工程需求。經過多年發展，公司已經實現了顯著的成長，現已成為印度汽車工程領域中的領導者之一，為全球汽車製造商提供高品質的專業服務，作為一家全球化企業，Satven 在德國慕尼黑以及印度的海德拉巴和金奈設有工程中心，並在底特律、慕尼黑、上海和廣島設有辦事處，總部位於印度海德拉巴。

(AI/ML based trimmed body NTF prediction and optimization using ODYSSEE CAE)

挑戰

隨著人工智慧 (AI) 和機器學習 (ML) 在車輛開發中的應用逐漸普及，汽車產業迎來了創新變革的巨大潛力。作為汽車工程解決方案的領導者，Satven 致力於利用 AI 和 ML 的優勢，提供卓越的服務，為客戶帶來明顯的競爭優勢。

為了達到這一目標，Satven 開展了一項能力發展專案，旨在增強其提供 AI/ML 解決方案的能力，設計團隊決定採用 AI/ML 方法來進行快速預測和優化，特別是研究車身結構 (BIW) 板材厚度與楊氏模量對整車 (Trimmed Body) 自然頻率 (NTF/VTF) 和系統全局模態的影響，並進行相應的優化處理。

解決方案

Satven 團隊非常重視利用 Hexagon 的 ODYSSEE CAE 軟體中可用的機器學習技術 。ODYSSEE CAE 優化軟體是一個創新的工具，通過運用機器學習和降階模型 (ROM) 技術，取代傳統的響應曲面解決方案，從而能夠預測任意時間相關和非線性的物理現象。

Satven 團隊決定使用開源的 Honda Accord 車身結構 (Body in White) 有限元 (FE) 模型進行評估（詳見：https://www.nhtsa.gov/crash-simulation-vehicle-models）。

此次評估的目標包括兩大方面：噪音傳遞函數 (NTF) 和 全局模態，具體內容如下：

1. 噪音傳遞函數Noise Transfer Function (NTF)：

a. 研究車身結構 (BIW) 組件厚度及材料對 NTF 的敏感性

b. 使用機器學習方法進行 NTF 預測(無需實際 CAE 模擬)

c. 使用機器學習方法進行 NTF 優化(無需實際 CAE 模擬)

2. 全局模態：

a. 研究車身結構 (BIW) 組件厚度及材料對前端側向彎曲模態的敏感性

b. 使用機器學習方法進行車身結構前端側向彎曲模態的預測(無需實際 CAE 模擬)

c. 使用機器學習方法進行車身結構前端側向彎曲模態的優化(無需實際 CAE 模擬)

這些目標旨在利用機器學習技術實現快速預測與優化，減少傳統 CAE 模擬的依賴

Satven 團隊在初步分析中識別出了一些對 NTF 和全局模態研究影響較大的敏感零件。這些零件的厚度和楊氏模量被考慮為變量，用於生成初步的實驗設計 (DOE)，以訓練機器學習模型，該 DOE 是通過 ODYSSEE CAE 生成的。

隨後，團隊利用 ODYSSEE CAE 中的解析工具 (Parser Tool) 生成 NTF 和模態分析的樣本，並選擇 MSC Nastran 作為求解器。這些樣本文件通過 MSC Nastran 求解後，產生了 NTF 和模態的分析結果。

(AI/ML based trimmed body global mode prediction and optimization using ODYSSEE CAE)

在接下來的步驟中，團隊將實驗設計 (DOE) 參數(X-輸入)與噪音傳遞函數 (NTF) 和模態結果(Y-輸出)輸入到 ODYSSEE CAE 工具中，以生成降階模型 (ROM)。為確保該 ROM 模型的有效性，團隊會將 ODYSSEE CAE 預測的結果(機器學習結果)與 MSC Nastran 預測的結果(CAE 結果)進行比較。

一旦完成驗證，ROM 模型將用於預測輸入參數對 NTF 和模態結果的敏感度。接下來，團隊將為 NTF 和模態設置目標和約束條件，並利用 ROM 模型進行優化，以找到最佳設計參數。

研究結果

ODYSSEE CAE(機器學習)與 MSC Nastran(CAE)結果之間的相關性達到了 91%，特別是在主要峰值方面，傳統有限元分析 (FEM) 模擬通常需要約三小時，而 ODYSSEE CAE 模擬僅需幾秒鐘即可完成，識別部件的敏感性也能在幾秒鐘內完成。考慮到需要進行多次模擬，傳統 CAE 可能會使總耗時達到數小時、數天甚至數週，這使得嘗試多種迭代幾乎變得不切實際。

相對而言，ODYSSEE CAE 的降階模型模擬僅需幾秒鐘，這對於識別敏感參數非常有幫助，它能在極短的時間內進行大量設計迭代，從而促進更快的決策並促成更優秀的車輛設計，基於這些結果以及 AI/ML 自動化帶來的巨大優勢，Satven 團隊渴望在客戶的實際車輛開發中進一步探索這些工具的應用。

此案例使用的CAE軟體： ODYSSEE CAE, MSC Nastran

效益：ODYSSEE的AI/ML功能可以大幅縮減整車NVH分析和最佳化所需的時間

NTF BIW 說明

噪音傳遞函數 (Noise Transfer Function, NTF) 是一種用來描述噪音在系統中如何從某個點傳遞到另一點的數學模型。它反映了系統對噪音的響應，並且可以用來分析和預測噪音從源頭傳遞到觀測點時的變化。

而NTF 通常通過實驗測量來獲得，這包括在噪音源頭和接收點進行噪音測試。通過計算源頭輸入和接收點輸出信號之間的關係，可以得到 NTF 的數學模型。這個模型可以用來預測不同條件下的噪音傳遞特性。

車身結構 (Body in White, BIW) 是指汽車生產過程中，車輛的車身骨架結構在未進行任何表面處理（如噴漆、內飾和其他組件安裝）之前的狀態。BIW 是汽車製造中一個關鍵的階段，因為它為整車的強度、剛性和安全性奠定了基礎。

小結：NTF 是聲學和振動工程中重要的工具，用來理解和控制噪音在系統中的傳遞過程，對於噪音減少和聲學設計具有重要意義。BIW 支撐整個車輛結構，還直接影響車輛的性能、安全性和燃油效率。

想 更 清 楚 的 了 解  AI解決NTF BIW 2大問題 – CAE軟體ODYSSEE ODYSSEE 的 細 節 ，歡 迎 來 電 (02)2712-8448 或 是 來 信。

If you want to know more details from ODYSSEE  ,please contact Simhex.

ODYSSEE 為 工 程 、 製 造 和 質 量 提 供 實 時 解 決 方 案，包 括 以 下 功 能：

• 機器學習 AI
• 統計 、 數據挖掘 、 數據融合
• 優化 和 魯棒性
• 圖像識別 和 壓縮

機器學習、人工智慧AI的最佳幫手 ODYSSEE 應用領域如下：

• 計算流體力學
• 結構仿真
• 材料
• 聲學設計
• 系統動力學
• 自動駕駛
• 製造工藝

ODYSSEE 應用:

• 延 伸 閱 讀 

• ODYSSEE CAE 機器學習成為電機一大助力
• ODYSSEE幫助臨床醫學最佳化3D列印矯正鞋墊
• 變速箱性能最佳化：透過ODYSSEE建立AI ML的Romax變速箱設計
• 機器學習、人工智慧AI的最佳幫手 ODYSSEE
• ODYSSEE 以CAE為中心的AI/ML創新平台

這篇文章 AI解決NTF BIW 2大問題 – CAE軟體ODYSSEE 最早出現於 星恆科技有限公司。

法國國家鐵路營運商 SNCF 的研究與創新部門一直在探索Actran，用於對其列車內部噪音舒適度進行建模，並為降噪解決方案建立假設情境。

SNCF (Société Nationale des Chemins de fer Français)是一間法國的國家鐵路運營公司，擁有世界上最大規模的鐵路網之一。 SNCF 每天的運輸量超過500萬名乘客及貨物，每天運行超過14,000列列車，涵蓋35,000公里的鐵路網絡，其中包括2,600公里的高速列車、知名的TGV(Train à Grande Vitesse)正是於此運行。

雖然 SNCF 並非鐵路製造商，但該公司深刻的了解，卓越的噪音舒適度體驗對於乘客來說是多麼重要，尤其是針對高速列車，高速列車的目的在於取代短程航空旅行，因此乘客的期望值更高。

SNCF 在購買和運營列車時會考慮其長期使用，有些列車可能會使用數十年，隨著公眾期望的變化，列車需要進行改造以盡可能達到所需的噪音舒適度水平。 這些改造通常涉及對技術設備和電驅動機械進行新的封裝、更換車輪上的能量吸收器或減震器，以及對列車的牆壁、地板和天花板進行聲學處理。

(車廂內部設計)

對數千列列車進行改造，如果缺乏明確的工程判斷，將會帶來高昂的成本，因此，負責這項任務的工程師必須深入了解噪音傳遞路徑，並識別出關鍵區域，在這些區域進行處理能夠在控制成本的同時，實現最佳的降噪效果，這種精確的聲學工程分析有助於確保改造工作既具有效率又具經濟效益。

Noise sources and noise reduction

列車所產生的噪音，不論是輻射向周圍環境還是傳入車廂，都與行駛速度有很大的關係。 在常用運行時速80 km/h至300 km/h時，主要的噪音來源是滾動噪音(rolling noise)，這種噪音由車輪與鐵軌接觸時產生，由於鐵軌上可能有製造或磨損造成的不規則，這直接導致乘客最常察覺到的噪音。 次要噪音則來自車載設備，如電機、空調系統，這些次要噪音只在低速時較為明顯，因為隨著速度的提升，滾動噪音會將其掩蓋。

當列車速度超過300 km/h時，主要噪音來源變為氣動噪音，這是由氣流與列車結構、轉向機構和集電弓的相互作用所產生的。

(集電弓示意圖Pantograph)

為了有效識別噪音傳播路徑並快速找到提高聲學舒適度的解決方案，SNCF投入資源探索聲學模擬技術，這是一項能夠提供工程見解的有效工具，幫助工程師找到最佳解決方案。 由於公司無法通過大量原型測試來驗證所有方案，因此轉向數位化解決方案可在成本方面帶來諸多好處。 作為第一步，聲學模擬在研發項目中進行評估，而不是在生產環境中。

在這一背景下， SNCF 使用 MSC Apex 建立模型，並使用 Actran 模擬車廂內部噪音，進行聲學分析。 MSC Apex 提供了符合人體工學且易於學習的一套工具，能夠從CAD模型到網格輕鬆轉換，還能快速修改現有幾何圖形，並為有限元素法(FEM)準備網格，將其導出至Actran進行聲學模擬。 Actran能夠有效模擬各種聲學情境，並通過”虛擬驗證”快速確認這些聲學對策的最佳位置。

Delivering simulation solutions

創新與發展部門內部成立了一個專門團隊，目的為制定利用CAE技術降低噪音，他們的主要任務是創建一套分析流程，識別如何最佳地進行研究，並提供一套工具，輔以少量的實驗測試來解決噪音問題。由於滾動噪音的外部噪音問題已經有完善的解決方案，該團隊的重點主要集中在乘客舒適度相關的車廂內部噪音。 為了解決這一問題，團隊首先對一個簡化的車廂模型進行了研究，該模型本質上是一個平行六面體箱體，目的是制定解決鐵路內部噪音的主要指導原則，尤其是關於車廂腔體大小的問題。 這些研究成果將有助於開發有效的降噪策略，提升乘客體驗。

在聲學分析中，模型的大小是影響模擬運行時間的重要因素，對於較大的物體，必須使用更多的元素來模擬高頻率的現象，由於列車車廂相對較大，因此模擬高頻噪音(超過1000 Hz)並不容易。

研究人員對離散化準則進行了研究，即需要多少元素來正確模擬特定波長或頻率，他們的結論是，每個波長至少需要五個元素來確保精確模擬，此外，還需要定義合適的流體阻尼進一步提高模擬的準確性。 這些發現有助於優化模型的網格設置，從而在模擬精度與計算效率之間取得平衡。

“Actran allows a fine simulation of the design as well as the physical mechanisms involved, including absorption and insulation.”

“Actran可以針對設計以及所涉及的物理機制，包括吸收和絕緣，進行精細地模擬。”

SNCF 專案經理 Claire Chaufour

該幾何模型包括了列車車廂的兩個不同隔間，包含乘客區和平台區，以及座椅、桌子和行李架。 主要噪音來源是滾動噪音，這種噪音被模擬為單極源，其振幅由A加權分貝dB(A)的三分之一倍頻程定義。 研究目標是評估噪音在乘客隔間內的傳播情況，並進一步分析噪音向平台隔間的傳播，以及乘客隔間內聲學處理材料提供的吸音效果，這項研究有助於理解不同隔間之間的聲音傳播路徑，並探索有效的降噪措施以提高乘客舒適度。

“As we cannot test everything in a real way and model the solutions, we can go digital with many benefits in terms of costs.”

“由於我們無法以真實的方式測試所有對策，因此我們選擇使用CAE，並在降低成本方面帶來許多好處。”

SNCF 專案經理 Claire Chaufour

月台區和乘客隔間之間由一塊玻璃面板隔開，該面板在聲學分析時視為薄殼結構，乘客隔間內的吸音效果則通過不同表面應用吸收係數來進行聲學分析。 為了評估噪音值，研究中設置了多個虛擬麥克風代表乘客的位置，並在車廂內的特定高度測量噪音水平，這些麥克風能幫助工程師們更精確地了解不同區域的噪音分佈和吸音效果，從而為改善乘客的聲學舒適度提供數據判斷。

初步分析結果確定了需要研究的重要頻率範圍，隨後設計了幾個假設情境(what-if studies)用於評估這些頻率範圍內可能實現的噪音遞減效果，通過這些研究，工程師可以測試不同的聲學處理方法和技術，分析其在關鍵頻率範圍內的性能表現，從而找出最有效的降噪方案。

接下來，使用現有Actran模型，修改吸音材表面的材料屬性，通過改變地板和天花板應用的不同材料，可觀察其對噪音控制的影響，這些材料的選擇和布置將直接影響聲音的吸收效率，並且可以通過聲學分析結果，可視化不同材料在降低車廂內部噪音方面的效果，Actran為優化聲學性能提供了便捷又快速的虛擬平台。

“Sometimes we have numerical results that go against what we thought, so simulation allows us to question and better understand results that are not easy to calculate on paper.”

“有時得到的分析結果與我們的理解相反，因此模擬使我們能夠質疑並更好地理解不易計算的聲學結果。”

SNCF 專案經理 Claire Chaufour

(乘客室出口處的聲壓級 (SPL)，單位為 dB(A))

透過分析結果與虛擬麥克風數據，研究人員得出以下結論：將吸音材料放置在車廂入口處(靠近噪音源)對噪音減少效果更顯著，這一效果可以通過觀察特定頻率下Actran預測的聲壓級來進一步可視化，將吸音材料放置在噪音源周圍比其他位置更有效，因為這樣可以避免多次反射，從而放大聲音強度。

Moving forward

在這次聲學探索與驗證研究中獲得寶貴的結果後，下一步是讓團隊工程師們採用這一方法，將其應用於創建更安靜、更舒適的車廂。 在噪音問題得到有效解決的環境中，乘客將更享受旅程，放鬆或高效工作。 此外，該方法還將被用於探索聲學超材料，這些材料有望在減少聲學處理增加的重量的同時，大幅提升降噪性能。

想 更 清 楚 的 了 解 鐵路噪音解決方案 – CAE軟體Actran  Actran 的 細 節 ，歡 迎 來 電 (02)2712-8448 或 是 來 信。

If you want to know more details from Actran ,please contact Simhex.

Actran 用 在 各 種 形 式 的 聲 學 模 型

Actran 常 見 應 用 的 產 業

• 航太:  經過駕駛艙和機身 、 發動機短艙內襯 、 機身和駕駛艙絕緣 、 ECS（環境控制系統） 、 APU 和 ECS 入口和出口消音器 、 後緣 、 聲納 、 直升機渦輪噪聲 、 起飛時火箭有效載荷的隨機動態響應的聲音傳輸 、 聲納。

• 車輛:  動力總成 、 裝飾設計 、 風噪聲 、 發動機部件 、 壓縮機 、 進氣歧管 、 空氣濾清器 、 閥蓋 、 擋板 、 電動機 、 揚聲器 、 消聲器 、 輪胎噪聲 、 消音器 、 高壓分配管道 、 馬達 、 齒輪箱。

• 消費品: 電話 、 免提電話通訊 、 耳機 、 揚聲器 、 助聽器 、 樂器 、 洗衣機 、 冰箱 、 吸塵器。

• 電子產品: 光碟硬碟等轉動裝置 、 手機 、 相機 、 液晶投影設備的風扇。

• 機械裝置: 渦輪機械 、 暖通空調 、 割草機和農業機械 、 排氣系統 、 馬達。

延 伸 閱 讀 

• Actran 2024.1新功能 聲學Acoustic解決方案
• Actran協助富士康優化Loudspeaker設計
• 透過Actran分析新型風扇的氣動噪音
• Actran創建AVAS揚聲器聲學模型 
• 中華汽車透過Actran進行噪音之聲源估算和響應驗證
• Actran幫助現代汽車設計行人警示揚聲器
• Actran SEA解決太空發射器飛行的結構聲學疲勞
• Actran 聲學解決方案研討會
• Actran聲場分析 2023第二季培訓課程 
• Avio使用MSC Nastran和Actran確保太空發射器的結構可靠度
• 第二屆 2023 Actran聲學應用大賽
• CAE軟體 – Actran 進行噪音分析
• Actran SNGR 解決複雜的流場 聲學 問題
• 馬達噪音優化 – 解析如何利用Actran進行噪音優化
• Actran 2021 新功能發布要點！
• NVH分析 – 利用Actran輔助車身地板阻尼優化
• 電動車噪音 – 通用汽車向中高頻前進！

這篇文章 鐵路噪音解決方案 – CAE軟體Actran 最早出現於 星恆科技有限公司。

隨著全球對低碳社會的需求日益增加 ，電動汽車 (EV) 和 混合動力汽車 (HEV) 的數量正在快速增長。 這些車輛被認為是未來交通工具的核心 ，因為它們能夠減少對化石燃料的依賴 ，從而降低二氧化碳排放量 。 在這些新能源車中，電池 、 逆變器和電機是最關鍵的組件。  其中，電機的市場規模預計將在未來幾年持續擴大，因為它們是這些車輛的核心驅動部分 。 隨著人們對提高電動汽車性能的需求日益增強， 電機設計工程師面臨著越來越高的要求 ，需要開發出更加高效和可靠的設計 。

除了電動汽車市場外，協作機器人市場也預計會有顯著增長。 協作機器人主要應用於需要體力勞動的工作場合 ，如搬運重物和進行精密工作 。 這些機器人可以與人類協同工作 ，減少人力勞動強度 ，同時提高工作效率 。 由於協作機器人由多個執行器和電機組成， 電機在這個領域的應用也變得越來越廣泛 。  因此 ，協作機器人的電機市場也將因此而擴大。

(左：電動汽車、右：協作機器人)

CAE軟體 電機設計

在電機設計過程中，為了在實際生產之前確保設計的高效性和可靠性，模擬分析預期性能是非常必要的。 這包括對電機的形狀進行優化以及在不同工作條件下確保驅動的有效性。 形狀優化的目的是提高電機的效率和性能，而在廣泛的工作範圍內確保驅動的有效性則是為了適應不同的操作環境和需求。

(左：電機形狀優化、右：電機在不同工作條件下的性能)

這些設計過程需要工程師進行大量的磁場模擬分析，尤其是在不同工作條件下。 這些分析需要大量的計算時間，因而如何減少模擬時間並提高工作效率成為一個重要的課題。

為了解決這個問題，海克斯康的 ODYSSEE軟體 提供了一種有效的解決方案。 ODYSSEE 能夠利用少量的設計實驗點(DOE)來建立高精度的降階模型(ROM)，這樣可以顯著加速電機設計的優化過程。

CAE軟體 電機設計

電機形狀設計優化

在不同的形狀參數下，電機的平均扭矩和扭矩波動會有所不同。 電機的設計優化過程就是平衡電機的平均扭矩和扭矩波動，得到帕雷托最優前沿(Pareto front)。

(左：電機磁場分析模型、右：不同設計參數下電機的平均扭矩和扭矩波動)

針對電機設計優化問題，通常採用典型的基因演算法來進行參數最佳化。 在這個過程中，基因演算法根據設計參數的取值進行優化，直到性能改進達到穩定。 這一過程通常需要進行大量的有限元法(FEM)計算。舉例來說，如果需要進行1200次FEM計算，每次計算大約需要30秒，那麼總計算時間將達到10小時。 在這樣的情況下，FEM計算是最耗時的部分，因此，減少FEM計算時間就成為提高工作效率的關鍵。

為了解決這一問題，本研究利用少量的FEM模擬結果，並採用ODYSSEE建立的降階模型來取代FEM，以便快速預測和減少FEM計算時間。 這樣不僅能夠加快優化過程，還能減少計算資源的消耗。

具體的工作流程如下：首先使用FEM模擬生成訓練數據，然後利用基因演算法確定設計參數，並搜索最佳設計形狀。 這一過程會重複進行，直到降階模型的結果與FEM的結果精度達到滿足要求的程度。 此時，降階模型可以取代FEM進行預測。

(左：基因演算法+機器學習工作流程、右：降階模型和FEM結果對比)

研究結果顯示，使用400個FEM模擬結果進行模型訓練即可得到收斂的降階模型，能夠準確替代FEM模擬。 相較於僅使用基因演算法的優化流程，引入ODYSSEE的機器學習工具後，FEM模擬次數從1200次減少到400次，大大降低了計算成本。

然而，我們也發現，在某些情況下，由於材料的非線性特性，降階模型對扭矩波動的預測精度較低。 這種情況主要是由於材料的非線性行為造成的。在這種情況下，可以通過改進優化流程來解決這個問題，即在帕雷托最優前沿位置使用FEM結果，其他位置則使用降階模型進行預測。

不同工作條件下電機性能快速預測

電動汽車的電機有著廣泛的工作範圍，為了在不同逆變器輸入電流條件下實現更有效的驅動，需要進行大量的磁場模擬分析。

(左：電動汽車工作範圍、右：電機效率隨電流和電機狀態而改變)

為了選擇適當的電流條件，需要進行1848個FEM模擬結果的優化，因此我們引入ODYSSEE的機器學習方法來減少模擬分析次數。 建模工具使用 MSC Apex ，機器學習軟體為 ODYSSEE 。 我們使用240組FEM模擬結果進行機器學習模型的訓練，並構建高精度的降階模型來替代FEM模擬分析。 結果顯示，降階模型的預測結果與FEM結果幾乎完全一致。

(上：FEM分析結果、下：降階模型預測結果)

總 結

在電機形狀設計優化問題中，使用 ODYSSEE 的機器學習方法，可以將FEM次數減少約68.9%（從1236次減少到378次）。 然而，由於電機材料的特性，降階模型對某些扭矩波動的預測結果可能與FEM結果存在一定的偏差。 這可以通過在帕雷托最優前沿選擇使用FEM結果來彌補。

針對不同工作條件下的電機設計優化問題， ODYSSEE 的機器學習方法能將FEM次數減少約87.0%（從1848次減少到240次），並且仍能保持較高的預測精度。 這樣的技術進步不僅顯著提高了電機設計的效率，也為未來的技術發展提供了新的可能性。 在全球追求低碳經濟和可持續發展的大背景下，這些技術的應用將變得越來越重要，並有望為相關行業帶來深遠的影響。

想 更 清 楚 的 了 解  ODYSSEE CAE 機器學習成為電機一大助力 ODYSSEE 的 細 節 ，歡 迎 來 電 (02)2712-8448 或 是 來 信。

If you want to know more details from ODYSSEE and Romax ,please contact Simhex.

ODYSSEE CAE

ODYSSEE CAE 藉由即時回答複雜的工程問題來擴增你的知識，若沒有 ODYSSEE CAE 可能需要數百小時來做模擬和分析。 只要一些先前做過的CAE模擬， ODYSSEE 可以即時預測、最佳化和穩健的產出準確的結果。 ODYSSEE CAE 生產完整時程的歷史輸出，包含完整的CAE分析，有詳細的後處理結果。

ODYSSEE CAE is an innovative platform for engineers that integrates machine learning, artificial intelligence, reduced order modelling, and design optimisation into workflows. It enables cost-efficient digital twin creation through real-time predictive modelling and optimisation by leveraging CAE simulation and physical test data. With minimal prior simulations, ODYSSEE CAE can quickly generate accurate results (with deformation, stresses, …) and full-time history outputs.

ODYSSEE A-Eye

使用以影像為基礎的機器學習，為任何產業提供即時預測和優化。

ODYSSEE-A-Eye 使用影像為基礎的預測或基於 CAD 幾何 (STEP) 為生產/非工程師建立專用的客製化。

ODYSSEE A-Eye is a machine learning solution for accelerating product design and development through image and CAD-based learning. Using images, CAD and sensor data as inputs, ODYSSEE A-Eye creates customised AI applications that predict output responses and field data. This enables designers and production technicians to explore the design space thoroughly and design next-generation products efficiently without excessive computing time and cost.

ODYSSEE 為 工 程 、 製 造 和 質 量 提 供 實 時 解 決 方 案，包 括 以 下 功 能：

• 機器學習 AI
• 統計 、 數據挖掘 、 數據融合
• 優化 和 魯棒性
• 圖像識別 和 壓縮

機器學習、人工智慧AI的最佳幫手 ODYSSEE 應用領域如下：

• 計算流體力學
• 結構仿真
• 材料
• 聲學設計
• 系統動力學
• 自動駕駛
• 製造工藝

補充說明：

AI 人工智慧 (Artificial Intelligence) 是指通過電腦系統模擬人類智能的技術。AI 包括能夠進行推理、學習、理解自然語言、解決問題、感知環境並做出決策的系統。

ML 機器學習 (Machine Learning) 是 AI 的一個子領域，專注於通過數據進行學習，無需特定編程來完成特定任務。ML 的系統會通過大量數據進行訓練，識別其中的模式，並基於學到的模式進行預測或決策。

AI 和 ML 的區別：

• AI 是一個廣泛的領域，涵蓋了模仿人類智能的各種技術和方法。
• ML 是實現 AI 的方法之一，利用數據訓練模型，通過學習改進系統的表現。

ODYSSEE 應用:

• 延 伸 閱 讀 

• ODYSSEE幫助臨床醫學最佳化3D列印矯正鞋墊
• 變速箱性能最佳化：透過ODYSSEE建立AI ML的Romax變速箱設計
• 機器學習、人工智慧AI的最佳幫手 ODYSSEE
• ODYSSEE 以CAE為中心的AI/ML創新平台

這篇文章 ODYSSEE CAE 機器學習成為電機一大助力 最早出現於 星恆科技有限公司。

生物力學 及 應用實驗室 Laboratory of Biomechanics and Application (LBA) 專 注 於 虛擬人體 (Virtual Human) 的 研 究 ，虛擬人體 在 創傷研究 與 預防 、 診斷改進 以 及 外科手術技術 提 升 方 面 具 有 多 種 實 際 應 用 。透 過 多 尺 度 分 析，可 以 對 組織、肢體、身體部位 或 完整人體模型 進 行 虛擬測試。

生物力學與應用實驗室由古斯塔夫·艾菲爾大學 (Université Gustave Eiffel’s) 的運輸、健康與安全部（簡稱IFSTTAR）與艾克斯-馬賽醫學院 (Aix-Marseille Faculty of Medicine) 共同組成的研究單位。 該實驗室採取多學科方法，結合工程與醫學科學專業知識，專注於人體衝擊力學的研究。 LBA致力於設計虛擬測試工具與人體模型，以實現他們的「虛擬人體」願景，他們的應用研究已在臨床與外科手術領域以及運輸安全方面產生了實際影響。 LBA位於法國馬賽北部的健康中心，設在醫學院內，並擁有39名合作研究人員。

(行走步伐周期的四個階段, Wallace et al. 2018)

挑 戰

由LBA所創建的虛擬人體和肢體模型在創傷預防分析和臨床應用方面具有實際的價值。 LBA開發的足部肢體模型已應用於新興醫療領域，例如最佳化的矯形鞋墊，這些鞋墊可以在診所中輕鬆並快速地由3D列印製造出來。 LBA使用多達七種不同的工程軟體來全面模擬現實中的步態動力學。 患者足部的數位孿生模型可以用來深入了解如何針對患者的具體需求改進鞋墊。 調整過的定制鞋墊將最大化鞋墊的預期效果並提升患者的舒適度。 目前的足部模型需要耗費大量時間才能準確呈現鞋墊的影響。 LBA利用ODYSSEE CAE使其綜合足部模型能夠提供臨床足病醫師所需的即時且易於理解的結果反饋。

解 決 方 案

ODYSSEE幫助臨床醫學最佳化3D列印矯正鞋墊

LBA的足部模型提供了對患者步態的全面分析，步態動力學的分析通過將步態分為四個階段進行，並考慮由骨骼、軟性足底組織、皮膚組織、韌帶、關節位置、關節剛度以及地面特性等不同屬性所引起的細節。 足部和鞋墊模型的參數根據患者足部的測量結果進行了調整，使得該足部模型能夠成為患者的數位孿生，模擬各種足部形狀、步態和行走模式。 ODYSSEE CAE 通過對原始足部模型進行三十次模擬，創建了一個簡化模型，該模型可以適應任何足部形狀，並準確再現患者的步態動力學。 對簡化模型的敏感性研究顯示了對步態影響最大的參數。 ODYSSEE CAE 能夠利用簡化模型生成近乎即時的反饋，提高了模型對臨床醫生的實用性，並已經開始被部分足病醫師所使用在臨床病例上。

“It is now actually used by podiatrists that are already clients to the company that was partly funding the study.”  —– 研究員Dr. Michel Behr

(此圖顯示了步態過程中壓力中心的移動軌跡：左側的線條顯示出足部內翻的趨勢，而右側的線條則顯示出足部外翻的趨勢)

即時反饋系統 協 助 足病醫師 為 患 者 提 供 最 好 的 護 理 。 與 求解完整模型 所 需 的 四 小 時 相 比 ，ODYSSEE CAE 的 簡 化 足部模型 能 夠 在 不 到 一 秒 鐘 內 準 確 預 測 綜合模型 的 動態響應 。

(模型結果顯示出步態週期中，足尖離地階段足部對外的壓力分佈)

簡化模型 的 預 測 結 果 與 原 始 模 型 中 觀 察 到 的 壓力中心 位 移 非 常 接 近 。 數 位 化 匹 配 不 同 鞋墊設計 至 患 者 足 部 並 即 時 觀 察 效 果 ，使 得 設 計 優 化 變 得 快 速 且 高 效 ，以 最 大 化 預 期 的 醫 療 效 果 。 定制鞋墊 可 以 通 過 不 同 的 材 料、局 部 密 度 和 幾 何 形 狀 進 行 優 化 ， 以 滿 足 不 同 患 者 的 需 求。

ODYSSEE CAE 的簡化足部模型能夠在不到一秒鐘內準確預測綜合模型的動態響應，而求解完整模型則需要四小時。

簡化模型 在 優 化 某 些 運 動 鞋 外 底 方 面 也 顯 示 出 良 好 的 前 景 ， 使 用 足部 和 鞋墊 ODYSSEE 數位孿生 模 型 的 另 一 個 優 勢 是 定制鞋墊 的 3D列印 更 加 方 便 。 ODYSSEE 的 CAE 即 時 預 測 分 析 突 顯 了 LBA 足部模型 的 實 際 應 用， 該 成 果 已 成 功 在 合 作 的 足 病 診 所 中 實 施 。

想 更 清 楚 的 了 解  ODYSSEE幫助臨床醫學最佳化3D列印矯正鞋墊 ODYSSEE 的 細 節 ，歡 迎 來 電 (02)2712-8448 或 是 來 信。

If you want to know more details from ODYSSEE and Romax ,please contact Simhex.

ODYSSEE 為 工 程 、 製 造 和 質 量 提 供 實 時 解 決 方 案，包 括 以 下 功 能：

• 機器學習 AI
• 統計 、 數據挖掘 、 數據融合
• 優化 和 魯棒性
• 圖像識別 和 壓縮

機器學習、人工智慧AI的最佳幫手 ODYSSEE 應用領域如下：

• 計算流體力學
• 結構仿真
• 材料
• 聲學設計
• 系統動力學
• 自動駕駛
• 製造工藝

ODYSSEE 應用:

• 延 伸 閱 讀 

• 變速箱性能最佳化：透過ODYSSEE建立AI ML的Romax變速箱設計
• 機器學習、人工智慧AI的最佳幫手 ODYSSEE
• ODYSSEE 以CAE為中心的AI/ML創新平台

這篇文章 ODYSSEE幫助臨床醫學最佳化3D列印矯正鞋墊 最早出現於 星恆科技有限公司。

揚聲器 (Loudspeaker) 作 為 日 常 生 活 中 無 處 不 在 的 聲學 裝 置，是 各 種 發 聲 產 品 中 不 可 或 缺 的 一 部 分 。 它 們 利 用 驅動單元 將 電 信 號 轉 換 為 聲音信號 ，通 過 振膜 類 似 活塞 的 運 動 驅 動 空 氣 ，從 而 產 生 可 聽 的 聲 音 。  儘 管 這 個 過 程 看 似 簡 單 ， 實 際 上 揚聲器 是 高 度 複 雜 的 裝 置 。

揚聲器的基本組成部分：

1. 音圈 (Voice Coil)：音圈是一個繞在磁場中的線圈，當電信號通過音圈時，會產生磁場，與永久磁鐵相互作用，驅動音膜震動。
2. 音膜 (Diaphragm/ Cone)：音膜是揚聲器的振動元件，當音圈震動時，音膜跟著震動，推動周圍的空氣產生聲波。音膜通常是圓錐形，材料多種多樣，例如紙、塑料或金屬。
3. 磁鐵 (Magnet)：揚聲器中的磁鐵提供穩定的磁場，音圈與磁鐵的相互作用產生震動，將電信號轉化為機械運動。
4. 懸邊 (Surround)：懸邊是音膜周圍的彈性材料，允許音膜在震動時能自由移動，同時保持其正確位置。
5. 框架 (Frame)：框架是揚聲器的支撐結構，固定所有部件並維持揚聲器的形狀。

Actran協助富士康優化Loudspeaker設計

揚聲器的工作原理：

揚聲器的基本工作原理是電磁感應。當電流信號傳入音圈時，會產生磁場，該磁場與永久磁鐵的磁場相互作用，驅動音圈向前或向後移動。音圈的運動帶動音膜震動，這些振動將能量傳遞給周圍的空氣，形成聲波，從而產生我們聽到的聲音。

Actran協助富士康優化Loudspeaker設計

揚聲器的分類：

1. 動圈揚聲器 (Dynamic Loudspeaker)：最常見的揚聲器類型，利用電磁感應原理工作。
2. 靜電揚聲器 (Electrostatic Loudspeaker)：利用靜電力驅動薄膜振動發聲。
3. 壓電揚聲器 (Piezoelectric Loudspeaker)：利用壓電材料在施加電壓時產生的機械變形來發聲，常用於高頻響應。

揚聲器的品質和設計直接影響到音質，根據應用需求，它們可以設計為各種形狀和大小，以滿足不同的音響需求。

驗 證 和 模 擬 揚 聲 器 的 過 程

製造聲音需要多種不同的元件協同工作，如磁極、聲線圈、擋板、隔膜、防塵罩和框架等，它們共同提供各種尺寸和音質的聲音輸出，並應用於各類產品中。 雖然模擬所有這些裝置系統成本高昂，但現在有些模型和方法能在保持準確性的同時提供更優異的性能。

Actran協助富士康優化Loudspeaker設計

富士康的工程師希望透過Actran 聲學 分析驗證這種方法，即利用Thiele-Small參數，逐步從簡單模型到成品 揚聲器 模型的建立和優化。

Thiele-Small參數描述了驅動系統的性能，包括電磁和機械參數。 這些參數用於建立簡化模型，包括七個基本參數以及線圈和振膜的實體模型。 然而，這些模型的建立要求考慮到線性性能和線圈的一維運動，而在高頻時，物體運動會呈現非線性，這可能導致模型在高頻時的反應不準確。在Actran中，可以輕鬆建立Thiele-Small模型，並且集成其他類型的建模，如多孔材料和穿孔板等。

第一部分是建立模型和振動的探索。富士康的工程師們首先建立了2D實體模型，並與Thiele-Small模型進行了比較。 隨後，他們擴展到3D參考模型，並將其聲學模型與包含腔體的模型進行對比，以類比簡化但完整的揚聲器設置。 這些比較和驗證增強了他們對模型準確性的信心。

Loudspeaker的驗證 上圖：2D實體模型vs. 3D Thiele-Small模型。下圖：帶腔和不帶腔的三維參考模型

在對簡化模型進行驗證後，工程師們進一步模擬了一個實際Loudspeaker系統，並與實測結果進行了比較。 結果顯示，在8500 Hz以下，模型的性能與實測值高度吻合，並能準確識別出由兩個空氣腔產生的共振峰。

Actran協助富士康優化Loudspeaker設計

實測驗證了實例模型。上：揚聲器幾何形狀(左)，揚聲器Actran模型(中)，網格切割(右)

第二部分是模擬和最終產品的應用。 最後一步是將這些模型應用於產品層面，分析並評估各種改進性能的措施。 這包括在Actran中使用穿孔板模型，以避免需要繪製布料的網格，並模擬三種不同的環境設置。

Actran協助富士康優化Loudspeaker設計

上圖：完成安裝的揚聲器的Actran模型。下圖：不同配置下的揚聲器性能

結論： Actran 提 供 了 對 揚聲器 (Loudspeaker) 在 複 雜 環 境 中 性 能 表 現 的 深 刻 洞 察，以 及 如 何 優化性能 的 方 向 ，更 可 以 進 一 步 探 討 音質問題 。 通 過 這 些  聲學 驗 證 和 建模流程， 富士康 的 工 程 師 們 確 立 了 在 元件 和 系 統 層 面 上 精 確 且 經 濟 地 模 擬 揚聲器 的 信 心 。

Actran協助富士康優化Loudspeaker設計

Actran 用 在 各 種 形 式 的 聲 學 模 型

常 見 應 用 的 產 業 Actran Acoustic 風扇 氣動噪音

• 航太:  經過駕駛艙和機身 、 發動機短艙內襯 、 機身和駕駛艙絕緣 、 ECS（環境控制系統） 、 APU 和 ECS 入口和出口消音器 、 後緣 、 聲納 、 直升機渦輪噪聲 、 起飛時火箭有效載荷的隨機動態響應的聲音傳輸 、 聲納。

• 車輛:  動力總成 、 裝飾設計 、 風噪聲 、 發動機部件 、 壓縮機 、 進氣歧管 、 空氣濾清器 、 閥蓋 、 擋板 、 電動機 、 揚聲器 、 消聲器 、 輪胎噪聲 、 消音器 、 高壓分配管道 、 馬達 、 齒輪箱。

• 消費品: 電話 、 免提電話通訊 、 耳機 、 揚聲器 、 助聽器 、 樂器 、 洗衣機 、 冰箱 、 吸塵器。

• 電子產品: 光碟硬碟等轉動裝置 、 手機 、 相機 、 液晶投影設備的風扇。

• 機械裝置: 渦輪機械 、 暖通空調 、 割草機和農業機械 、 排氣系統 、 馬達。

想 更 清 楚 的 了 解  Actran協助富士康優化Loudspeaker設計 Actran 的 細 節 ，歡 迎 來 電 (02)2712-8448 或 是 來 信。

If you want to know more details from Actran ,please contact Simhex.

延 伸 閱 讀

• 透過Actran分析新型風扇的氣動噪音
• Actran創建AVAS揚聲器聲學模型 
• 中華汽車透過Actran進行噪音之聲源估算和響應驗證
• Actran幫助現代汽車設計行人警示揚聲器
• Actran SEA解決太空發射器飛行的結構聲學疲勞
• Actran 聲學解決方案研討會
• Actran聲場分析 2023第二季培訓課程 
• Avio使用MSC Nastran和Actran確保太空發射器的結構可靠度
• 第二屆 2023 Actran聲學應用大賽
• CAE軟體 – Actran 進行噪音分析
• Actran SNGR 解決複雜的流場 聲學 問題
• 馬達噪音優化 – 解析如何利用Actran進行噪音優化
• Actran 2021 新功能發布要點！
• NVH分析 – 利用Actran輔助車身地板阻尼優化
• 電動車噪音 – 通用汽車向中高頻前進！

這篇文章 Actran協助富士康優化Loudspeaker設計 最早出現於 星恆科技有限公司。

作 為 印 度 國 家 級 的 工 程 工 業 品 牌  ，NBC軸承 以 可 靠 性 和 靈 活 性 在 工 程 解 決 方 案 中 享 有 盛 譽 。

Romax 協助NBC提升輪轂軸承的效率表現

NEI長期與知名輪轂製造商ConMet合作，為全球商用車主機廠及一級供應商提供各種輪轂軸承單元，其最受歡迎的產品之一便是輪轂軸承單元。

由於地形、運行環境和車輛載荷的多樣性，輪轂軸承在運行過程中承受著非常複雜的載荷情況。 因此，維持輪轂軸承內部的良好工作機制並更精確地預測軸承的使用壽命變得尤為重要。

為了解決這一難題，可以將輪轂軸承的工程分析於Romax中拆分為以下幾個關鍵步驟：

Romax 協助NBC提升輪轂軸承的效率表現

步 驟 １ ：軸承性能分析

• 在Romax Spin中建立系統模型，模擬系統運行條件
• 定義工況及載荷譜
• 綜合考慮複雜的系統交互行為，如軸變形和錯位量等
• 這些步驟有助於確定軸承的性能範圍，並視覺化一些參數變數。

步 驟 ２ ：確定最佳運行工況

在這一步中，確定最佳的運行場景以及各項性能的邊界。

步 驟 ３ ：確定控制參數

輪轂單元的獨特之處在於其運行時部件之間保持著預緊載荷。 安裝配合產生的內部變形會消耗一部分內部遊隙，從而達到所需的預緊載荷，而非通過調整軸承套圈之間的相對軸向位移來實現。因此，控制軸承內部遊隙是輪轂單元設計中的關鍵一步。

步 驟 ４ ：控制參數的DOE分析

這是整個設計分析流程中最關鍵的一步。 為了理解這些參數的統計學影響，我們對它們進行了大量的參數研究，考慮零件製造公差對軸承性能的影響。

這一步需要大量的反覆運算，通常使用內部方法或其它軟體。 Romax Spin中的DOE參數優化工具極大提升了反覆運算的精度和效率，不僅縮短了分析時間，還幫助工程師更加便捷地展示和分析資料，制定更實際的工程決策。 

———————　Anirudh Kaushik，全球汽車行業工程應用經理

Romax 協助NBC提升輪轂軸承的效率表現

通過大量的DOE計算結果，工程師可以分析並確定滿足遊隙要求所需的各項製造偏差的極限範圍。

DOE模組提供了一系列的技術優勢：

1. 在短時間內完成大量的反覆運算計算
2. 實現關鍵性能參數的視覺化
3. 使工程決策更具魯棒性

對於輪轂軸承，燃油效率是關鍵的性能衡量標準。 隨著環境法規和監管政策對能源效率要求的提升，所有軸承製造商都在努力提高效率，減少滾動元件內部的功率損失。 NEI新研發的低摩擦輪轂軸承系列已考慮到所有需要改進的參數，以滿足客戶對效率的需求。

在以軸向遊隙為目標確定軸承微觀幾何的同時，我們也會優化法蘭的錐面接觸。適當的錐面接觸點位置不僅能保持較高的軸向承載能力（同時管理轉向負載），還對優化軸承的功率損失至關重要。

Romax 協助NBC提升輪轂軸承的效率表現

優化這一設計參數是一個高度反覆運算的過程。 使用Romax Spin及其DOE模組，工程師可以通過自動化功能研究軸承微觀幾何參數對應力及接觸行為的影響，從而確定最佳參數“甜區”。

如下圖所示，多變數分析以及3D視覺化工具幫助工程師在最終確定軸承參數時做出更完善的工程決策。

接觸高度是關鍵參數之一。 不適當的接觸高度會導致接觸橢圓截斷，從而引起較高的接觸應力，極大地降低軸承的承載能力。 這種現象如下圖所示：

在接觸及其他關鍵的微觀幾何參數優化完成後，一種高效節能的軸承設計方案便形成了。

當設計方案定型並具備視覺化資料後，工程師需要對實際軸承的性能進行驗證分析。 此時，使用Romax Energy對產品設計和實際軸承進行對比驗證。

如下圖所示，NEI低摩擦軸承的摩擦力矩降低了17%，這與Romax Energy中通過功能損失計算設定的目標非常接近。 

Romax 協助NBC提升輪轂軸承的效率表現

通過使用各種Romax軟體和嚴格的測試程式得到完整的軸承分析結果，公司能夠公正地滿足客戶需求，並在輪轂軸承領域佔據有利的競爭地位。

Romax Spin中的高級軸承模組通過調整內部設計參數幫助我們優化摩擦損失。

——Anirudh Kaushik 全球汽車行業工程應用經理

了解 NEI & 旗下品牌 NBC軸承

National Engineering Industries Ltd (NEI) 成立於１９４６年，是 CK Birla 集團的一部分，也是 NBC 品牌軸承的製造商。 CK Birla Group 是一家印度跨國企業集團，年收入超過 ３０ 億美元。該集團擁有超過 ３５,０００名員工，在印度和世界各地運營 ５２ 家製造工廠，業務涉及技術、汽車、家居和建築以及醫療保健等多個領域。 NEI 透過提高運動效率來實現永續發展，是印度領先的軸承製造商和出口商，每年生產２.５億個軸承，涵蓋３１００多種型號，適用於汽車、鐵路、航空航天和工業領域，為３０多個國家的客戶提供服務。它還透過由 ５５０ 多家授權庫存商和數千家零售商組成的全國網路為印度售後市場提供服務。

NEI 總部位於齋浦爾，是世界上唯一一家榮獲著名的戴明大獎（２０１５ 年）的軸承製造商。 NEI 擁有超過２,８００名員工，在齋浦爾(2)、Newai（拉賈斯坦邦）、Manesar（哈里亞納邦）和巴羅達（古吉拉特邦）設有５家製造工廠，並配備了全球製造和工藝技術，並擁有印度最好的研發中心之一印度。除了技術先進之外，該公司還透過使用替代能源並利用數位化的力量來提高製造過程的效率來實踐永續發展的方法。

２０２０年，National Engineering Industries Ltd 透過其子公司 NBC Global Ag 收購了歐洲的 Kinex 軸承，以增強、多樣化並向其現有和潛在客戶提供一流的產品。 ２０２２年，NBC Global Ag 在德國開設了全球技術中心，以支持創新並為 NEI 的全球成長提供支援。

了解 ConMet 

１９６４年以來，從輪端起家的 康邁（ConMet） 不斷為商用車產業帶來變革，以輪端為開端，讓卡車和拖車上最關鍵的部件之一變得更加輕巧，並具備更高的品質和效率。 透過設計、測試和工程設計製作出業界最輕的組件，從而開創先進的解決方案，以改善正常運作時間、安全性和效率。

康邁（ConMet）的商用車專業知識提供客製化的塑膠和鑄造組件解決方案，在卡車和拖車領域進行擴展和創新。 康邁（ConMet）透過在具備最高精度、品質和結構完整性的全面生產中實現客戶的願景來為其提供支援。

想 更 清 楚 的 了 解 Romax 協助NBC提升輪轂軸承的效率表現 Romax 的 細 節 ，歡 迎 來 電 (02)2712-8448 或 是 來 信。

If you want to know more details from Romax ,please contact Simhex.

Romax 可 以 做 什 麼 ?

行 業 應 用 案 例 ：

    軌 道 交 通    

客 戶 需 求 ：

軸承供應商調查

Romax 所 提 供 的 服 務：

一列現代化柴油列車軸箱軸承失效問題不斷增加，引起了越來越多的關注。 Romax 工程師使用 優 化 模 擬 軟 體，基於對 軸箱軸承 和 齒輪箱 的深厚知識，通過三個關聯的工作包進行問題根源分析以及詳細高效的問題調查。

    可再生能源    

客 戶 需 求 ：

根據GL認證的要求，在指定載荷譜和極限工況下完成 耐久性 計算。

Romax 所 提 供 的 服 務 ：

詳細的軸幾何尺寸，複雜的行星齒輪系統，花鍵聯結，有限元箱體模型和內部軸承細節。使用載荷分佈評估和選擇軸承，根據ISO標準計算壽命，調查和優化 預緊力 、 遊隙 、 錯位量 、 軸承 內部幾何資訊和 潤滑 狀況。Romax 生成的報告中 耐久性 滿足GL要求。報告允許供應商在該風機中使用它們的軸承產品。

    重 載 車 輛    

客 戶 需 求 ：

審核中型卡車 變速器 ，評估低成本供應商的軸承

Romax 所 提 供 的 服 務 ：

使用 Romax 軟體的全系統方法詳細分析所選軸承類型； Romax 在軸承潛在供應商審核過程中提供支援。基於完整 齒輪箱 系統分析完成 軸承選型 和 優化 。評估預緊力、錯位量、潤滑油和量產變差，鑒別軸承性能的關鍵影響因素。

    汽 車 行 業    

客 戶 需 求 ：

某大型歐洲汽車製造商需要改進 變速器 設計，使製造流程更具魯棒性。裝配過程中產生的結構變形導致 軸承預緊量 發生變化，需分析和優化軸承預緊量變化產生的系統影響。

Romax 所 提 供 的 服 務 ：

Romax 快速的建模 和 分析 功能可以將 齒輪 、 軸 、 軸承 和 箱體 集成到單一的 齒輪箱 模型中，預測各個零部件之間的 相互耦合 作用。通過使用 Romax 軟體對 變速器 進行整體系統優化，充分考慮所有零部件之間的相互影響，分析 電機定子 與 齒輪箱 殼體之間的配合以及箱體變形及其對 齒輪 和 軸承 的影響，最終幫助該汽車製造商優化了製造工藝，成功降低製造成本並進一步提高產品品質。

• 延 伸 閱 讀 

• Valeo透過Romax成功縮短9個月的電驅動產品開發週期
• 變速箱性能最佳化：透過ODYSSEE建立AI ML的Romax變速箱設計
• 2024 Romax 新能源車輛電驅動研討會
• 2023 Romax新能源車輛電驅動研討會圓滿落幕
• 2023 Romax 新能源車輛電驅動研討會
• Romax DT 2022新版功能於 齒輪軸承 應用之介紹
• Hexagon | Romax 軸承 解決方案
• 新版 Romax 2021.1 發布:更貼近軸承、齒輪製造的設計方案
• 電機傳動系統工程，最完整的模擬平台

這篇文章 Romax 協助NBC提升輪轂軸承的效率表現 最早出現於 星恆科技有限公司。

變速箱性能最佳化：透過ODYSSEE建立AI ML的Romax變速箱設計

隨著產業朝向可持續發展目標的大幅轉變，電氣化正顛覆汽車、航空等多個領域，並對能源的可再生與可持續利用提出了新需求。

這給傳動系統設計師帶來了新的挑戰，他們不僅要面對日益縮短的開發周期，還需不斷創新以保持競爭優勢。儘管計算機輔助工程（CAE）技術已有超過半個世紀的歷史，並且其增長保持在約１０％，但人工智慧（AI）和機器學習（ML）的增長卻呈現指數級，且其在傳動設計領域的價值才剛開始被探索。

AI (Artificial Intelligence,人工智慧) / ML (Machine Learning機器學習)有潛力大幅縮短多個產業的模擬週期，並提供先進工程流程的普及化，同時降低創新風險。我們正處於從由測試驗證模擬轉向由設計實驗（DoE）驅動的AI模型驗證模擬和測試的根本性轉變的邊緣。

本文的主要目的是引入一種解決當前Gear Box傳動系統設計師所面臨工程挑戰的方案。此方案利用 AI / ML 技術來優化 Romax 傳動設計，通過展示實際例子進行說明。

(Romax和ODYSSEE之間的工作流程)

變速箱性能最佳化：透過ODYSSEE建立AI ML的Romax變速箱設計

Romax 與 ODYSSEE 的應用

Romax

是一種成熟的 CAE 工具，大範圍應用於 Gear Box傳動系統設計。 通過 Romax ，工程師能夠進行精確的齒輪設計和傳動系統的分析和優化。 然而，隨著 AI / ML技術的引入， Romax 的功能得到了進一步的增強。利用 AI / ML ，可以更快速地探索設計空間，識別最佳設計參數，從而提升設計效率和性能。 

(Romax齒輪箱設計軟體中的完整系統模擬方法)

ODYSSEE

ODYSSEE 平台則是 AI / ML 在工程領域應用的一個典範。 它提供了一套完整的工具來處理從數據管理到高效模擬的各個環節。 通過 ODYSSEE ，工程師能夠實現基於數據驅動的設計優化，利用機器學習算法來加速模擬過程，並確保設計結果的精確性和可靠性。

(ODYSSEE 基於人工智慧的全新創新方法)

變速箱性能最佳化：透過ODYSSEE建立AI ML的Romax變速箱設計

實證方法與案例研究

案例研究一：齒輪微觀幾何優化

第１個例子是一項針對齒輪微觀幾何優化的小型研究，目的是降低齒輪副之間的傳動誤差。 這項研究證明了 AI / ML 結合 CAE 工具的準確性和有效性。 通過優化特定參數，顯著提高了性能指標，驗證了此方法的潛力。

(用於測試案例研究的Romax模型)

變速箱性能最佳化：透過ODYSSEE建立AI ML的Romax變速箱設計

案例研究二：綜合傳動設計優化

第２個更全面的案例研究則探討了整個 Gear Box 傳動設計的優化。通過變更大量參數並對設計性能進行廣泛的標準評估，展示了 ODYSSEE ： AI / ML 增強的 CAE 流程的強大功能。 這次研究結合了基於物理的模擬與AI/ML算法，深入探索設計空間，得出了符合 Gear Box 嚴格性能和可持續性標準的齒輪設計最佳解決方案。

(各個績效標準均有所改善)

更廣泛的應用與未來潛力

本文討論的方法在多個產業的傳動設計與優化中有廣泛的應用前景。 透過 ODYSSEE ，結合 AI / ML 與 CAE 技術，可以更深入地探索設計可能性，更高效地實現多物理場優化，並確保製造的傳動系統符合模擬結果。 這不僅提高了產品質量，還大大縮短了開發時間，實現了先進技術的普及化。

結論

將 AI / ML 技術融入Gear Box傳動設計框架中，提供了應對當前工程挑戰的有效解決方案。通過實際例子所展示的證據為基礎方法，強調 ODYSSEE 技術變革領域的潛力。 AI / ML 技術的整合可以減少對深厚工程專業知識的依賴，加快並可靠地實現創新，推動 Romax 齒輪傳動設計乃至其他領域的重大進步。

補充說明

想 更 清 楚 的 了 解  變速箱性能最佳化：透過ODYSSEE建立AI ML的Romax變速箱設計 ODYSSEE Romax 的 細 節 ，歡 迎 來 電（０２）２７１２－８４４８或 是 來 信。

If you want to know more details from ODYSSEE and Romax ,please contact Simhex.

變速箱 變速箱設計 ODYSSEE AI ML Romax CAE 

ODYSSEE 為 工 程 、 製 造 和 質 量 提 供 實 時 解 決 方 案，包 括 以 下 功 能：

• 機器學習 AI
• 統計 、 數據挖掘 、 數據融合
• 優化 和 魯棒性
• 圖像識別 和 壓縮

機器學習、人工智慧AI的最佳幫手 ODYSSEE 應用領域如下：

• 計算流體力學
• 結構仿真
• 材料
• 聲學設計
• 系統動力學
• 自動駕駛
• 製造工藝

ODYSSEE 應用:

Romax 可 以 做 什 麼 ?

變速箱 變速箱設計 ODYSSEE AI ML Romax CAE 

行 業 應 用 案 例 ：

    軌 道 交 通    

客 戶 需 求 ：

軸承供應商調查

Romax 所 提 供 的 服 務：

一列現代化柴油列車軸箱軸承失效問題不斷增加，引起了越來越多的關注。 Romax 工程師使用 優 化 模 擬 軟 體，基於對 軸箱軸承 和 齒輪箱 的深厚知識，通過三個關聯的工作包進行問題根源分析以及詳細高效的問題調查。

    可再生能源    

客 戶 需 求 ：

根據GL認證的要求，在指定載荷譜和極限工況下完成 耐久性 計算。

Romax 所 提 供 的 服 務 ：

詳細的軸幾何尺寸，複雜的行星齒輪系統，花鍵聯結，有限元箱體模型和內部軸承細節。使用載荷分佈評估和選擇軸承，根據ISO標準計算壽命，調查和優化 預緊力 、 遊隙 、 錯位量 、 軸承 內部幾何資訊和 潤滑 狀況。Romax 生成的報告中 耐久性 滿足GL要求。報告允許供應商在該風機中使用它們的軸承產品。

    重 載 車 輛    

客 戶 需 求 ：

審核中型卡車 變速器 ，評估低成本供應商的軸承

Romax 所 提 供 的 服 務 ：

使用 Romax 軟體的全系統方法詳細分析所選軸承類型； Romax 在軸承潛在供應商審核過程中提供支援。基於完整 齒輪箱 系統分析完成 軸承選型 和 優化 。評估預緊力、錯位量、潤滑油和量產變差，鑒別軸承性能的關鍵影響因素。

    汽 車 行 業    

客 戶 需 求 ：

某大型歐洲汽車製造商需要改進 變速器 設計，使製造流程更具魯棒性。裝配過程中產生的結構變形導致 軸承預緊量 發生變化，需分析和優化軸承預緊量變化產生的系統影響。

Romax 所 提 供 的 服 務 ：

Romax 快速的建模 和 分析 功能可以將 齒輪 、 軸 、 軸承 和 箱體 集成到單一的 齒輪箱 模型中，預測各個零部件之間的 相互耦合 作用。通過使用 Romax 軟體對 變速器 進行整體系統優化，充分考慮所有零部件之間的相互影響，分析 電機定子 與 齒輪箱 殼體之間的配合以及箱體變形及其對 齒輪 和 軸承 的影響，最終幫助該汽車製造商優化了製造工藝，成功降低製造成本並進一步提高產品品質。

變速箱 變速箱設計 ODYSSEE AI ML Romax CAE 

• 延 伸 閱 讀 

• 2023 Romax新能源車輛電驅動研討會圓滿落幕

• 2023 Romax 新能源車輛電驅動研討會

• Romax DT 2022新版功能於 齒輪軸承 應用之介紹

• Hexagon | Romax 軸承 解決方案

• 新版 Romax 2021.1 發布:更貼近軸承、齒輪製造的設計方案

• 電機傳動系統工程，最完整的模擬平台

這篇文章 變速箱性能最佳化：透過ODYSSEE建立AI ML的Romax變速箱設計 最早出現於 星恆科技有限公司。