Comment les outils d'IA sans code transforment la conception technique et la simulation

À mesure que la simulation occupe une place de plus en plus centrale dans le développement de produits, la demande en flux de travail plus rapides et plus accessibles ne cesse de croître. Les ingénieurs cherchent de plus en plus à réduire le temps et l'expertise nécessaires à la réalisation de simulations complexes, sans pour autant compromettre la précision.

L'intelligence artificielle (IA), notamment sous la forme d'outils sans code et de modèles d'apprentissage automatique, s'impose comme une solution puissante dont peuvent tirer parti même les analystes en simulation les plus expérimentés.

Le groupe TriMech au salon NAFEMS

Les ingénieurs du groupe TriMech ont récemment présenté deux communications lors de la conférence de la NAFEMS (Agence nationale pour les méthodes des éléments finis et les normes), mettant en avant les progrès réalisés dans le domaine de l'IA et de la simulation. Ces communications ont montré comment les processus de simulation peuvent évoluer, passant d'une automatisation au stade de la validation de principe à des outils de conception pleinement fonctionnels et pilotés par l'IA. Ces avancées constituent un argument de poids pour démontrer que l'IA n'est plus réservée aux scientifiques des données ; elle devient un outil pratique à la portée de tous les ingénieurs concepteurs.

Prédire des résultats complexes à l'aide d'outils d'IA

Validation du processus par une démonstration de faisabilité

Le premier article, présenté par TriMech lors de la conférence NAFEMS Americas en juillet 2024, visait à répondre à une question fondamentale : un ingénieur en simulation, sans compétences en programmation, peut-il entraîner un réseau neuronal à partir de données de simulation à l'aide d'une interface sans code ?

Il ne s'agissait pas ici de déployer un grand modèle linguistique ni de développer un système d'IA prêt à l'emploi. Il s'agissait plutôt d'une démonstration de principe visant à montrer qu'un réseau neuronal basique pouvait être entraîné à partir des résultats de simulation d'un outil d'analyse par éléments finis (FEA) standard tel que SOLIDWORKS Simulation. L'objectif était d'automatiser une partie du processus de simulation afin de prédire les forces de réaction lorsque l'utilisateur saisit des informations géométriques spécifiques, telles que l'épaisseur.

Comparaison des résultats obtenus à partir des données d'apprentissage et des données de test

Le processus comprenait :

• Réalisation d'une étude paramétrique dans SOLIDWORKS Simulation. Les variables utilisées étaient l'épaisseur et le déplacement imposé.
• Extraction des résultats de simulation (par exemple, déplacement, valeurs de contrainte).
• Intégrer ces données dans un environnement d'entraînement d'IA sans code.
• Entraîner un réseau neuronal pour qu'il prédise des résultats à partir de nouveaux paramètres d'entrée.

Seules les valeurs numériques ont été enregistrées, et les aspects physiques du modèle n'ont pas été utilisés pour l'entraînement du réseau neuronal. Cela a ouvert la voie à des applications plus avancées en démontrant que le pipeline de données et le processus d'entraînement étaient réalisables et accessibles à des personnes n'étant pas spécialistes de l'IA.

Du concept à l'étude de cas grâce à la plateforme LLM de KeyWard

Passer des données extraites à un modèle d'IA prédictif

S'appuyant sur les bases posées par le premier article, le deuxième article a été co-rédigé par TriMech lors du Congrès mondial NAFEMS 2025. Cet article présentait une étude de cas complète utilisant la plateforme d'IA de KeyWard.

Cette fois-ci, l'accent n'a plus été mis sur la validation du processus, mais sur son application dans un scénario réel à l'aide d'un grand modèle linguistique (LLM) entraîné sur des données de simulation. Les paramètres physiques réels de la simulation ont été pris en compte pour prédire les contours de contrainte.

La plateforme de KeyWard offrait une interface structurée et sans code, spécialement conçue pour les cas d'utilisation en ingénierie. L'étude de cas portait sur :

• Entraînement du modèle de langage (LLM) sur un ensemble de données sélectionnées contenant des résultats de simulation. Des paramètres faisant varier la taille et la géométrie du modèle CAO, ainsi que les contraintes de Von Mises correspondantes, ont été utilisés pour l'entraînement du LLM.
• Utilisation du modèle pour prédire les paramètres de performance structurelle (par exemple, les contraintes) pour différentes configurations de conception.
• Évaluer la quantité de données nécessaire pour obtenir des prévisions fiables.

La principale avancée résidait ici dans la facilité d'utilisation. L'interface permettait aux ingénieurs en simulation d'interagir avec le modèle sans avoir besoin de comprendre l'architecture IA sous-jacente. Le modèle pouvait s'adapter à différents scénarios de simulation, réduisant ainsi la nécessité d'exécuter des centaines de simulations individuelles. Cela a non seulement permis de gagner du temps, mais a également ouvert la voie à des processus de conception plus itératifs et exploratoires.

Définition du processus, de la simulation aux conclusions fondées sur l'IA

Ensemble, ces deux articles décrivent un processus clair et reproductible pour intégrer l'IA à la simulation :

1. Configuration de la simulation: lancez l'étude de simulation dans SOLIDWORKS Simulation ou SIMULIA sur 3DEXPERIENCE. Configurez des études paramétriques ou exécutez manuellement différentes itérations de conception pour générer des données.
2. Extraction des données: exporter les résultats de simulation pertinents (par exemple, contraintes, déplacements, données de maillage).
3. Préparation des données: utilisez un outil sans code pour nettoyer et structurer les données.
4. Entraînement du modèle: entraîner un réseau neuronal ou un modèle de langage à grande échelle (LLM) sur l'ensemble de données.
5. Prévision et analyse: utilisez le modèle entraîné pour prédire les résultats de nouvelles conceptions sans avoir à relancer les simulations.

Ce processus permet aux ingénieurs d'identifier les tendances, d'optimiser les conceptions et de réduire la charge de travail liée à la simulation sans avoir besoin de devenir des experts en la matière.

Pourquoi cela est important pour l'avenir des outils d'IA

Pour les utilisateurs de SOLIDWORKS et d’autres outils de simulation, cette évolution représente bien plus qu’une simple avancée technique ; c’est une opportunité de croissance pour l’avenir. Les deux articles présentés par le groupe TriMech démontrent que non seulement les outils de simulation deviennent plus accessibles grâce à un seuil d’entrée abaissé, mais qu’ils gagnent également en valeur grâce à l’intégration d’outils d’IA.

Le parcours, de la validation du concept à l'étude de cas complète, démontre que l'IA appliquée à la simulation n'est pas seulement envisageable, mais aussi tout à fait applicable. En associant SOLIDWORKS Simulation à des outils d'IA, les ingénieurs peuvent désormais automatiser certaines étapes de leur flux de travail, réduire la durée des simulations et prendre plus rapidement de meilleures décisions en matière de conception. Qu'ils débutent dans le domaine de la simulation ou qu'ils cherchent à étendre leurs capacités, les outils basés sur l'IA et ne nécessitant pas de codage constituent une voie prometteuse pour l'avenir.

Les outils d'IA actuellement disponibles dans SOLIDWORKS vous intéressent ? Regardez notre webinaire à la demande ici.