确定物体形状的方法和设备、制造计算装置的方法
阅读：953发布：2020-06-25
专利汇可以提供确定物体形状的方法和设备、制造计算装置的方法专利检索，专利查询，专利分析的服务。并且本 发明 涉及一种用于确定具有预给定的物理目标特性的物体形状的方法，其包括：根据物体形状的形状数据集借助于计算装置计算灵敏度景观。计算装置是机器训练的 人工智能 装置。形状数据集辨识物体形状上或处的 位置 。灵敏度景观针对这些位置中的多个分别说明：在物体形状在该位置的区域中变化时物体形状的目标特性如何变化。此外，根据灵敏度景观改变要确定的物体形状的形状数据集，使得改进预给定的物理目标特性。此外，公开一种用于确定物体形状的设备、一种用于制造机器训练的计算装置的方法、该计算装置和计算装置的应用。借助机器训练的计算装置可以在没有计算耗费的模拟方法的情况下确定具有改进的物理目标特性的物体形状。，下面是确定物体形状的方法和设备、制造计算装置的方法专利的具体信息内容。
1.一种用于确定具有预给定的物理目标特性的物体形状的方法，其中所述方法包括：
提供物体模型并且检测所述物体模型的形状数据，和/或提供物体模型的形状数据以分别建立形状数据集，所述形状数据集辨识在对应于所述形状数据的物体形状上或处的位置（S1，S1’）；
检测所述物体形状的目标特性，所述物体形状对应于所述形状数据集（S2，S2’）；
根据所述形状数据集确定所述物体形状处或上的多个位置的灵敏度值以产生相应的形状数据集的灵敏度景观（S3’），其中所述物体形状上或处的一个位置的灵敏度值说明在所述物体形状在所述位置的区域中变化时由于所述形状数据集的变化引起的所述物体形状的目标特性的变化的变化程度；
将用于机器学习的方法用于产生计算装置，所述计算装置将灵敏度景观与相应的形状数据集相关联（S4’），其中所述机器学习根据多个形状数据集和对此检测的目标特性和/或灵敏度值进行；
借助于所述计算装置根据要确定的物体形状的形状数据集计算灵敏度景观（S5，S5’）；
和
根据计算的灵敏度景观改变所述要确定的物体形状的形状数据集，使得朝预先确定的值的方向改变预给定的物理目标特性（S6，S6’）。
2.根据权利要求1所述的方法，其特征在于，所述物体形状是体积、二维几何形状、三维几何形状、车辆形状、结构元件的形状、固定元件的形状和/或表面结构的三维形状。
3.根据权利要求1至2中任一项所述的方法，其特征在于，检测所述物体模型的形状数据（S1，S1’）具有：借助扫描装置、尤其借助相机、激光束、雷达波、和/或超声波进行扫描。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述形状数据具有：计算机辅助设计数据（CAD数据）、表面形状数据、规则形状数据、规则面数据、网格数据、网格结构数据、参数化的自由形状面的数据和/或棱面数据。
5.根据权利要求1至4中任一项所述的方法，其特征在于，检测所述目标特性（S2，S2’）具有：测量目标特性，尤其测量风洞中的流动阻力，测量结构强度、温度、表面处的反射特性、重量、传导性和/或表面结构的声吸收。
6.根据权利要求1至5中任一项所述的方法，其特征在于，检测所述目标特性（S2，S2’）具有：根据所述形状数据集模拟所述目标特性的模拟方法。
7.根据权利要求1至6中任一项所述的方法，其特征在于，在考虑所检测的边界条件的情况下检测所述目标特性（S2，S2’），其中所述边界条件确定如下值范围，针对所述值范围进行所述目标特性的测量和/或模拟，并且其中所述边界调节尤其具有风向、风强度、风洞配置、重量、结构强度、声频率和/或声功率。
8.根据权利要求6或7所述的方法，其特征在于，模拟方法具有：数学模拟方法、数值模拟方法、空间离散化方法、表面离散化方法、有限元方法、有限差分方法、有限体积方法、基于颗粒的方法、数值连续介质力学方法和/或数值流体力学方法。
9.根据权利要求1至8中任一项所述的方法，其特征在于，将对此检测的目标特性和/或对此检测的灵敏度值与每个形状数据集相关联以产生相应的学习数据集。
10.根据权利要求9所述的方法，其特征在于，还包括产生并且存储多个学习数据集。
11.根据权利要求1至10中任一项所述的方法，其特征在于，相应的形状数据集包括位置数据集类型的在所述物体形状的表面上或处的多个位置，并且限定预先确定的位置的位置数据集的灵敏度值说明在所述物体形状在所述预先确定的位置处沿法线方向变化时所述目标特性的变化的变化程度。
12.根据权利要求1至11中任一项所述的方法，其特征在于，相应的灵敏度景观包括形状数据集和在所述物体形状在多个在所述物体形状处或上的通过所述形状数据集辨识的位置处沿相应的法线方向变化时由于所述形状数据集的变化引起的所述物体形状的目标特性的变化的变化程度。
13.根据权利要求9至12中任一项所述的方法，其特征在于，使用用于机器学习的方法（S4’）具有：借助于多个所产生的学习数据集训练/培训神经网络、尤其卷积神经网络。
14. 根据权利要求1至13中任一项所述的方法，其特征在于，依次多次执行如下步骤：
改变要确定的物体形状的形状数据集（S6，S6’），和
根据所述数据集借助于所述计算装置计算灵敏度景观以改变所述物体形状（S5，S5’）。
15.根据权利要求1至14中任一项所述的方法，其特征在于，所述计算装置（7，9，9’）包括关联表格，所述关联表格将相应的灵敏度景观与多个形状数据集相关联。
16.根据权利要求1至15中任一项所述的方法，还包括：根据所述形状数据集显示所述灵敏度景观。
17.根据权利要求16所述的方法，其特征在于，所述显示具有：根据所述物体模型上的形状数据集空间显示所述灵敏度景观和/或根据所述形状数据集显示所述灵敏度景观，使得所述灵敏度景观连同所述形状数据集一起显示。
18.根据权利要求1至17中任一项所述的方法，其包括按照根据所计算的灵敏度景观改变的形状数据集制造具有预给定的物理目标特性的物体形状。
19.根据权利要求18所述的方法，其特征在于，制造物体形状包括增材制造方法、尤其借助快速凝固物料的束进行的制造方法。
20.一种用于制造用于从形状数据集中计算灵敏度景观的计算装置的方法，其中所述方法包括：
提供基础人工智能（KI）装置（S7），所述基础人工智能装置是基于机器学习的具有人工智能的装置并且所述基础人工智能装置将输入数据集映射到输出数据集上；
提供形状数据集和所属的灵敏度值（S8），其中所述形状数据集和所属的灵敏度值共同形成学习数据集，
其中所述形状数据集辨识物体形状处或上的位置，
其中所述物体形状处或上的多个位置的灵敏度值说明在所述物体形状在所述位置的区域中变化时由于所述形状数据集的变化引起的所述物体形状的物理目标特性的变化的变化程度，并且
其中所述灵敏度景观包括与所述形状数据集的位置相关联的灵敏度值；
提供其他的不同的学习数据集（S9）；和
借助于所述学习数据集机器训练所述基础人工智能装置，以产生训练的人工智能装置作为计算装置（S10）。
21.根据权利要求1至20中任一项所述的方法，其特征在于，物理目标特性是流动阻力、强度、温度、表面处的反射特性、重量、传导性和/或表面结构的声吸收。
22.根据权利要求1至21中任一项所述的方法，其特征在于，相应的形状数据集包括位置数据集类型的在所述物体形状的表面处或上的多个位置。
23.根据权利要求1至22中任一项所述的方法，其特征在于，所述计算装置（7，9，9’）包括神经网络、尤其卷积神经网络。
24.根据权利要求1至23中任一项所述的方法，其特征在于，所述计算装置（7，9，9’）被设置用于：执行对所述形状数据集的模式识别和输出灵敏度值和/或灵敏度景观。
25.一种计算装置，其根据权利要求20至24所述的方法来制造。
26.根据权利要求25所述的计算装置（7，9，9’）用于从形状数据集中计算灵敏度景观的应用，其中提供以下这样匹配要确定的物体形状的灵敏度景观，使得预给定的物理目标特性朝预先确定的值的方向改变。
27.一种用于确定具有预给定的物理目标特性的物体形状的设备，其具有：
用于产生物体形状的形状数据集的检测装置（6，10，10’），所述形状数据集辨识在所述物体形状处或上的位置；
用于从形状数据集中计算灵敏度景观的计算装置（7，9，9’），其中：
所述灵敏度景观包括所述形状数据集和在所述物体形状在多个在所述物体形状处或上的通过所述形状数据集辨识的位置处沿相应的法线方向变化时的所述物体形状的目标特性的变化的变化程度；
所述计算装置（7，9，9’）是基于机器学习来训练的人工智能设备，所述人工智能设备将形状数据集作为输入数据集映射到作为输出数据集的灵敏度景观上，
所述机器学习根据多个学习数据集进行，
每个学习数据集包括学习物体形状的学习形状数据集和学习灵敏度景观，所述学习灵敏度景观作为在学习物体形状在多个在所述学习物体形状处或上的通过所述学习形状数据集辨识的位置处沿相应的法线方向变化时的所述学习物体形状的目标特性的变化的变化程度；和
用于根据所述形状数据集显示所述灵敏度景观的显示装置（5、5’）。
28.根据权利要求27所述的设备，还具有用于存储根据所述形状数据集计算的灵敏度景观的存储装置（12）。
29.根据权利要求27至28中任一项所述的设备，还具有用于制造具有预给定的目标特性的物体形状的制造设备，尤其用于借助快速凝固物料的束进行增材制造的制造设备。
确定物体形状的方法和设备、制造计算装置的方法
技术领域
[0001] 本发明涉及一种用于确定具有预给定的物理目标特性的物体形状的方法，一种用于制造用于计算灵敏度景观（Sensitivitätslandschaft）的计算装置的方法、一种计算装置、计算装置的应用和一种用于确定具有预给定的物理目标特性的物体形状的设备。
背景技术
[0003] Othmer2014（“Adjoint methods for car aerodynamics”，Journal of Mathematics in Industry, Springer, 2014, 4:6）描述在数值的流体力学（Computational Fluid Dynamics，CFD）中基于梯度的优化和基于此对所谓的灵敏度图的计算。
[0004] 然而，基于梯度的灵敏度图的计算是计算耗费的。其在确定物体形状中的应用、尤其在制造过程中的应用意味着时间和成本的高的耗费。这能够导致高的制造成本和长的设计阶段并且使交互设计方案变难。
发明内容
[0005] 在该背景下，本发明的目的在于：提供用于确定具有预给定的物理目标特性的物体形状的改进的方法和设备。本发明的另一目的在于：提供用于制造用于计算灵敏度景观的计算装置的方法。本发明的另一目的在于：提供用于确定具有预给定的物理目标特性的物体形状的设备，借助所述设备能够计算基于梯度的灵敏度景观。
[0006] 因此，提供用于确定具有预给定的物理目标特性的物体形状的方法。所述方法包括：提供物体模型并且检测物体模型的形状数据，和/或提供物体模型的形状数据以分别建立形状数据集，所述形状数据集辨识在对应于形状数据的物体形状上或处的位置。
[0007] 所述方法还包括：检测物体形状的目标特性，所述物体形状对应于形状数据集。
[0008] 所述方法还包括：根据形状数据集确定物体形状处或上的多个位置的灵敏度值以产生相应的形状数据集的灵敏度景观。对于物体形状上或处的位置，灵敏度值说明在物体形状在该位置的区域中变化时由于形状数据集的变化引起的物体形状的目标特性的变化的变化程度。
[0009] 所述方法还包括：将用于机器学习的方法用于产生计算装置，所述计算装置将灵敏度景观与相应的形状数据集相关联。机器学习根据多个形状数据集和对此检测的目标特性和/或灵敏度值进行。
[0010] 所述方法还包括：借助于计算装置根据要确定的物体形状的形状数据集计算灵敏度景观。
[0011] 所述方法还包括：根据计算的灵敏度景观改变要确定的物体形状的形状数据集，使得朝预先确定的值的方向改变预给定的物理目标特性。
[0012] 通过使用用于机器学习的方法来产生机器训练的计算装置和通过借助于该计算装置计算要确定的物体形状的灵敏度景观，可以在没有计算耗费的模拟方法的情况下确定具有预给定的物理目标特性的物体形状。
[0013] 借此，可以以更低的计算耗费进而更快地且成本更便宜地确定具有预给定的物理目标特性的物体形状。由此，可以使该方法的用户快速地（例如也交互地）对计算装置的结果做出反应。
[0014] 预给定的物理目标特性尤其是物体形状的物理特性或物理变量或物理函数，它们的值通过该方法朝预先确定的值、例如最小值或最大值的方向改变，尤其改进或优化。尤其考虑流动阻力、强度、温度、表面处的反射特性、重量、传导性、热传递系数、冷却特性和/或表面结构的声吸收作为物理特性。
[0015] 物体模型可以是具体的物体模型，例如所谓的粘土模型或黏土模型（英文clay model）。在这种情况下，如随后描述的那样，检测具体的物体模型的形状数据。替代地或附加地，能够将数字的物体模型用作为物体模型，所述数字的物体模型以形状数据的形式存在和/或提供。数字的物体模型例如是计算机辅助设计的模型（计算机辅助设计模型，CAD模型）。随后描述作为形状数据提供的数字的物体模型的其他实例。
[0016] 物体形状是物体模型的几何形状。物体形状例如是物体模型的二维或三维的几何形状。例如，物体形状可以是外部车辆形状。
[0017] 形状数据是以抽象的方式描述物体形状的数据。形状数据尤其是以数字或数学的方式描述物体形状的数据。形状数据是数字值和/或可数字描述的数据，所述数字值和/或数据辨识物体形状。
[0018] 形状数据集辨识如所描述的那样通过形状数据辨识的物体形状处或上的位置。例如，形状数据集是位置坐标的集。
[0019] 物体形状处或上的（确定）位置的灵敏度值是梯度或变化程度，所述梯度或变化程度针对所述位置说明：当物体形状在所述位置的区域中沿法线方向变化时，物体形状的目标形状如何变化。因此，物体形状处或上的所述位置的灵敏度值说明：物理目标特性以何种灵敏度对物体形状在所述位置处的形状变化做出反应。例如，物体形状处或上的位置的灵敏度值是沿着该位置处的法向矢量的绝对值、尤其绝对值和符号。
[0020] 灵敏度景观包括如下形状数据集，所述形状数据集辨识物体形状处或上的多个位置，并且灵敏度景观包括属于这些位置的灵敏度值，所述灵敏度值说明：该位置处的物体形状必须沿法线方向做出何种变化，以便优化目标特性。
[0021] 要确定的物体形状的形状数据集根据计算的灵敏度景观的变化表示通过形状数据辨识的物体形状的变化。
[0022] 机器学习或人工智能（KI；人工的智能，AI）是计算机辅助系统的应用方法和解决任务的能力，当所述任务由人类解决时其需要智能。
[0023] 能够借助于机器学习算法来将用于机器学习的方法用于产生计算装置或人工智能。在此，借助算法从输入到计算装置中的实例数据、所谓的学习数据集中来训练人工系统（计算装置），使得该人工系统能够在训练之后也评估未知的输入数据。
[0024] 学习数据集尤其包括形状数据集和其所属的灵敏度景观。机器训练例如通过识别多个学习数据集中的相似性和模式、根据识别的相似性和模式将学习数据集分类成类别并且将类别概括来进行，以便能够得出未知的输入数据集的预测。
[0025] 例如，第一学习数据集包括确定的第一车辆形状的第一形状数据集和所属的灵敏度景观。例如，第二学习数据集包括确定的第二车辆形状的第二形状数据集和属于第二车辆形状的灵敏度景观，所述第二车辆形状与第一车辆形状不同。在借助于这两个示例性的学习数据集进行机器训练时，能够由计算装置识别模式，所述模式推断出：确定的形状具有尤其小的灵敏度值并且确定的形状具有尤其大的分别正或负的灵敏度值。借此，计算装置能够产生第三车辆形状的人工形状数据集和所属的人工灵敏度景观，所述第三车辆形状未引入到计算装置中并且因此扩展具有所属的灵敏度景观的输入的第一形状数据集和具有所属的灵敏度景观的输入的第二形状数据集。因此，计算装置在该示例性的训练之后也可以为对应于第三形状数据集的物体形状计算灵敏度景观。
[0026] 机器学习算法例如能够借助于决策树、数学函数、通用编程语言、神经网络、尤其卷积神经网络（Convolutional Neural Network，CNN）、最近邻方法、贝叶斯网络和/或线性回归来实现。例如，机器学习算法可以被构造用于监控学习和/或不受监控的学习。例如，机器学习算法可以被构造用于深度学习（“deep learning”）和/或用于强化学习（“reinforcement learning”）和/或用于边缘空间学习。
[0027] 在实施方式中，物体形状包括体积、二维几何形状、三维几何形状、车辆形状、结构元件的形状、固定元件的形状和/或表面结构的三维形状。
[0029] 借助该方法能够在分别预给定的物理目标特性方面改变相应的不同的物体形状。
[0030] 例如，能够改变外部车辆形状，使得其具有最小的流动阻力。例如，能够改变支架、结构和/或板，使得它们具有最小的重量或体积，以便承载预给定的负载。例如，能够改变固定元件的三维形状，使得在预给定的负荷和材料耗费的情况下最大化其结构强度。例如，能够改变冷却结构、诸如冷却体，使得其导热能力被最大化。例如，能够改变消音壁覆盖物的三维的表面结构，使得其具有最大的声吸收。
[0031] 例如，能够在表面的最小或最大的反射特性方面改变物体形状，该物体形状是二维几何形状。
[0033] 例如，可以通过借助具有多个镜头的立体相机拍摄物体模型来检测物体模型的形状数据。物体模型的形状数据也能够借助于激光三角法来检测。在激光三角法中借助激光辐射辐照物体模型并且借助接收单元检测由物体模型反射的激光。从反射的光射到接收单元上的角度中能够计算距物体模型的距离。通过由该方法扫描整个物体模型能够检测物体模型的三维的形状数据。
[0034] 在另一实施方式中，物体模型的形状数据能够通过例如借助超声波的运行时间测量来检测。在运行时间测量中，由辐射源发射（超声）辐射，所述超声辐射由物体模型反射，反射的辐射由接收单元检测并且测量如下时间，辐射需要该时间来经过从辐射源到物体模型和到接收单元的路径。
[0035] 在实施方式中，形状数据具有：计算机辅助设计数据（CAD数据）、表面形状数据、规则形状数据、规则面数据、网格数据、网格结构数据、参数化的自由形状面的数据和/或棱面数据。
[0036] 参数化的自由形状面的使用允许弃用物理有形模型，因为可以代替通过物理测量，通过模拟参数化的自由形状面来实现目标特性。
[0038] 尤其对于作为具体的物体模型提供的物体模型而言，检测目标特性可以具有测量目标特性、例如在实验室试验中测量目标特性。例如，对于车辆形状的具体的物体模型能够测量风洞中的外部车辆形状的流动阻力。例如，能够对于支架、用于固定负载的结构和/或板的具体的物体模型在实验室试验中对其结构强度在负载的承载方面进行测量。例如，能够对于消音壁覆盖物的具体的物体模型在声学实验室中测量其声吸收。
[0039] 在实施方式中，检测目标特性具有：根据形状数据集模拟目标特性的模拟方法。
[0040] 通过模拟方法检测目标特性允许弃用物理有形模型进而放弃制造物理有形模型。
[0041] 例如，对于对应于车辆的物体模型的形状数据集而言，能够在数值流动模拟中检测外部车辆模型的流动阻力。通过在模拟中检测目标特性能够比在实验室试验中更有效地、成本更便宜地且在更短的时间内检测目标特性。
[0042] 在实施方式中，在考虑所检测的边界条件的情况下检测目标特性，其中边界条件确定如下值范围，针对所述值范围进行目标特性的测量和/或模拟，并且其中边界调节尤其具有风向、风强度、风洞配置、重量、力、结构强度、声频率和/或声功率。
[0043] 通过在检测目标特性时考虑边界条件，能够确定期望的值范围，所述值范围表征要确定的物体形状的使用范围。
[0044] 例如，能够在考虑确定的风向（尤其风向的值范围）和确定的风强度（尤其风强度的值范围）的边界条件下检测外部车辆形状的流动阻力。
[0045] 通过测量目标特性来检测目标特性和通过用于模拟目标特性的模拟方法来检测目标特性都能够在考虑边界条件的情况下进行。
[0046] 边界条件的检测在测量目标特性时例如能够是在实验室设备上设定边界条件。
[0047] 在用于模拟目标特性的模拟方法中，边界条件的检测例如能够是将边界条件作为模拟方法的参数输入到模拟单元中。
[0048] 在实施方式中，模拟方法具有：数学模拟方法、数值模拟方法、空间离散化方法、表面离散化方法、有限元方法、有限差分方法、有限体积方法、基于颗粒的方法、数值连续介质力学方法和/或数值流体力学方法（Computational-Fluid-Dynamics方法）。
[0049] 在实施方式中，将对此检测的目标特性和/或对此检测的灵敏度值与每个形状数据集相关联以产生相应的学习数据集。
[0050] 这样产生学习数据集允许：将所述学习数据集引入计算装置中并且用于对计算装置进行机器训练。
[0051] 在实施方式中，所述方法还包括产生并且存储多个学习数据集。
[0052] 通过产生多个学习数据集能够更好地训练计算装置。通过存储多个学习数据集，其也还能够在稍后的时间点由计算装置分析。
[0053] 在实施方式中，限定预先确定的位置的位置数据集的灵敏度值说明在物体形状在预先确定的位置处沿法线方向变化时目标特性的变化的变化程度。
[0054] 通过灵敏度值可以为方法的用户将物体形状在预先确定的位置处可以如何有利地改变的信息说明为例如色彩编码的值，其中所述灵敏度值针对预先确定的位置说明在物体形状在预先确定的位置处沿法线方向变化时目标特性的变化的变化程度。在此，物体形状的有利的改变是物体形状的以下改变，使得预给定的物理目标特性朝预先确定的值的方向改变。
[0055] 在实施方式中，相应的灵敏度景观包括在物体形状在多个在物体形状处或上的通过形状数据集辨识的位置处沿相应的法线方向变化时由于形状数据集的变化引起的物体形状的目标特性的变化的变化程度和形状数据集。
[0056] 在实施方式中，使用用于机器学习的方法具有：借助于多个所产生的学习数据集训练/培训神经网络、尤其卷积神经网络。
[0057] 通过借助于人工的神经网络、尤其卷积神经网络（Convolutional Neural Network, CNN）来使用用于机器学习的方法能够学习学习数据集之间的复杂的、非线性的关联。
[0058] 在实施方式中，依次多次执行如下步骤：改变要确定的物体形状的形状数据集，并且根据数据集借助于计算装置计算灵敏度景观以改变物体形状。
[0059] 通过重复地执行所提出的步骤，能够逐步地改变要确定的物体形状的形状数据集，使得预给定的物理目标特性总是更强地朝预先确定的值的方向改变。
[0060] 在实施方式中，计算装置包括关联表格，所述关联表格将相应的灵敏度景观与多个数据集相关联。
[0061] 在实施方式中，该方法还包括：根据形状数据集显示灵敏度景观。
[0062] 通过根据形状数据集显示灵敏度景观，方法的用户针对物体形状处或上的多个通过形状数据集辨识的位置获得关于如下的（直接的）信息，即形状数据集在所述位置的区域中可以如何沿相应的法线方向变化，以便物体形状的预给定的物理目标特性朝预先确定的值的方向变化。
[0063] 由此，方法的用户针对物体形状处或上的多个位置获得直接与相应的位置相关联的、关于如下的信息：即物体形状在预先确定的位置处是否能够有利地改变，并且如果是的话能够沿何种方向并且以何种程度改变。例如可以为方法的用户将物体形状在预先确定的位置处能够如何有利地改变的信息说明为色彩编码的值。例如，用户能够通过所获得的信息交互地改变物体形状的形状数据集。
[0064] 在实施方式中，显示具有：根据物体模型上的形状数据集空间显示灵敏度景观和/或根据形状数据集显示灵敏度景观，使得灵敏度景观连同形状数据集一起显示。
[0065] 由此，用户在具体的物体模型的情况下（例如粘土模型，clay model）和在数字模型（例如CAD模型）的情况下能够直接在物体模型上识别物体形状可以如何有利地变化的信息。
[0066] 在实施方式中，该方法包括按照根据所计算的灵敏度景观改变的形状数据集制造具有预给定的物理目标特性的物体形状。
[0069] 由此，能够根据改变的形状数据集自动地、快速地并且也由未受培训的人员建立物体形状的具体模型。
[0070] 根据另一方面，提供一种用于制造用于从形状数据集中计算灵敏度景观的计算装置的方法。该方法包括：提供基础人工智能（KI）装置，所述基础人工智能装置是基于机器学习的具有人工智能的装置并且所述基础人工智能装置将输入数据集映射到输出数据集上。该方法还包括：提供形状数据集和所属的灵敏度值，其中形状数据集和所属的灵敏度值共同形成学习数据集。形状数据集辨识物体形状处或上的位置。对于物体形状处或上的多个位置，灵敏度值说明在物体形状在该位置的区域中变化时由于形状数据集的变化引起的物体形状的物理目标特性的变化的变化程度。灵敏度景观包括与形状数据集的位置相关联的灵敏度值。该方法还包括：提供其他的不同的学习数据集。该方法还包括：借助于学习数据集机器训练基础人工智能装置，以产生训练的人工智能装置作为计算装置。
[0071] 基础人工智能（KI）装置是基于机器学习的具有人工智能的装置。从所提供的基础人工智能装置中通过制造方法、尤其通过机器训练来产生训练的人工智能装置作为计算装置。机器学习例如借助于决策树和/或神经网络、尤其卷积神经网络来进行。
[0072] 可以认为：人工智能装置是如下装置，所述装置通过根据训练的算法借助培训数据进行培训来处理输入数据、尤其形状数据，并且输出输出数据、尤其灵敏度景观。
[0073] 可考虑的是：训练的人工智能装置包括配置数据、例如神经网络的节点的权重值和拓扑说明，所述配置数据表征关于人工智能装置的输入和输出数据方面的特性。就此，所提出的方法能够包括如下步骤：存储人工智能装置的配置数据。
[0074] 在实施方式中，制造方法和或用于确定形状的方法包括如下步骤：借助存储的配置数据来设置或配置基础人工智能装置，以提供计算装置。
[0075] 计算装置或机器学习的方面和实施方式也适合于用于制造计算装置的方法，其中所述方面和实施方式关于用于确定具有预给定的物理目标特性的物体形状的方法方面进行描述。
[0076] 输入数据集是映射到作为输出数据集的灵敏度景观上的形状数据集。
[0077] 在实施方式中，物理目标特性是流动阻力、强度、温度、表面处的反射特性、重量、传导性、冷却特性和/或表面结构的声吸收。
[0078] 在实施方式中，相应的形状数据集包括位置数据集类型的在物体形状的表面处或上的多个位置。
[0079] 在实施方式中，计算装置包括神经网络、尤其卷积神经网络。
[0080] 在实施方式中，计算装置被设置用于：执行对形状数据集的模式识别和输出灵敏度值和/或灵敏度景观。
[0081] 模式识别可以在多个形状数据集上、尤其在多个学习数据集上执行。在此，在多个学习数据集中例如能够识别规律性、重复性和/或相似性，以便能够得出未知的输入数据集的预测。借此，借助于作为计算装置的训练的人工智能装置也能够为在训练期间不提供的形状数据集计算灵敏度景观。
[0082] 在实施方式中，提供计算装置。
[0083] 此外，提出计算装置用于从形状数据集中计算灵敏度景观的应用，其中提供以下这样匹配要确定的物体形状的灵敏度景观，即使得预给定的物理目标特性朝预先确定的值的方向改变。
[0084] 利用机器学习的计算装置的方面和实施方式也适用于计算单元和计算单元的应用，所述方面和实施方式关于用于确定具有预给定的物理目标特性的物体形状的方法方面予以描述。
[0085] 根据另一方面，提供一种用于确定具有预给定的物理目标特性的物体形状的设备。
[0086] 该设备具有用于产生物体形状的形状数据集的检测装置，所述形状数据集辨识在物体形状处或上的位置。
[0087] 该设备具有用于从形状数据集中计算灵敏度景观的计算装置。
[0088] 灵敏度景观包括在物体形状在多个在物体形状处或上的通过形状数据集辨识的位置处沿相应的法线方向变化时的物体形状的目标特性的变化的变化程度和形状数据集。
[0089] 计算装置是基于机器学习来训练的人工智能设备，所述人工智能设备将形状数据集作为输入数据集映射到作为输出数据集的灵敏度景观上。
[0090] 机器学习根据多个学习数据集进行。
[0091] 每个学习数据集包括学习物体形状的学习形状数据集和学习灵敏度景观，该学习灵敏度景观作为在学习物体形状在多个在学习物体形状处或上的通过学习形状数据集辨识的位置处沿相应的法线方向变化时的学习物体形状的目标特性的变化的变化程度。
[0092] 该设备具有用于根据形状数据集显示所述灵敏度景观的显示装置。
[0093] 在实施方式中，显示装置是增强现实设备（Augmented-Reality设备）的屏幕，特别是眼镜、头戴式耳机、平板电脑、便携式计算机和/或移动电话的屏幕。显示装置也可以是虚拟现实设备（Virtual-Reality设备）的屏幕或简单的投影仪。
[0094] 尤其将增强现实设备理解为如下设备，所述设备以计算机辅助的方式增强为用户显示信息。信息的显示能够是显示与形状数据集相关的灵敏度景观。计算机辅助的增强能够为显示与形状数据集相关的灵敏度景观连同形状数据集。
[0095] 在具体的物体模型（例如粘土模型，clay model）的情况下，可以在增强现实设备中计算机辅助增强地显示与形状数据集相关的灵敏度景观，使得对于用户看起来是投影到具体的物体模型上。也能够考虑在虚拟现实设备中显示或借助投影仪（例如Beamer）简单地投影。
[0096] 在数字模型（例如CAD模型）的情况下，可以在增强现实设备中示出与形状数据集相关的灵敏度景观和形状数据集的以计算机辅助的方式增强的显示，使得灵敏度景观对于用户看起来是投影到数字物体模型上。
[0097] 在实施方式中，该设备具有扫描装置，其类似于参考两个方法描述的扫描装置。
[0098] 检测装置尤其是计算机辅助的检测装置。检测装置在具体的物体模型的情况下可以被设置用于：接收由扫描装置检测的扫描数据并且并且将其转化成形状数据。检测装置在数字化的物体模型的情况下可以被设置用于检测数字形状数据。
[0099] 参考两个方法描述的其他的方面和实施方式也适合于用于确定具有预给定的物理目标特性的物体形状的设备。
[0100] 在实施方式中，设备还具有用于存储与形状数据集相关的计算的灵敏度景观的存储装置。
[0101] 参考多个学习数据集的存储所描述的方面和实施方式也适合于用于存储与形状数据集相关的计算的灵敏度景观的存储装置。
[0102] 在实施方式中，该设备还具有用于制造具有预给定的目标特性的物体形状的制造设备，尤其用于借助快速凝固物料的束进行的增材制造的制造设备。
[0103] 参考按照根据计算的灵敏度景观改变的形状数据集制造具有预给定的物理目标特性的物体形状描述的方面和实施方式也适合于用于制造具有预给定的目标特性的物体形状的制造设备。
[0104] 在实施方式中，该设备具有计算设备。计算设备能够具有计算装置、检测装置、模拟单元和/或存储装置。
[0105] 针对所提出的方法描述的实施方式和特征相应地适用于所提出的设备。
[0106] 相应的单元、例如计算设备、计算装置、检测装置、模拟单元、存储装置和/或控制单元能够以硬件和/或也以软件实施。在硬件实施的情况下，相应单元能够构成为设备或设备的一部分，例如构成为计算机或构成为微处理器或构成为车辆的控制计算机。在软件实施的情况下，相应的单元能够构成为计算机程序产品、构成为函数、构成为例程、构成为程序代码的一部分或构成为可执行的对象。
[0107] 此外，提出一种计算机程序产品，其在程序控制的装置上促使执行如上面和下文中阐述的方法。就此而言，该方法尤其作为计算机执行的方法执行。
[0108] 计算机程序产品、诸如计算机程序媒介例如能够作为存储介质、诸如存储卡、USB棒、CD-ROM、DVD、或也以从网络中的服务器下载的文件的形式提供或交付。这例如能够在无线通信网络中通过传输具有计算机程序产品或计算机程序媒介的相应的文件来进行。也能够考虑计算机程序产品作为软件服务、尤其分布式的存储媒介、如云服务实施。
[0111] 图1示出用于确定具有预给定的物理目标特性的物体形状的方法的实施方式的流程图；图2示出用于确定具有预给定的物理目标特性的物体形状的方法的实施方式的流程图；
图3示出用于创建形状数据集的第一方案；
图4示出用于创建形状数据集的第二方案；
图5示出用于制造计算装置的方法的实施方式的流程图，所述计算装置从形状数据集中计算灵敏度景观；
图6示出用于确定具有预给定的物理目标特性的物体形状的设备的实施方式的示意图；
图7示出图6中的计算设备的实施例；
图8示出用于确定具有预给定的物理目标特性的物体形状的设备的另一实施例；和图9示出借助于训练的计算装置从形状数据集中计算灵敏度景观的实例。
图3示出用于创建形状数据集的第一方案；
图4示出用于创建形状数据集的第二方案；
图5示出用于制造计算装置的方法的实施方式的流程图，所述计算装置从形状数据集中计算灵敏度景观；
图6示出用于确定具有预给定的物理目标特性的物体形状的设备的实施方式的示意图；
图7示出图6中的计算设备的实施例；
图8示出用于确定具有预给定的物理目标特性的物体形状的设备的另一实施例；和图9示出借助于训练的计算装置从形状数据集中计算灵敏度景观的实例。
[0112] 在附图中，只要没有另作说明，相同的或功能相同的元件配备有相同的附图标记。
具体实施方式
[0113] 图1示出用于确定具有预给定的物理目标特性的物体形状的方法的实施方式的流程图。
[0114] 在方法的第一步骤S1中，从物体模型的形状数据中创建形状数据集。因此，形状数据集辨识对应于形状数据的物体形状处或上的位置。
[0115] 为了确定具有预给定的物理目标特性的物体形状，首先提供物体形状作为方法的起点。方法的提供物体形状能够通过提供具体的物体模型（例如黏土模型，英文clay model）或数字化的物体模型（例如CAD模型）来进行。
[0116] 随后，为所提供的物体形状检测形状数据。形状数据是以抽象方式描述物体形状的数据。形状数据尤其是以数字或数学方式描述的物体形状。
[0117] 在方法的步骤S1中，随后，创建物体形状的形状数据集。形状数据集例如辨识物体形状的表面处或上的位置。形状数据集包括例如位置数据集类型的物体形状处或上的多个位置。位置数据集例如是位置坐标。
[0118] 图1中的方法例如能够通过如在图6中示出的设备来执行。图6说明用于确定具有预给定的物理目标特性的物体形状1的设备的实施方式。图6中的设备具有物体形状1的具体的物体模型2。此外，所述设备具有扫描装置3以在图1的方法步骤S1中检测物体形状的形状数据。扫描装置3例如是用于三维扫描物体模型2的3D扫描仪。3D扫描仪3无线地或有线地与计算设备4连接，以便将由3D扫描仪检测的扫描数据发送给计算设备4。计算设备4具有检测装置6，所述检测装置接收物体模型2的由扫描装置3传输的扫描数据并且从中产生对应于物体模型2的物体形状1的形状数据集。此外，计算设备4具有机器训练的计算装置7作为用于计算与形状数据集相关的灵敏度景观的人工智能装置。图6中的设备还具有显示装置5。显示装置5例如能够是投影仪或增强现实设备（(Augmented-Reality设备）的屏幕。
[0119] 图6中的计算设备的另一实施例在图7中示出。图7中的计算设备8具有：类似于图6中的计算单元7的机器训练的计算单元9；类似于图6中的检测装置的检测装置10；用于执行模拟方法来检测目标特性的模拟单元11和用于存储与形状数据集相关的计算的灵敏度景观的存储装置12。
[0120] 在图8中示出可以用于执行图1中的方法的设备的另一实例。借助图8中示出的设备的实施例，能够执行以改进的方式借助于表面灵敏度图确定具有最小的流动阻力的摩托车的外部车辆形状。在该实例中，物体形状是摩托车的外部车辆形状并且预给定的物理目标特性是流动阻力。表面灵敏度图借助于机器训练的系统来计算。
[0121] 在图8中示出摩托车的物体模型2'。图8中的设备还具有风洞（未示出），、摩托车模型2'位于该风洞中。此外，图8示出3D扫描仪3'作为用于三维扫描外部摩托车形状的扫描装置以检测形状数据。3D扫描仪3'无线地或有线地与计算设备4'连接，以便将由3D扫描仪检测的扫描数据发送给计算设备4'。计算设备4'例如如图7中的计算年设备8那样设计。计算设备4'例如具有检测装置10，所述检测装置接收摩托车模型2'的由扫描装置3'传输的扫描数据并且从中产生形状数据集，所述形状数据集对应于摩托车模型2'的外部形状。此外，计算设备4'具有机器训练的计算装置9'作为用于计算与形状数据集相关的灵敏度景观的人工智能装置。此外，图8中的设备具有显示装置5'。显示装置5'具有增强现实眼镜的多个屏幕。
[0122] 在方法的通过图8的设备执行的该实例中，在步骤S1中首先提供摩托车的具体的物体模型2'，诸如摩托车的黏土模型。对于该摩托车模型2'，在步骤S1中检测形状数据。形状数据在该实例中是表面形状数据。摩托车模型2'的表面形状数据的检测通过借助于3D扫描仪3'作为扫描装置扫描摩托车模型2'来进行。3D扫描仪3'将由3D扫描仪3'检测的扫描数据无线地或线耦合地传输给计算设备4'。计算设备4'检测摩托车模型2'的与扫描数据相关的表面形状数据。特别地，计算设备4'具有检测装置10'，所述检测装置接收3D扫描仪3'的扫描数据并且创建摩托车模型2'的与扫描数据相关的表面形状数据。
[0123] 计算设备4'根据所检测的表面形状数据产生摩托车模型2'的形状数据集。形状数据集辨识位置矢量类型的、外部车辆形状的表面上的多个位置。
[0124] 在方法的第二步骤S2中，检测物体形状的目标特性，所述物体形状对应于所创建的形状数据集。目标特性是物体形状的物理特性或物理变量或物理函数，它们的值应当通过该方法朝预先确定的值、例如最小值或最大值的方向改变，尤其改进或优化。目标特性的检测能够借助于测量（例如在实验室中，在风洞中）和/或模拟方法来进行。
[0125] 在确定外部摩托车形状的实例中，目标特性是摩托车模型2'的外部车辆形状的流动阻力。在该实例中，通过测量风洞中的流动阻力检测外部摩托车形状的流动阻力。
[0126] 可以在考虑所检测的边界条件的情况下进行目标特性的检测。边界条件确定如下值范围，目标特性的测量和/或模拟针对所述值范围进行。由此能够确定如下值范围，针对所述值范围，通过该方法确定具有预给定的物理目标特性的物体形状。
[0127] 边界条件的检测在测量目标特性时例如能够是在实验室设备上设定边界条件。边界条件的检测在用于模拟目标特性的模拟方法中例如能够是将边界条件作为模拟方法的参数输入到模拟单元中。
[0128] 在确定摩托车形状的实例中，测量风洞中的外部摩托车形状的流动阻力。在此，在考虑以下边界条件的情况下测量流动阻力，即风在风洞中来自“前方”，即在前面朝摩托车的方向指向（通过图8中的箭头表明）。测量流动阻力时的另一边界条件是风强度，所述风强度包括对于摩托车行驶典型的风强度范围，以及风洞配置、尤其风洞的几何形状。风向、风强度范围和/或风洞配置例如能够在风洞实验室中预先设定。但是，风向、风强度范围和/或风洞配置也能够通过方法的用户例如交互地输入。通过用户输入例如能够借助于计算机的输入单元、尤其触摸屏、键盘和/或鼠标、或尤其用于姿势识别的相机进行。
[0129] 在随后的步骤S21中检查：所检测的目标特性是否达到目标特性的预先确定的值、例如流动阻力的最小值。
[0130] 如果所检测的目标特性在步骤S21中达到目标特性的预先确定的值，那么在步骤S22中输出对于物体形状所创建的形状数据集。通过输出的形状数据集确定的物体形状于是例如能够作为原型制造。用于确定具有预给定的目标特性的物体形状的方法结束。
[0131] 在确定摩托车形状的实例中，在步骤S21中检查：在风洞中测量的流动阻力是否达到流动阻力的预先确定的最小值。如果达到外部摩托车形状的流动阻力的预先确定的最小值，那么在步骤S22中输出位置矢量形式的针对外部摩托车形状所创建的形状数据集。通过输出的位置矢量确定的外部摩托车形状然后例如可以作为原型制造。用于确定外部摩托车形状的方法因此结束。
[0132] 如果所检测的目标特性在步骤S21中没有达到目标特性的预先确定的值，那么在第三步骤S5中确定物体形状的形状数据集的灵敏度景观。
[0133] 在步骤S5中确定形状数据集的灵敏度景观包括根据形状数据集确定物体形状处或上的多个位置的灵敏度值。灵敏度值针对物体形状处或上的位置说明在物体形状在该位置的区域中变化时由于形状数据集的变化引起的物体形状的目标特性的变化的变化程度。
[0134] 针对形状数据集确定的灵敏度景观例如是物体形状的表面灵敏度图。在该情况下，所述灵敏度景观针对物体形状表面处的位置说明：物体形状在该表面位置处必须如何改变，使得物体形状的目标特性在重复地经历方法步骤中朝预先确定的值的方向变化。
[0135] 例如，灵敏度景观可以针对物体形状的表面处的位置说明：物体形状在该位置处是否必须沿法线方向向内变形（“向内挤压”）或向外变形（“向外拉出”）或者必须以何种程度向内或向外变形，以便物体形状的目标特性在重复地经历方法步骤中朝预先确定的值的方向变化。例如，物体形状处或上的确定位置的灵敏度值是该位置处的法向矢量的绝对值和符号。法向矢量针对确定位置说明：当物体形状在该位置的区域中根据法向矢量的绝对值和方向、即符号改变时，目标特性、例如流动阻力如何改变。
[0136] 通过借助于机器训练的计算装置计算灵敏度景观来确定灵敏度景观。机器训练的计算装置是具有人工智能的基于机器学习的装置。机器学习或人工智能是计算机辅助系统应用方法和解决任务的能力，所述任务当其由人类解决时需要智能。将用于机器学习的方法用于产生计算装置或人工智能能够借助于机器学习算法、诸如神经网络来进行。
[0137] 在确定摩托车形状的实例中，在步骤S21中检查：在风洞中测量的流动阻力是否达到流动阻力的预先确定的值。如果不是这种情况，那么在第三步骤S5中针对外部摩托车形状的位置矢量确定表面灵敏度图。
[0138] 外部摩托车形状的表面灵敏度图在步骤S5中借助于训练的计算装置9'（人工智能装置）根据外部摩托车形状的位置矢量计算。表面灵敏度图针对摩托车形状表面上的通过位置矢量限定的位置分别说明：外部摩托车形状在该位置处必须沿法线方向如何并且以何种程度向内变形（“向内挤压”）或者向外变形（“向外拉出”），以便在重复地经历过方法步骤中外部摩托车形状的流动阻力朝流动阻力的预给定的最小值的方向改变。在此，表面灵敏度图包括位置矢量和属于所述位置矢量的灵敏度值。在此，确定的位置矢量的灵敏度值包括法向矢量的绝对值和法向矢量的符号，所述绝对值说明如下变化的程度，需要所述变化来最小化流动阻力，所述符号说明变化的方向。
[0139] 能够借助于显示装置5'根据描述外部摩托车形状的位置矢量显示在步骤S5中在摩托车模型2'的实例中借助人工智能装置10'计算的表面灵敏度图。例如，计算的表面灵敏度图能够在两个所示出的增强现实眼镜5'的屏幕上示出，使得表面灵敏度图对于眼镜5'的佩戴者显得投影到摩托车模型2'上。由此，增强现实眼镜5'的佩戴者对于摩托车的外部形状上的通过位置矢量的集合辨识的位置获得关于如下的直接信息，即外部摩托车形状在该位置的区域中沿相应的法线方向必须如何变化，以便最小化流动阻力。
[0140] 要确定的外部车辆形状通常是未知的外部车辆形状，所述车辆形状对应于未知的位置坐标集。通过训练的人工智能装置，针对作为输入数据集的该未知的外部车辆形状可以快速地且以低的计算耗费计算所属的表面灵敏度图作为输出数据集。这尤其以比在借助于使用模拟方法进行模拟来耗费地确定表面灵敏度图的情况显著更小的计算耗费来进行。
[0141] 在下一步骤S6中，根据计算的灵敏度景观改变物体形状的形状数据集。例如，能够改变物体形状的形状数据集，使得物体形状在如下位置处向内变形，灵敏度景观针对所述位置说明向内变形是有利的。在此，向内变形的程度根据灵敏度景观来进行。在此，物体形状的有利的变化是物体形状的如下变化，使得预给定的物理目标特性朝预先确定的值的方向变化。相应内容适用于物体形状在向外变形方面的形状数据集的变化。
[0142] 在步骤S6中改变的形状数据集在重复的步骤S1中作为物体形状的形状数据集作为方法的新的起点提供。目标特性能够通过改变新的物体形状来改变，所述新的物体形状通过改变的形状数据集描述。随后，在步骤S2中检测目标特性的改变的值。
[0143] 如果在重复地经历过步骤S1至S6之后针对分别改变的形状数据集和对此分别新检测的目标特性在步骤S2中检测的目标特性达到目标特性的预先确定的值，那么在步骤S22中输出在该时间点存在的形状数据集，由此结束该方法。
[0144] 在外部摩托车形状的实例中，根据通过计算装置9'（人工智能装置）计算的表面灵敏度图改变描述外部摩托车形状的位置矢量集，使得外部车辆形状的流动阻力朝最小的流动阻力的方向改变。
[0145] 图2示出与图1的用于确定具有预给定的物理目标特性的物体形状的方法类似的方法的另一实施方式的流程图。
[0146] 在步骤S1'中，由物体模型的形状数据创建形状数据集。步骤S1'对应于结合图1描述的方法的步骤S1。
[0147] 在方法的第二步骤S2'中，检测物体形状的目标特性，所述物体形状对应于创建的形状数据集。步骤S2'对应于结合图1描述的方法的步骤S2。
[0148] 图2中的方法除了图1中的方法的步骤S1、S2、S5和S6之外还包括两个另外的步骤S3'和S4'。
[0149] 在图2的方法的第三步骤S3'中确定形状数据集的灵敏度景观。灵敏度景观包括形状数据集和物体形状处或上的通过形状数据集辨识的多个位置的灵敏度值。因此，尤其在第三步骤S3'中根据形状数据集确定物体形状处或上的多个位置的灵敏度值。灵敏度值针对物体形状处或上的位置说明在物体形状在该位置区域中变化时由于形状数据集的变化引起的物体形状的目标特性的变化的变化程度。
[0150] 灵敏度景观的确定能够借助于通过模拟方法确定灵敏度值来进行，和/或能够借助于通过机器训练的人工智能装置计算灵敏度值进行。产生灵敏度景观例如在第一次经历过方法步骤S1'至S3'时借助于模拟方法进行并且例如在随后经历过方法步骤S1'至S3'时借助于机器训练的人工智能装置（计算装置）来进行。
[0151] 因此，为了在下一步骤S4'中训练人工智能装置，通过根据形状数据集确定灵敏度景观例如能够提供灵敏度景观连同形状数据集一起作为学习数据集。特别地，人工智能装置能够通过提供多个形状数据集和对其产生的灵敏度景观、即多个学习数据集而在下一步骤S4'中进行机器训练。
[0152] 实施图2中的方法的实例是借助于表面灵敏度图通过图8中示出的设备改进地确定具有最小的流动阻力的摩托车的外部车辆形状。产生外部摩托车形状的形状数据集的步骤S1'和检测外部摩托车形状的目标特性的步骤S2'已经在图1的描述中示出。
[0153] 在图2中的方法中，在进行对应于图1中的方法的步骤S5的步骤S5'之前，在步骤S2'之后进行两个另外的步骤S3'和S4'。
[0154] 在步骤S3'中，借助于模拟方法和/或借助于训练的人工智能装置根据外部摩托车形状的位置矢量计算外部摩托车形状的表面灵敏度图。
[0155] 例如在第一次经历过方法步骤时借助于模拟方法产生外部摩托车形状的表面灵敏度图，所述模拟方法例如能够通过计算设备4'的模拟单元11执行。例如在随后经历过方法步骤时借助于机器训练的计算装置9'产生外部摩托车形状的表面灵敏度图。
[0156] 表面灵敏度图针对摩托车形状的表面上的通过位置矢量限定的位置分别说明：外部摩托车形状在所述位置处必须沿法线方向如何并且以何种程度向内变形（“向内挤压 ”）或向外变形（“向外拉出”），以便在重复地经历过方法步骤时外部摩托车形状的流动阻力朝流动阻力的预给定的最小值的方向变化。在此，表面灵敏度图包括位置矢量和属于位置矢量的灵敏度值。在此，确定的位置矢量的灵敏度值包括法向矢量的绝对值和法向矢量的符号，所述绝对值说明如下变化的程度，需要所述变化来最小化流动阻力，所述符号说明所需要的变化的方向。
[0157] 因此，为了在下一步骤S4'中训练人工智能装置9'，通过根据位置矢量确定外部摩托车形状的表面灵敏度图能够提供表面灵敏度图连同位置矢量一起作为学习数据集，其中所述位置矢量定义外部摩托车形状。
[0158] 在图2中的方法的第四步骤S4'中，将用于机器学习的方法应用于产生计算装置（人工智能装置，人工智能）。
[0159] 将用于机器学习的方法应用于产生计算装置或人工智能借助于机器学习算法来进行。借助于该算法，根据多个形状数据集和对其产生的灵敏度景观训练人工系统（计算装置），使得其在训练之后也能够针对作为输入数据集的未知的形状数据集计算所属的灵敏度景观作为输出数据集。
[0160] 例如，多个形状数据集中的每个连同对其产生的灵敏度景观形成相应的学习数据集。借助于机器学习算法基于多个学习数据集训练计算装置。学习数据集是用于训练计算装置的实例数据集。
[0161] 机器训练能够通过将多个学习数据集分类成多个类别、识别多个学习数据集中的模式和将所识别的类别和模式概括化来进行，以便能够得出对于未知的输入数据集的预测。例如，能够建立多个学习数据集之间的关联，以产生人工形状数据集和所属的人工灵敏度景观，所述人工学习数据集和人工灵敏度景观扩展了学习数据集的形状数据集和灵敏度景观。
[0162] 在外部摩托车形状的实例中，将用于机器学习的方法应用于产生计算装置9'借助于神经网络进行。人工智能装置9'的神经网络借助在步骤S3'中产生的学习数据集训练，所述学习数据集中的每个包括描述外部摩托车形状的位置矢量集和所属的表面灵敏度图。相应的学习数据集也能够包括针对相应的位置坐标集在步骤S3'中检测的流动阻力。通过训练，人工智能装置9'也能够对于未知的位置坐标集作为输入变量计算所属的表面灵敏度图作为输出数据集，其中所述未知的位置坐标集对应于摩托车的未知的外部车辆形状。未知的位置坐标集是在训练期间未提供的位置坐标集。
[0163] 神经网络能够在多个学习数据集中识别规律性、重复性和/或相似性。例如，在多个学习数据集中，可以识别出如下模式，即确定的类似的外部形状具有小的流动阻力。此外，在多个学习数据集中，可以识别出如下模式，即确定的类似的外部形状具有大的流动阻力。
[0164] 神经网络能够建立多个学习数据集之间的关联并且以该方式产生摩托车的外部形状的人工位置数据集和所属的人工表面灵敏度图。人工位置数据集和所属的人工表面灵敏度图扩展了学习数据集。
[0165] 在图2中的方法的第五步骤S5'中，借助于计算装置为要确定的物体形状计算灵敏度景观。步骤S5'对应于结合图1描述的方法的步骤S5。
[0166] 在图2中的方法的第六步骤S6'中，要确定的物体形状的形状数据集根据所计算的灵敏度景观改变。进行该改变，使得预给定的目标特性朝预先确定的值的方向改变。步骤S6'对应于结合图1描述的方法的步骤S6。
[0167] 图3示出用于在图1中的方法的步骤S1中和在图2中的方法的步骤S1'中创建形状数据集的第一方案。
[0168] 在该方案中，创建形状数据集的步骤S1或步骤S1'包括如下子步骤。在步骤S11'中，提供物体模型。物体模型是具体的物体模型，诸如黏土模型。物体模型例如是图8中的摩托车模型2'。在步骤S12'中，借助于扫描装置针对该具体的物体模型检测形状数据。例如借助于3D扫描仪3'检测图8中的摩托车模型2'的外部形状。在步骤S13'中，针对所检测的形状数据产生形状数据集。形状数据集例如包括位置矢量。例如，形状数据集包括描述外部摩托车形状的位置矢量。
[0169] 图4示出用于在图1中的方法的步骤S1中和在图2中的方法的步骤S1'中创建形状数据集的第二方案。
[0170] 在第二方案中，创建形状数据集的步骤S1或步骤S1'包括如下子步骤。在步骤S14'中，提供物体模型的形状数据。例如，在步骤S14'中提供数字化的物体模型、例如CAD模型的形状数据。在步骤S15'中，针对所提供的形状数据产生形状数据集。形状数据集例如包括位置矢量。例如，形状数据集包括描述外部摩托车形状的位置矢量。
[0171] 图5示出用于制造计算装置的方法的实施方式的流程图，所述计算装置从形状数据集中计算灵敏度景观。
[0172] 在制造方法的第一步骤S7中，提供基础人工智能装置。基础人工智能装置是对应于在图2中的步骤S4'的描述中描述的机器学习算法的机器学习算法。
[0173] 在制造方法的第二步骤S8中，提供学习数据集。在步骤S8中提供学习数据集对应于在图2中的步骤S4'的描述中描述的方式产生学习数据集。
[0174] 在制造方法的第三步骤S9中提供另外的学习数据集。在步骤S9中提供另外的学习数据集对应于在图2中的步骤S4'的描述中描述的方式产生多个学习数据集。
[0175] 在制造方法的第四步骤S10中应用用于机器训练的方法。
[0176] 用于机器训练基础人工智能装置以产生训练的人工智能装置的在步骤S10中应用的方法对应于用于机器训练以产生计算装置的参考图2中的步骤S4'描述的方法。
[0177] 替代地，计算装置能够借助于配置数据产生，其中配置数据事先从训练的人工智能装置中读出。随后，基础人工智能装置借助配置数据来配置，所述基础人工智能装置如相应训练的人工智能装置那样工作。
[0178] 图9示出借助于机器训练的计算装置从形状数据集中计算灵敏度景观的另一实例。
[0179] 在图9中说明借助于机器训练的人工智能装置改进地确定板36的形状，力F1、F2（例如拉力、重力）作用于所述板上。应当将板36的形状改变成，使得其具有最小的重量或者需要最小的材料耗费，以便机械上经受住预给定的力。
[0180] 物体形状在该实例中是板36。预给定的物理目标特性在该实例中是板36的重量或对于板36所需的材料耗费。板36的重量或对于板36所需的材料耗以板的密度的形式检测。
[0181] 如在下面描述的那样，首先产生板30的学习数据集并且借助于该学习数据集训练人工智能装置。随后，将以该方式训练的人工智能装置用于：借助于人工智能装置确定板36的物体形状。
[0182] 即首先产生板30的学习数据集。在板30的情况下的边界条件是：板30在其左侧33固定、例如固定在壁处，并且力Fx和Fy作用于板上，如在图9的左侧示出。在板30的右上角31处作用力Fx，所述力Fx向左定向。此外，力Fy作用于板30的右下角32处，所述力Fy向下定向。
[0183] 应当改进板30的物体形状，使得找到最佳的物体形状，所述物体形状在板30的重量最小或材料耗费最小的情况下能够机械上经受住作用的力Fx、Fy。
[0184] 为了产生学习数据集，在结构机械模拟中针对给定的边界条件确定板30的结构强度。板30的密度分布D1的模拟结果在图9中在左下方可见。在图9的视图中，密度分布D简化地以粗分辨率通过四个不同密度的区域示出。四个不同密度的区域通过不同画阴影或标记的正方形（像素）G0、G1、G2、G3示出。黑色像素G3为高的材料密度，紧密画阴影的像素G2为中等的材料密度，疏散画阴影的像素G1为低的材料密度并且白色像素G0为材料密度零，即没有材料。如在图9中在密度分布D1中可见，只要存在板30的各个材料支柱34，板30总是还能够机械上经受住作用的力Fx、Fy，即使移除板30内部中的材料。
[0185] 板30的所提出的边界条件和针对边界条件确定的最佳形状形成学习数据集，借助所述学习数据集训练人工智能装置。
[0186] 借助以该方式训练的人工智能装置，在下一步骤中针对未知的输入数据集确定板36的最佳形状。这在图9的右侧上说明。
[0187] 如在图9的右侧上示出，在板36上在右上角38处作用力F1，所述F1力向左下方定向，其中所述板在其左侧37固定。此外，力F2作用于板36的右下角39，所述力F2向右上方定向。
[0188] 板36的形状应当重新改进，使得找到最佳的物体形状，所述物体形状在板36的重量最小或材料耗费最小的情况下能够机械上经受住作用的力F1和F2。
[0189] 借助于如关于板30描述的训练的人工智能装置，针对所述边界条件确定板36的改进的形状。在图9中在右下方可见训练的人工智能装置对于板36的密度分布D3的预测。板36的材料的密度D3如上面在密度分布D1中描述的那样借助于不同画阴影或标记的像素示出。
[0190] 为了比较，申请人执行结构机械上的模拟。在图9中在中间右侧可见针对给定的边界条件的板36的密度分布D2的结构机械模拟的结果。对于板36，通过人工智能装置预测的最佳形状（密度分布D3）和由结构机械模拟计算的最佳形状（密度分布D2）的比较示出：人工智能装置的预测十分类似于结构机械模拟的结果。这就是说，通过训练的人工智能装置，与在模拟计算的情况下相比，板36的形状可以相较于模拟计算很好地且以低得多的耗费来确定。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种滚珠丝杠副定位精度衰退预测方法 | 2020-06-24 | 853 |
| 基于MPM的血液凝固模拟方法及系统 | 2020-05-13 | 551 |
| 适用于压力衰竭地层的井壁稳定的研究方法 | 2020-05-19 | 306 |
| 一种山岭隧道抗震分析的方法 | 2020-05-26 | 930 |
| 编织复合材料力学性能的多尺度预测方法 | 2020-06-09 | 723 |
| 数字矿山中的爆破仿真方法 | 2020-06-18 | 975 |
| 一种根据地表沉陷特征进行采空区部分充填的方法 | 2020-06-15 | 455 |
| 一种空间桁架索网天线等几何找形方法 | 2020-06-20 | 852 |
| 一种基于构元分析模型确定煤层安全钻井液密度的方法 | 2020-05-18 | 190 |
| 一种高位岩质滑坡稳定性动态数值评价方法 | 2020-06-17 | 363 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈