Каталог решений
6
Стать партнером О нас Блог Контакты
Речевые технологии
Анализ данных
NLP
Чат-боты
Компьютерное зрение
Все решения
К сравнению
Datadvance
Год основания: 2010
Страна происхождения: Россия
Направление: Анализ данных
Отрасль: Различные отрасли
https://www.datadvance.net/ru/

Datadvance

Облачная платформа базе технологий искусственного интеллекта для совместного решения задач анализа данных, инженерной оптимизации и автоматизации расчетов
Заказать решение
К сравнению
Описание компании
Год основания: 2010
Страна происхождения: Россия
Направление: Анализ данных
Отрасль: Различные отрасли
Характеристики
  • Анализ данных
  • Числовое моделирование
  • Инженерная оптимизация
  • Автоматизация расчетов
Дополнительная информация

Ссылка на API-документацию: https://www.datadvance.net/product/pseven-core/manual/6.16/api/index.html

Контур решения: Cloud/On-Premise

Клиенты: AIRBUS, AO «Уральский Турбинный завод», РКК «Энергия» им. С.П. Королева, ЦАГИ

Цена: ₽₽

Заказать решение
Кейсы

Создании аппроксимационных моделей процессов двигателя внутреннего сгорания, Mitsubishi Motors 

Решение: Datadvance создала для Mitsubishi Motors аппроксимационную модель, предсказывающую параметры модели временной зависимости давления в цилиндрах ДВС. платформа pSeven – использовалась для предсказания параметров модели сгорания. 

Результат: созданная модель будет в дальнейшем использоваться для одномерных расчетов двигателя благодаря возможности экспорта в формат m-file или в стандарт FMI (Functional Mock-up Interface) - открытый стандарт, разработанный для переноса моделей динамических систем между различными средами моделирования, а также для осуществления совместных вычислительных экспериментов. Aппроксимационные модели являются вычислительно недорогими, поэтому их внедрение в процесс разработки ведет к значительной экономии времени. 


Прогнозирование нагрузок на детали вертолета на основе аппроксимационных моделей, Airbus Helicopters 

Решение: были построены аппроксимационные модели трех различных типов с помощью широкого набора методов аппроксимации модуля GT Approx алгоритмического ядра pSeven Core, а именно: аппроксимация полиномами невысокой размерности (RSM), аппроксимация на основе гауссовских процессов (GP), аппроксимация на основе нейронных сетей (HDA). 

Результат: полученные прогнозные данные по статическим и динамическим нагрузкам сопоставили с результатами измерений, выполненных Airbus Helicopters для каждой группы в зависимости от типа выполняемых маневров. В результате, относительная ошибка прогнозирования динамической нагрузки во всех полетных конфигурациях не превышала 10% для 71% прогнозов и 20% - для 86% прогнозов. Если рассматривать только отобранные полетные конфигурации (также по динамическим нагрузкам), то для них относительная ошибка прогнозирования не превышала 10% для 89% прогнозов и 20% для 98% прогнозов. По мнению заказчика предложенный подход очень перспективен. С помощью аппроксимационных моделей можно с высокой точностью (< ±20 %) спрогнозировать ~50% недостающих данных по нагрузкам, что позволит существенно сократить время и трудозатраты для оценки таких данных.

Преимущества
У нас улучшенная техническая характеристика проектируемых изделий за счет многокритериальной оптимизации. Мы сохраняем и защищаем инженерные данные при помощи аппроксимационных моделей. Вы можете интегрировать pSeven Core в ваши процессы проектирования или любую программную среду, а также доверить решение вашей инженерной задачи нам.
Технологии
Для разработки решений используется собственная уникальная платформа анализа данных и оптимизации pSeven, pSeven Core и pSeven Cloud. Также для создания эффективных продуктов используются зарекомендовавшие себя на рынке внешние технологии: Yandex Cloud Speech (распознавание речи), Microsoft Speech API (распознавание речи), Azure AI (платформа для создания ИИ).