啊哦~由于網絡超時您的請求失敗了
登錄成功！
請輸入正確的賬號名！
密碼格式有誤請驗證！
注冊新账号立即成爲我們的用戶
忘記密碼進行找回哦~啊哦~由于網絡超時您的請求失敗了恭喜，注冊成功！您已经是芬兰超级联赛新用户了
請輸入正確的賬號名！
請輸入正確的賬號名！
請輸入正確的單位名稱！
請輸入正確的所屬行業！
請輸入....！
請輸入....！
請輸入....！
請輸入....！
請輸入....！
目前您的账号暂时还不能进行登錄哦~
對此我們深感抱歉！但還請您耐心等待審核通過
注冊信息审核通过后我们将会在第一时间以邮件的方式通知您
啊哦~由于網絡超時您的請求失敗了密碼重置成功，請牢記您的密碼喲！
請輸入正確的賬號名！
請輸入手機號碼！
請輸入....！
請輸入....！
請輸入....！
啊哦~由于網絡超時您的請求失敗了修改成功！
密碼格式有誤請驗證！
密碼格式有誤請驗證！
請輸入....！
AIPOD是由芬兰超级联赛軟件自主研發的一套通用的智能優化設計軟件平台。它集成了業界一流的智能優化算法SilverBullet，專門針對工業設計領域數值模擬計算成本高等痛點而設計，優化效率高、效果好。公司擁有一批資深的工程設計專家，對于産品研發設計擁有獨到深入的理解，這讓AIPOD的智能優化技術具備出衆的優化效果的同時，還具有極低的使用門檻，軟件操作簡單便捷、優化快速。無論是結構、流體、熱力學、聲學或多物理場耦合問題，AIPOD都可以幫助設計團隊高效地尋找到更好的設計方案。
功能特色
（1）強大的計算流程建模——提供圖形化的計算流程定義功能，在計算流程圖中可以方便的調用任意的商業軟件、動態庫或直接以腳本形式嵌入專家經驗公式，可建立任意複雜的計算流程，實現計算流程的自動化，供優化引擎調用。
強大的計算流程建模
（2）全新的代理優化加速模塊——AIAgent可通過與計算流程的連接，進行數據智能采樣，通過芬兰超级联赛自研的機器學習算法，進行代理模型的訓練，爲優化設計加速助力。AIAgent中的機器學習算法來自于芬兰超级联赛數據建模平台，其核心是芬兰超级联赛自研的超參學習框架，相較于傳統響應面、Kriging模型，AIAgent針對複雜問題表征能力更強、數據集需求量更低、使用門檻更低，而且訓練得到的模型可導出，可複用，可作爲企業的核心知識進行管理，提升企業快速優化設計的能力。
AIAgent一鍵構建可複用的高精度代理模型
（3）具有智能探索能力的SilverBullet算法——SilverBullet算法是針對工業設計領域數值模擬計算成本高的痛點而研發，在計算成本有限的情況下（百量級），以盡可能少的計算代價，獲取盡可能高的性能提升。SilverBullet算法整合了智能采樣技術、耦合優化技術，以及一套核心的參數指標動態協調全局優化和局部探索力度，從而實現在小計算規模下的高效性能優化提升。SilverBullet算法有以下兩大特色：
① 自适应优化场景，零使用门槛
SilverBullet算法具有強大的自適應性，用戶僅需提供計算代價，無需任何超參設定，即可一鍵啓動優化流程，極大程度的降低了用戶的使用門檻；
② 智能边界突破（Bound-break）
SilverBullet獨有的智能優化探索能夠擺脫參數範圍不夠精確的困擾，對于無法精確給定變量範圍的部分變量，在滿足不增加搜索成本的前提下，自主決策有選擇性地突破設計參數範圍邊界，獲得更好的設計方案。
（4）與芬兰超级联赛數據建模平台無縫集成——AIPOD建模工具箱中提供全新的DT節點，可以一鍵導入芬兰超级联赛數據挖掘軟件建立的模型，用于計算流程的建模。利用該功能，用戶可以充分發揮數據的價值，實現仿真驅動和數據驅動相結合的優化設計。
導入數據挖掘模型進行優化
（5）基于浏覽器的人機交互界面，跨平台支持——AIPOD提供基于Web的用戶界面，支持跨平台，提供多個Windows和Linux發行版本，操作系統可不需要圖形界面；因此用戶可以將AIPOD部署在服務器中，充分利用服務器強大的硬件資源；用戶可在網絡中，通過浏覽器隨時隨地的接入AIPOD，管理計算流程、提交優化任務、查看任務的運行狀態以及進行優化結果分析，賦予用戶更強的掌控能力。
優化任務監控
優化結果分析
實際案例
（1）船型優化案例1：
该案例的设计变量为６个，目标变量为阻力系数最小，有2个约束，CFD调用次数限定为64次。最终的优化过程如表 1所示，64次优化AIPOD实现5.01%的性能提升，竞品算法的性能提升为3.36%，AIPOD对于竞品算法的优势体现明显。
表 1 AIPOD和竞品算法的优化过程关键节点信息
| 母型阻力系數 | 0.00363 | ||
| 優化算法 | 優化次數 | 優化性能 | 性能提升 |
| 競品軟件 | 31 | 0.003508 | 3.36% |
| 64 | 0.003508 | 3.36% | |
| AIPOD | 24 | 0.003491 | 3.83% |
| 64 | 0.003448 | 5.01% |
AIPOD與競品算法的優化曆程下圖所示，競品算法雖然在優化早期性能提升相對較快，但後勁不足，陷入局部極值之後將無法進一步提升。
|
|
|
| (a)競品算法優化軌迹 | (b)AIPOD優化軌迹 | (c)AIPOD對標競品算法 |
AIPOD與對標競品算法的優化曆程
在AIPOD优化过程中，我们开启AIPOD特有的bound-break智能探索功能。表 2表明，若设计参数的範圍设置不恰当，市面上现有的优化引擎也不会在这些被忽略的高效可行空间内进行探索，而SilverBullet優化算法即便在64次小计算规模下，依旧可以快速突破因为工程师範圍设置不恰当人为引入的“优化壁垒”。
表 2 AIPOD和竞品算法各自最优设计方案对于工程初期设定的参数边界“突破”情况
| Var1 | Var2 | Var3 | Var4 | Var5 | Var6 | |
| 範圍 | -0.5~1 | -5~20 | -0.01~0.01 | -0.005~0.005 | -0.03~0.3 | -0.4~0.4 |
| 競品軟件 | 0.7 | -5.0 | -0.01 | 0.004 | 0.3 | -0.4 |
| AIPOD | 1.01 | 10.41 | -0.0097 | 0.0037 | 0.589 | -0.95 |
AIPOD與競品算法的優化結果船型如下圖所示
|
|
|
|
| (a)競品算法優優化結果船型 | (b)AIPOD優化結果船型 |
船型優化結果
（2）船型優化案例2：
該案例的設計變量爲8個，目標變量爲阻力系數最小，有2個約束，CFD調用次數限定爲100次（AIPOD因磁盤空間有限導致在83步時終止優化）。最終的優化過程如表3所示，100次優化AIPOD實現4.68%的性能提升，競品算法實現4.13%的性能提升，AIPOD對于競品算法的優勢體現明顯。AIPOD與競品算法的優化結果壓力雲圖如下圖所示。
表 3 AIPOD和竞品算法的优化过程关键节点信息
|
|
| (a)競品算法優優化結果雲圖 | (b)AIPOD優化結果雲圖 |
船型優化結果压力云图
AIPOD與競品算法的優化曆程如下圖所示，在AIPOD優化過程中，我們同樣了開啓AIPOD特有的bound-break智能探索功能。結果表明，競品算法在優化效率和優化潛力表現上均落後于AIPOD，且bound-break能夠更好的輔助設計人員找到被忽略的高效設計區域。
|
|
|
| (a)競品算法優化軌迹 | (b)AIPOD優化軌迹 | (c)AIPOD對標競品算法 |
AIPOD與對標競品算法的優化曆程
（3）斜流風扇輪毂造型優化案例：
该案例的设计变量为14个，目标变量为进出口压差最大，有1个约束，CFD调用次数限定为150次。最终的优化过程如表 4所示，150次优化AIPOD实现52.32%的性能提升，竞品算法实现49.36%的性能提升，AIPOD对于竞品算法的优势体现明显。AIPOD与竞品算法的优化结果压力云图如下图所示。
表 4 AIPOD和竞品算法的优化过程关键节点信息
|
|
| (a)競品算法優優化結果雲圖 | (b)AIPOD優化結果雲圖 |
斜流風扇輪毂優化結果壓力雲圖
AIPOD與競品算法的優化曆程如下圖所示，競品算法雖然在優化早期性能提升相對較快，但後勁不足，陷入局部極值之後將無法進一步提升，而AIPOD在保證優化效率的基礎上，始終保持著一定的探索潛力。
|
|
|
| (a)競品算法優化軌迹 | (b)AIPOD優化軌迹 | (c)AIPOD對標競品算法 |
AIPOD與對標競品算法的優化曆程
在AIPOD优化过程中，我们开启AIPOD特有的bound-break智能探索功能，表5表明虽然竞品算法已经捕捉到几个设计变量的高效设计区域，但由于参数设计範圍限制，其参数值仅能设定为约束值，无法实现优化效果进一步的提升。
表 5 AIPOD和竞品算法各自最优设计方案对于工程初期设定的参数边界“突破”情况
| Var1 | Var2 | Var6 | Var8 | Var12 | |
| 範圍 | -0.5~0.15 | -0.15~0.15 | 10~70 | 0.25~0.5 | 0.25~0.5 |
| 競品軟件 | 0.15 | -0.15 | 10 | 0.4949 | 0.5 |
| AIPOD | 0.1887 | -0.1791 | 3.9192 | 0.6200 | 0.6832 |
（4）進氣道幾何優化案例：
该案例的设计变量为5个，目标变量为出口总压不均匀度和出口速度不均匀度加权最小，CFD调用次数限定为60次。最终的优化过程如表 6所示，60次优化AIPOD实现54.89%的性能提升，竞品算法实现52.34%的性能提升，AIPOD对于竞品算法的优势体现明显。AIPOD与竞品算法的优化结果云图如下图所示。
表 6 AIPOD和竞品算法的优化过程关键节点信息
| 母型不均勻度加權值 | 0.0462032 | ||
| 優化算法 | 優化次數 | 優化性能 | 性能提升 |
| 競品軟件 | 63 | 0.0220179 | 52.34% |
| AIPOD | 49 | 0.0208391 | 54.89% |
|
|
| (a)競品算法優優化速度雲圖 | (b)AIPOD優化速度雲圖 |
|
|
| (c)競品算法優優化壓力雲圖 | (d)AIPOD優化壓力雲圖 |
進氣道幾何優化結果雲圖
在AIPOD优化过程中，我们开启AIPOD特有的bound-break智能探索功能，表 7表明，若设计参数的範圍设置不恰当，市面上现有的优化引擎也不会在这些被忽略的高效可行空间内进行探索，而开启bound-break功能的SilverBullet智能優化算法能够突破因为工程师範圍设置不恰当人为引入的“优化壁垒”。
表 7 AIPOD和竞品算法各自最优设计方案对于工程初期设定的参数边界“突破”情况
| Var1 | Var2 | Var3 | Var4 | Var5 | |
| 範圍 | 0.4~0.9 | 0.5~2 | 0~100 | 0.9~1.1 | 1.75~35 |
| 競品軟件 | 0.7892 | 0.9952 | 59.4104 | 1.0858 | 3.25796 |
| AIPOD | 0.5739 | 1.3448 | 45.5482 | 3.2944 | 1.0237 |
AIPOD與競品算法的優化曆程如下圖所示，在整個優化進程中，競品算算法僅在優化前期部分階段領先于AIPOD，且很快陷入局部極值，後期優化效率提升有限，而AIPOD在較高優化效率的前提下始終保持一定的優化潛力。
|
|
|
| (a)競品算法優化軌迹 | (b)AIPOD優化軌迹 | (c)AIPOD對標競品算法 |
AIPOD與對標競品算法的優化曆程
（5）風機葉片優化案例：
该案例的设计变量为9个，目标变量为总压损失最小，有3个约束，CFD调用次数限定为150次。最终的优化过程如表 8所示，150次优化AIPOD实现19.21%的性能提升，竞品算法实现14.69%的性能提升，AIPOD对于竞品算法的优势体现明显。
表 8 AIPOD和竞品算法的优化过程关键节点信息
| 母型總壓損失 | 0.177 | ||
| 優化算法 | 優化次數 | 優化目標值 | 性能提升 |
| 競品軟件 | 150 | 0.151 | 14.69% |
| AIPOD | 150 | 0.143 | 19.21% |
在AIPOD优化过程中，我们开启AIPOD特有的bound-break智能探索功能。表 9表明，该算例中给定的设计变量的範圍较为合理，AIPOD和竞品算法得到的更优设计均包含在设计空间之中，AIPOD虽然开启了bound break，但是它并没有盲目的尝试越界探索，非常高效的找到了更优设计。
表 9 AIPOD和竞品算法各自优化设计方案对于工程初期设定的参数边界“突破”情况
| Var1 | Var2 | Var3 | Var4 | Var5 | Var6 | Var7 | Var8 | Var9 | |
| 範圍 | 10~50 | 10~40 | 50~85 | 10~55 | 5~40 | 0.1~1 | 0.1~1.5 | 0.1~1.5 | 0.1~1.5 |
| 競品軟件 | 20.4 | 21.1 | 78.35 | 26.2 | 5.35 | 0.22 | 1.33 | 0.69 | 1.40 |
| AIPOD | 20.94 | 21.42 | 79.79 | 26.92 | 7.09 | 0.35 | 1.17 | 0.66 | 1.32 |
