Reduce Thin Volumes with Reinforcement Learning

 The Reduce Thin Volumes RL コマンドと同様に、 Reduce Thin Volumes Auto は3D薄肉 Volume を、接続された Sheet Body の集合へ簡略化します。 reduce thin volume コマンドは、シェル有限要素の生成を目的として頻繁に使用されます。これに対して、 auto オプションでは、 RL オプションは Machine Learning を使用して永続的な Knowledge Base を構築し、Reduce 操作の選択を改善します。アセンブリがまだ 学習済みの場合、初期には比較的低品質な解を予測することがあります。RL を実行するとトレーニングデータが蓄積され、薄肉 Volume の構成ごとに最適な Reduce 解を実質的に学習します。一般に、多様な問題を経験するほど RL の予測結果は改善します。

3D薄肉 Volume 群からシェルモデルを生成する場合、通常は Volume の Reduce と接続確立のため複数のツールを使う必要があります。単純なケース以外では、そのコマンド列は複雑になりがちです。図1〜3は、単純化した薄肉 Volume モデルから複数の異なる解が生成される例を示します。許容できる解もあれば、そうない解もあることが分かります。RL ツールは、アセンブリ状態と、それをどのように解決するのが最適かという Knowledge Base の構築を支援します。

The RL オプションを使用すると一連の Cubit コマンドを生成し、Journal ファイルへ書き出せます。ユーザーは結果を検証し、Journal を編集・注釈して保存できます。Reduce 用に生成されるコマンドは reduce thin copy または reduce thin midsurface。これらのコマンドは、 surface copy および midsurface コマンドと同様の Geometry 操作を実行しますが、さらに thickness および loft。これらはシェル有限要素解析の完全な表現を構築するために必要な属性です。生成された Sheet Body は、これらの属性を持つ Block も自動生成し、元の3D親 Geometry との関連付けを維持します。

構文：

  Reduce Volume <volume ids> Thin RL [Number Iterations <value>] [Initialize Random [<value>]] [Stopping Criteria <value>] [Learning Interval <value>] [Journal Result <string>] [Delete] [Preview]

準備

 と同様に、 Reduce Thin Autoで、 Reduce Thin RL コマンドで良好な結果を得るには、3D薄肉 Volume 同士が接触しており、imprint と merge を行った場合に共有 Surface で接続される状態が望まれます。このツールを使用する前に gap や overlap を確認して解消する必要がある場合があります。また、最終FEAモデルに不要な chamfer、round、その他の微小 feature を除去するなど、Volume の cleanup/defeaturing が必要になることもあります。

戦略

予測モード： このモードは十分なトレーニングデータが構築済みの場合に通常使用します。引数 Number Iterations = 1では、既存のトレーニングデータからの予測に基づいて Reduce コマンド列を構築します。

学習モード： これは、これまでのモデルと大きく異なる新しいアセンブリを扱う場合に通常使用します。一般にユーザーは RL を複数回反復して実行し（Number Iterations > 1）、これによりアセンブリの状態空間に関する情報を収集できます。アセンブリの複雑さに応じて、十分なデータを収集するには数分から数時間かかる場合があります。各反復では、1つの 平均報酬 値が計算されコマンドラインに表示され、生成された解の完成度を表します。この値は、生成された Sheet Body の接続状態に加え、微小 Curve や細長い Surface が生じる可能性などを考慮したヒューリスディック指標です。

を使用するには、 学習モードでは、RL は学習を終了するタイミングを判断するために複数の指標を使用します：

1. 停止条件： 0から1までの値です。平均報酬がこの値以上になると終了条件を満たします。既定値は0.999です。
2. 反復回数： 実行する最大反復回数です。既定値は100です。
3. 追加の一意解がない場合： 場合によっては、特に小規模モデルでは RL 手順が Reduce 操作の可能な組合せをすべて試行し、停止条件や指定反復回数に達する前に終了することがあります。
4. ユーザーによる中止： 処理に時間がかかりすぎる場合は、Cubit GUI の赤い(x)を押して、停止条件または反復回数に達する前にコマンドを中止できます。この場合でも、それまでに RL が学習した内容は保持されます。

ユーザーによる学習への介入： RL ツールは、短時間で大量のトレーニングデータを効率よく構築するのに適しています。 学習ですが、一般的なアセンブリ状態に適用できる内部の事前定義ヒューリスティクスに基づいています。ユーザーは独自のトレーニングデータを追加して、これらの優先傾向を上書きできます。最も簡単な方法は Cubit Geometry Power Tool で、 薄肉 Volume 診断です。この診断では、指定した reduce コマンドに対して表示されます。ユーザーは、 maximize または minimize confidence 右クリックオプションを使用します。これらは Cubit コマンドラインからも、 Learn 一連のコマンドです。

引数

Number Iterations <value>: 終了前に実行する RL の最大反復回数です。既定値は100です。

Initialize Random {<value>}: 状態をランダムな reduce 解です。通常は現在のトレーニングデータに基づく最良解の予測で状態を初期化します。ランダム初期化は状態空間を最大限探索でき、未経験モデルで特に有効です。また既知の解に対して別解が得られるか試す用途にも使用できます。オプション <value> は seed で内部乱数生成器を制御するために使用できます。

学習モードで状態空間を最大限に探索するには、 ランダム初期化 も使用できます。通常、RL の開始点は現在の Knowledge Base（トレーニングデータ）に基づく予測です。Initialize Random オプションは現在の

Stopping Criteria <value>: 0から1までの値です。平均報酬がこの値以上になると RL を終了します。既定値は0.999です。

Learning Interval <value>: Machine Learning モデルを更新する頻度を示す整数値です。たとえば learning interval が5の場合、5回の RL 反復ごとに、それまでに学習した情報でトレーニングモデルを更新します。更新後は ML モデルの予測に基づいて状態報酬を再初期化し、次の反復を開始します。既定の learning interval は100です。既定値の場合、通常 ML モデルは最終反復後にのみ更新されます。

Journal Result "<string>": このオプションでファイル名を指定すると、その名前の Journal ファイルが現在の作業ディレクトリに書き出され、 best RL 反復から得られたコマンド列です。生成された Journal ファイルには、報酬値と接続の成功/失敗を示すコメントが付加されます。

Delete: Sheet Body 生成後に親 Volume を削除します。Cubit 内部では、3D Solid の薄肉 Volume と生成された子 Sheet Body の関連付けが維持されるため、通常これは推奨されません。この関連付けにより、Block 属性などの Sheet データの表示・管理、および Export Shell Data コマンドです。

Preview： preview オプションを使用すると、最終的な最良解は実行されず、結果のグラフィカル preview が表示されます。preview には、維持された接続と維持されなかった接続を示す視覚情報も含まれます。また、 journal result を使用した場合も Journal ファイルが生成されます。このオプションは、解が妥当であることを確認してから生成された Journal を実行する前に、結果を preview・検証する用途によく使用されます。