これは、落下解析におけるAI予測モデルの作成事例です。携帯電話をクッション材や段ボール材で梱包したモデルを落下させ、加速度時刻歴と応力分布をAIで予測します。入力値（設計変数）としては、梱包材の厚み、ヤング率、寸法などを使用し、評価対象（目的変数）としては加速度時刻歴および応力分布を設定しています。これらの入力値と評価対象に基づき、DesignExplorerを用いて実験計画法（Design of Experiments: DOE）を実施し、予測モデルを構築します。
設計変数と評価対象
DOE（実験計画法）は、複数の要因（設計変数）が結果に与える影響を効率的に調べるための統計的手法です。AIによる予測モデルの構築には、学習データ（解析結果）が必要となります。DOEを使用することで、全ての要因の組み合わせを網羅的に解析するよりも、少ないデータ数で効率的にモデルを作成できます。DesignExplorerは、DOEで得られた学習データ（解析結果）を用いて、予測モデルを構築します。
実験計画法（DOE）の概要
こちらは、DesignExplorerで構築した予測モデルのデモ動画です。予測モデルを構築するメリットは、既存の解析モデルを有効活用できる点にあります。一度評価が完了した解析モデルは、再利用される機会がそれほど多くないかもしれませんが、DesignExplorerを用いてAI予測モデルを構築することで、各設計変数が解析結果に与える影響を把握することが可能です。これにより、類似の解析業務に対する知見を、予測モデルという形で蓄積・活用することができます。
落下解析のデモ動画
