架体の構造評価におけるAI予測モデルの作成事例です。重量物を載せた架体の変位分布をAIで予測します。入力値（設計変数）としては、ベース板の厚さ、ヤング率、重量物の重さなどを使用し、評価対象（目的変数）として変位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いて、DesignExplorerを用いた実験計画法（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）が必要です。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場合よりも、少ないデータ数で効率的に予測モデルを作成することができます。DesignExplorerは、DOEで得られた学習データ（解析結果）を基に、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最大のメリットは、既存の解析モデルを有効に活用できる点にあります。評価が完了した解析モデルは、通常、再利用される機会が限られているかもしれません。しかし、DesignExplorerを使用して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となります。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し、効率的に活用することができます。
構造解析のデモ動画
