Case

解析事例

換気扇の流量変化に伴う室温変化予測

換気扇の流量変化に伴う室温変化予測サムネイル画像

  • 製品名

    • Altair PhysicsAI

  • カテゴリー

    • AI・機械学習解析事例

  • 産業分野別

    室温の予測にPhysicsAIを活用した事例です。換気扇（レンジフード）を作動させることで室内の空気を排出することにより、四隅のダクトから外気が流入します。夏場の熱がこもった状態を想定しており、室温の方が外気より高い状態と仮定します。
    換気扇の風量によって、温度が低い外気が流れ込む量が変化し、室温がどの程度低下するかが変化します。

    部屋のモデルを以下に示します。

    • physicsai_12-1

    AIによる予測の手順は以下の通りです。

    1.　約20分後の温度分布について、流体解析を実施し、学習データを用意します

    2.　流量Qの値に加え、部屋形状や温度分布の解析結果をPhysicsAIに学習させます

    3.　予測したい流量Qと部屋形状をインプットとし、PhysicsAIにより温度分布のコンター図を予測します

    今回は部屋のレイアウト（形状）は変更していませんが、それらの解析結果も学習させることにより予測可能となります。

    • physicsai_8

    流体解析ソルバーAcuSolveとPhysicsAIの計算時間の比較を示します。PhysicsAIの学習データ数は14個です。

    AcuSolveは、１ケースあたり数時間～数十時間かかります。高精度な結果が得られますが、流量や形状のパターンが多いと、解析コストが膨大になります。

    一方、PhysicsAIは、数秒～数分で予測が可能です。事前学習が必要になりますが、複数ケースを高速に予測ができます。これにより、設計初期段階で候補案を迅速に絞り込むことができます。

     

    • physicsai_9

    最後に、本事例における学習データ数ごとの予測精度の比較結果をご紹介します。
    ここでは、平均絶対誤差(MAE：Mean Absolute Error)を指標として使用します。データ数を増やすほどMAEが小さくなり、予測精度が向上していることが確認できます。 

    例えば学習データ数が4つの場合、AcuSolveとPhysicsAIの間には平均0.3℃の差があることを示します。最大最小の温度差が約5℃のため、誤差は 0.3/5 * 100 ＝ 約6％と評価できます。 

    以上のことから、本事例の場合、4ケース程度の少ない学習データ数でも、誤差を10%未満に抑えた予測が可能であることが示されました。 

     

    • physicsai_11

     

    前の記事

    ランニングにおける解析例

    ランニングにおける解析例

    次の記事

    AIによるリブ付き構造物の変位分布の予測

    AIによるリブ付き構造物の変位分布の予測

    RELATED

    関連記事はこちら

    AIによる解析結果の妥当性評価
    2026.06.16

    AIによる解析結果の妥当性評価

    CAE分野においても、LLMを活用した解析業務の効率化が求められるようになっています。今回は、Altair AI Stu...
    • 解析事例 構造解析
    • LS-DYNA
    AIによる評価レポートの自動生成と設計提案
    2026.06.16

    AIによる評価レポートの自動生成と設計提案

    大規模言語モデル（LLM）を活用し、Ansys LS-DYNAの解析結果から自動で評価レポートを生成し、設計提案まで行う...
    • 解析事例 構造解析
    • LS-DYNA
    AIによるLS-DYNA入力ファイルと条件書の整合性チェック
    2026.06.16

    AIによるLS-DYNA入力ファイルと条件書の整合性チェック

    近年、製品開発におけるCAE解析の重要性が高まっており、その信頼性向上が求められています。しかし、入力ファイルと条件書の...
    • 解析事例 構造解析
    • LS-DYNA
    Contact

    ご相談・資料の請求はこちら

    製品やサービスに関するご相談、導入に関するご質問等お気軽にお問い合わせください。
    各種資料をご希望の方は、資料請求フォームよりお申し込みいただけます。