BOM Voyage

Siemens аналитический.

Мы не смогли удержаться от вопроса: что было бы, если бы Галактическая Империя получила доступ к инструментам моделирования Simcenter с поддержкой ИИ? В качестве примера наша команда использовала легендарный шагоход AT-ST из «Звёздных войн». Мы выполнили его обратное проектирование, чтобы продемонстрировать возможности современных CAE-систем. Проблема: уязвимость AT-ST к ударным нагрузкам (особенно при столкновении с древесными стволами, которыми пользовались эвоки). Решение: топологическая оптимизация Simcenter, моделирование ударных нагрузок и прогнозное моделирование на основе ИИ. Результаты: — Снижение массы на 15% (392 фунта, около 178 кг). — Существенное повышение безопасности пилота. — Более высокая прочность конструкции при ударе. — Улучшенная манёвренность. Но самое интересное — Simcenter PhysicsAI выполнил прогноз ударных нагрузок всего за 26 секунд, тогда как традиционное моделирование заняло бы 72 минуты. Это ускорение в 166 раз. И это не просто забавный пример по мотивам «Звёздных войн». Такой же подход — топологическая оптимизация, моделирование ударов и проектирование с использованием ИИ — уже сегодня меняет процессы разработки в автомобильной и аэрокосмической промышленности, помогая создавать более безопасные, лёгкие и эффективные конструкции. Ознакомьтесь с полным исследованием, чтобы увидеть, как ИИ и моделирование меняют современное проектирование.

https://blogs.sw.siemens.com/simcenter/star-wars-atst-walker/

Первая попытка. EVE-R5 — это метаново-кислородный ракетный двигатель с полнопоточной схемой ступенчатого сгорания, полностью спроектированный с помощью моей системы AI/CEM. В его конструкцию я заложил знания, накопленные за годы работы в космической отрасли, а также использовал материалы из базы данных NASA NTRS API. Двигатель включает полный комплект арматуры: основные клапаны подачи окислителя и топлива (MOV/MFV), клапаны трактов газогенераторов, а также клапаны продувки, раскрутки и обратные клапаны. Реализованы магистрали обслуживания с использованием гелия и азота, полный жгут авионики с распределительными коробками и кабелями, закреплёнными P-образными хомутами, теплозащитные панели силовой головки, а также полностью проработанные внутренние компоненты турбонасосных агрегатов: валы, индукторы, закрытые рабочие колёса насосов, турбины, подшипники и уплотнения.

https://www.linkedin.com/posts/dylansmall_first-attempt-eve-r5-is-a-full-flow-staged-combustion-ugcPost-7486493181904044032-ciUN

Стартап Hera получивший финансирование YCombinator представляет решение для автоматического ИИ-ревью конструкторской документации. https://www.manufacturingintelligence.org https://www.ycombinator.com/launches/RqI-hera-catches-thousand-dollar-drawing-mistakes-before-the-shop-floor

Например ещё одно, свежайшее и весьма актуальное — расчет аэродинамики дрона https://www.youtube.com/watch?v=y0Sh5C7e-cE

SimScale — это одна из наиболее известных облачных платформ для инженерного моделирования (CAE), а в частности для CFD (вычислительная гидро- и газодинамика) и FEA ( конечно-элементный анализ). https://www.simscale.com Их платформа включает: — Physics AI — модели, обученные на результатах высокоточных расчетов, позволяющие получать приближенные результаты практически мгновенно. — Engineering AI — ИИ-агентов, помогающих автоматически готовить модель, запускать расчеты, анализировать результаты и строить инженерные workflow. И собственно одно из демонстрационных видео работы ИИ подсистемы приложены к посту. В их ютуб канале подобных видео много, подробно показываются все аспекты системы, они не лупят абстрактные презентации, а уверено демонстрируют продукт лицом. С другой стороны демонстрируют не только продукт, но и себя любимых, очень много обсуждают друг с дружкой, естественно на английском, так что желающим взглянуть заранее к такому приготовиться. https://youtube.com/@simscalesimulation * у них ниша решений решений для задач среднего уровня сложности. Для реально сложных задач (горение, DEM, специализированные мультифизические модели, сложные пользовательские решатели) возможности пока уступают таким продуктам, как STAR-CCM+, ANSYS или COMSOL. Но зато весьма удобный интерфейс и относительно простое развертывание.

Программисты с развитием ИИ-разработки пришли к аналогичной проблеме - системы управлениями версиями файлов хранят историю изменений, но мотивация и иной контекст изменений сохраняется очень ограничено в виде описания коммитов (то есть самих изменений). Коментарии плохо работают, т.к. ими можно описать текущее состояние, причем ограничено, но не историю. Плюс слишком много комментариев снижает читабельность кода. Для интенсивной агентской разработки это становится препятствием - агент меняет код зачастую не владея контекстом - почему код был создан, почему изменялся, какие ранее обнаруженные проблемы связаны с ним. Ответом стали системы вроде Entire.io которые автоматически сохраняют не только код и его правки, но и контекст - ход рассужданий агента, которые привели к изменению, релевантную часть контекста, в рамках которого изменения происходили - например решаемые задачи. Вероятно с проникновением ИИ в инженерно-конструкторскую разработку будут выработаны такие же решения. Имеются в виду автоматические, а не "извещение об изменении" которое суть PR в программировании и очень слабо наполняет знания в конктексте структуры изделий, хотя и позволяет найти с некоторым усилием мотивацию если она была достаточно емко вручную описана. Извещение об изменении (кстати сокращается как ИИ, хех) выполняет роль скорее контрольного барьера и информирования о событии/намеренье, чем инструмента сохранения знания и контекста изменения.

Плюс статья на этот счёт: LEAP 71: Why engineering must move beyond CAD to realise the promise of AI and Additive Manufacturing Развитие искусственного интеллекта и аддитивного производства всё чаще показывает, что главным ограничением становится уже не производительность вычислений, а сама модель проектирования. Современные CAD-системы прекрасно описывают геометрию изделия, но практически не сохраняют знания, которые лежат в её основе. Традиционный процесс сводится к ручному построению трёхмерной модели. В результате цифровое представление содержит размеры и поверхности, но не включает физические зависимости, критерии оптимизации, технологические ограничения и логику принятых решений. Эти знания остаются в расчётах, документации и опыте разработчиков, поэтому их повторное использование значительно сложнее, чем в разработке программного обеспечения, где алгоритмы становятся частью конечного продукта. Альтернативой может быть вычислительное проектирование, при котором описывается не форма детали, а правила её построения: физические модели, допустимые диапазоны параметров, производственные ограничения и целевые функции. Геометрия становится результатом вычислений, а CAD — лишь одним из этапов процесса. Особенно важен такой подход для металлической 3D-печати. Аддитивное производство позволяет создавать конструкции, недоступные традиционной обработке, однако вручную проектировать их крайне сложно. Значительно эффективнее автоматически синтезировать форму на основе математической модели, физических расчётов и требований технологии. При этом большие языковые модели рассматриваются лишь как средство работы со знаниями, а не как инструмент непосредственного проектирования. Геометрия не содержит информации о нагрузках, теплообмене, прочности и особенностях производства, поэтому создание конструкции должно опираться на специализированную вычислительную систему, объединяющую физические модели, алгоритмы, результаты испытаний и технологические правила. Такой подход позволяет хранить не единственную CAD-модель, а цифровое описание принципов построения изделия, из которого автоматически получают конструктивные варианты, производственные данные и документацию. Именно переход от моделирования геометрии к моделированию знаний рассматривается как необходимое условие появления нового поколения систем проектирования, в которых искусственный интеллект работает с физикой и вычислительными моделями, а не с поверхностями деталей.

Leap 71 принялись осваивать печатать электродвигателей. Осталось добавить печать изоляции, и они уже работают над этим

Вебинар Altium https://resources.altium.com/p/ai-agents-engineering-requirements

Dassault Systèmes представила виртуальных компаньонов для AI-native агентной платформы 3DEXPERIENCE. Это виртуализированные знания и накопленная экспертиза корпоративного масштаба. AURA, LEO и MARIE открывают новый способ совместной работы с пользователями, позволяя вместе разрабатывать продукты, производственные активы и сервисы, решая сложные промышленные задачи быстрее и эффективнее. Каждая компетенция, представленная как набор специализированных навыков, помогает пользователям, выявляет скрытые закономерности, исследует ранее неиспользованные возможности и выполняет необходимые задачи в рамках промышленных процессов, охватывающих управление бизнесом, проектирование продуктов, конструирование, моделирование, производство и эксплуатацию. Виртуальные компаньоны выполняют законченные единицы работы, используя структурированные отраслевые знания и практический опыт для интерпретации намерений пользователя, рассуждения в промышленном контексте, принятия решений и, в конечном итоге, получения результатов, основанных на научных принципах и соответствующих реальным промышленным требованиям. https://www.3ds.com/products/latest-release

Aibuild OS, подключённая к Claude Fable и Rhino Compute, проанализировала чертёж и подготовила готовый к производству STEP-файл — полностью в браузере примерно за 30 минут. Никакой локальной установки, никакого ручного моделирования и никакого переключения между разными инструментами. Запросы, лежащие в основе подобных процессов, постепенно превращаются в Skills внутри Aibuild OS — это повторно используемые, специально разработанные инструкции для производственных и инженерных рабочих процессов, которые команды выполняют ежедневно. Чем больше ваша команда использует Aibuild OS, тем лучше система адаптируется именно к вашей организации и тем эффективнее справляется с наиболее важными для вас задачами. Преобразование 2D-чертежа в STEP-файл — один из самых распространённых процессов в инженерной практике. Теперь для этого достаточно одного запроса.

В России что-то подобное - это видимо "Техэксперт" https://suntd.ru Слабее по функциональному охвату судя по всему, просто большой каталог нормативно технической документации.

Также доступна 30-минутная демонстрация Seamlessly Connect Requirements into Your Model-Based Engineering Workflows, но просмотр полной записи требует заполнения формы, но это отложу на потом.

С интересом поискал картинки UI их управления требованиями (Accuris Thread) и нашёл например такое как на картинке. Весьма так аскетично, однако явно умеет извлекать требования и стандарты из традиционных американских отсканированных бумажных документов. И насколько я представляю ситуацию большинство информации (документов) именно так и представлено - низкокачественные сканы бумажного. Вот и извлекайте из такого требования для своих агентов. Жизнь - боль.

В Гданьске ведёт найм разработчиков американская компания ACCURIS https://accuristech.com Основной бизнес которой: — крупнейшая библиотека инженерных стандартов (2,8+ млн документов); — данные по более чем 1,2 млрд электронных компонентов; — ИИ-поиск по технической документации; — автоматическое отслеживание изменений стандартов; — анализ рисков цепочек поставок; требования (Requirements) и трассируемость. Наиболее интересны четыре продукта: 1) Engineering Workbench — интеллектуальная система работы со стандартами: семантический поиск, связи между стандартами, мониторинг изменений, интеграция с CAD, PLM и MBSE 2) Accuris Thread — практически Requirements Management: извлечение требований из документов, связь требований с исходными документами, сравнение требований, экспорт в ReqIF, API. 3) Goldfire — корпоративный поиск по инженерным знаниям: RAG, семантический поиск, генерация кратких ответов, работа одновременно с внутренними и внешними знаниями, интеграция с ERP, PLM, SharePoint. По сути это инженерная AI-платформа поверх корпоративной базы знаний. 4) Supply Chain Intelligence — поиск аналогов, контроль устаревания компонентов, анализ BOM, риски поставщиков, контрафакт, API для PLM/PDM/ERP. То есть Accuris — это один из наиболее сильных игроков в области инженерных знаний и требований. ——— Забавно, всегда казалось, что у американцев с инженерно-конструкторскими стандартами все гораздо более расслаблено, чем в ex-USSR, нет у них своего ЕСКД, а тут целые корпорации вокруг этой темы выстроены.

^^ В РФ-РБ стадия примерно "Ждём когда сбербанк сделает что-нибудь что можно использовать, продолжаем продуктивно совещаться и рисовать презентации" Так что до эйфории ещё года 2-3

РБК показал, как менялось отношение людей к ИИ разработке Исследователи выделили 3 фазы: 🟦 Эйфория 2023 - 2024. Запуск GitHub Copilot и невероятные возможности (на тот момент) ChatGPT. Статья 23 года показала, что разработчики с Copilot выполняли задачи на 55% быстрее. Исследование получило широкую огласку в СМИ. Хоть и не уточнялись детали эксперимента, но, несмотря на впечатляющие результаты, решенная задача не имела ничего общего с реальными задачами. К весне 2024 года гендиректора стали публично называть долю вайбкода как метригу успеха. 🟦 Отрезвление 2024-2025. В 24 году вышло исследование от Google. Вывод был в том, что рост внедрения ИИ на 25% сопровождался снижением стабильности поставки софта на 7,2%. Затем в 25 году вышло другое исследование, которое показало, что опытные разработчики с ИИ стали работать на 19% медленнее, при этом, они были уверенны, что ускорились на 20%. Этот прецедент подорвал доверие к опросам, где разработчики сообщали об ускорении, но также эта ситуация запустила цепочку из исследований/случаев, где ИИ приводил к росту числа уязвимостей. Также напомним о громком исследовании MIT: 95% корпоративных пилотов генеративного ИИ не дают измеримого эффекта на прибыль. 🟦 Зрелость 2026. Сейчас фокус с "Работает?" перешел на прагматичный "При каких условиях работает?". И разговоры уже не вокруг моделей, а о системе, которая превращает генерацию кода в готовый продукт. В отрасли растет понимание, что преимущество с ИИ можно получить при организационной и инженерной системы вокруг них. Это не еще один помощник, а еще один слой разработки.

Видео о Sapphire — ИИ/CEM, который я создал, используя совместно Leap 71 PicoGK и Autodesk Fusion MCP, чтобы спроектировать двигатель, вдохновлённый TFE731. В нём используется конструкция рабочего колеса (импеллера), ориентированная на максимально эффективное преобразование механической мощности вращающегося вала в кинетическую энергию потока рабочей среды.

Ничего не разобрать, но пускай будет, ладно.