🗾ITmedia AI+ (日本)•較早收集於 81m
JSOL 為 JSTAMP 沖壓成型模擬軟體新增 AI 功能
💡了解 AI 如何超越軟體範疇，進一步優化實體工業製造與材料科學。
⚡ 30-Second TL;DR
有什麼變化
將 AI 整合至 JSTAMP，以縮小模擬與實際生產之間的差距
為什麼重要
此整合減少了製造過程中實體試錯的次數，節省了成本與時間。這展示了 AI 在工業工程中解決複雜材料行為問題的實際應用。
下一步行動
如果您從事製造工程，請評估現有的模擬軟體如何整合基於機器學習的誤差修正功能，以減少實體原型製作的迭代次數。
誰應關注：Enterprise & Security Teams
關鍵要點
- •將 AI 整合至 JSTAMP，以縮小模擬與實際生產之間的差距
- •透過學習實體試作數據，自動修正模擬模型
- •顯著提升高強度鋼板回彈預測的準確度
🧠 深度解析
本篇為 AI 生成分析，非原文內容。
🔑 增強重點摘要
- •JSOL 的這項 AI 技術是基於與日本國立研究開發法人產業技術綜合研究所（AIST）的長期合作開發成果。
- •該 AI 模組採用了「代理模型」（Surrogate Modeling）技術，能將原本需要數小時的有限元素分析（FEA）運算縮短至秒級。
- •此功能特別針對汽車輕量化趨勢中常見的超高張力鋼板（UHSS）進行了參數優化，解決了傳統模擬在複雜幾何形狀下回彈預測失準的問題。
- •系統支援與現有的 CAD/CAE 工作流程無縫整合，允許工程師在不改變原有操作習慣的情況下調用 AI 修正建議。
- •JSOL 透過此更新推動「數位孿生」（Digital Twin）在沖壓製造領域的落地，實現從試作到量產的數據閉環管理。
📊 競品分析▸ Show
| 軟體名稱 | AI 功能重點 | 預測技術核心 | 適用領域 |
|---|---|---|---|
| JSOL JSTAMP | 回彈修正與代理模型 | 機器學習數據校正 | 汽車沖壓成型 |
| AutoForm-Sigma | 變異分析與製程穩健性 | 統計學與敏感度分析 | 鈑金成型製程 |
| Dynaform (ETA) | 快速成型模擬 | 傳統有限元素法 (FEM) | 模具設計與驗證 |
| PAM-STAMP (ESI) | 即時回彈補償 | 物理模擬與經驗法則 | 複雜鈑金件成型 |
🛠️ 技術深入
- 採用監督式學習演算法，利用歷史試作數據（包含測量點雲數據與模擬結果）進行訓練。
- 整合了非線性回彈補償演算法，能自動計算模具補償量（Springback Compensation）。
- 支援多目標優化（Multi-objective Optimization），在滿足成型性（如破裂、皺褶）的同時最小化回彈誤差。
- 系統架構包含數據預處理模組，可自動過濾雜訊並對齊實體測量數據與模擬網格。
🔮 前景展望AI analysis grounded in cited sources
沖壓模具開發週期將縮短 30% 以上
AI 輔助的自動修正功能減少了反覆試模（Try-out）的次數，直接降低了實體模具修改的頻率。
高強度鋼板在車體結構的應用比例將進一步提升
回彈預測準確度的提升降低了工程師對高強度鋼板加工難度的擔憂，促進了輕量化材料的普及。
⏳ 時間線
2015-04
JSOL 強化 JSTAMP 軟體功能，開始佈局沖壓模擬市場
2021-11
JSOL 宣布與 AIST 合作，探索 AI 在製造模擬中的應用
2024-06
JSTAMP 導入初步機器學習模組，用於優化成型條件
2026-05
JSOL 正式發布整合 AI 回彈修正功能的 JSTAMP 新版本
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： ITmedia AI+ (日本) ↗
每週 AI 簡報
每週一封，可隨時退訂。