现场智能：智能流程、解决方案和策略
在永无止境地追求创造更好的产品的过程中，最新的工具是一种称为“生成式设计”(GD) 的技术。 GD 算法接收高级要求作为输入，并生成最优设计作为输出。一个典型的场景是根据某些结构要求最小化安装支架的重量。
我可以告诉 GD 系统我需要什么样的刚度，然后算法将生成使重量最小化的支架形状。这通常是使用拓扑优化算法完成的，该算法会逐渐减少应力较低的材料，从而在不影响强度的情况下减轻重量。
结果通常是美丽的有机形状。
这听起来棒极了。可能会出什么问题？
首先，大多数零件的设计远比仅根据强度约束最小化重量要复杂得多。在实际设计中，要求千差万别d 复杂。您可能会关心零件的美观、安全性、可制造性、服务以及对法律和标准的遵守情况。使用增材制造消除了许多设计限制（并引入了新的限制），但仍然存在一长串其他问题。通常，无法将这些要求传达给“黑匣子”GD 算法。所以不能满足他们。我们需要一种更开放的机制来向 GD 算法传达要求。
其次，即使我们只关心最小化权重，也有很多方法可以实现这一点。使用传统的拓扑优化来削减材料是一种方法。但用格子结构代替实心材料，或用空心梁代替实心梁可能会更好。或者，在薄壁外壳零件中，我们可能会改变壁厚或减少壁厚，并在需要时添加结构肋。所有这些都是减肥的好方法，但它们不会由典型的 GD 算法考虑。我们需要能够告诉算法它应该做的不仅仅是削减材料。
最后，拓扑优化算法根据您给它们的起始形状产生截然不同的答案。一些 GD 算法只产生一个结果并假装它是最优的。其他人尝试各种不同的起点，产生几个不同的答案，然后通过一些启发式选择最好的一个。比较诚实的人承认不知道“最好”是什么意思，所以他们让你选择。
这三个问题的出现是因为典型的 GD 算法是一个神奇的黑盒子。你不知道它在内部做什么，当然也没有办法控制它。
有更好的方法。使用 nTopology 软件，您可以决定应考虑哪些要求，以及用于生成几何的技术。您创建以确定性方式自动生成设计的“工作流程”，您可以准确控制如何选择“最佳”设计。这种增加的透明度和控制是 GD 成功的关键。
最近在 Yamaichi Special Steel 所做的工作就是一个很好的例子。该公司能够进行高度复杂的设计（包括格子和有机形状），但实际设计它们很困难。最佳几何形状是特定于应用程序的，必须通过繁琐的反复试验才能找到。因此，Yamaichi 创建了可在数小时内自动生成数千个潜在设计的工作流程。然后，该公司使用专有应用程序为给定应用程序选择最佳结构。 Yamaichi Special Steel 的员工之所以成功，是因为他们控制了 GD 工艺；它无法控制它们。
