消費品包裝必須滿足許多不同的要求，包括成本、重量、強度和永續性。機器學習使包裝製造商能夠比傳統模擬方法更快地了解設計變更的影響，並快速探索整個設計空間以找到創新的新包裝設計。支援人工智慧的建模模擬 (MODSIM) 正在加速消費品和零售業的產品開發，並降低製造成本和產品重量。
為什麼包裝產業需要模擬？
幾乎所有到達您家門口或當地超市貨架上的產品都因其包裝而在旅途中保持新鮮、乾淨且完好無損。從鹽到智慧型手機，消費品的包裝必須經過精心設計，以確保它不會在生產線中造成問題，並且足夠堅固和防水，能夠承受運輸壓力，同時又要輕便，對購買者有吸引力。永續發展目標增加了額外的挑戰，因為必須減少材料的使用，並增加回收、可回收或可生物降解材料的比例。
使用 SIMULIA Abaqus技術進行有限元素分析 (FEA) 模擬可協助設計人員和包裝經理了解包裝在現實場景中的效能，而無需建立實體原型。它還支援實驗設計 (DoE) 和最佳化研究，可以探索整個設計空間，以找到不同因素之間的最佳權衡。
從設計週期一開始就使用模擬是最有用的。建模模擬 (MODSIM)允許在初始概念階段使用模擬，直接根據設計資料建立模擬模型。這不僅加快了開發進程，還意味著可以更早發現潛在問題並找出並解決根本原因。
人工智慧和機器學習如何幫助包裝模擬？
支援 AI 的 MODSIM 是 MODSIM 的下一步，利用機器學習的力量使模擬速度更快，對設計人員更有用。透過經典的有限元素分析，對於每個設計變體，都必須從頭開始再次模擬物理過程。人工智慧機器學習可以立即為任何設計變體提供結果並加速流程。
只需要執行一些覆蓋包裝設計空間代表性區域的模擬。然後將它們用於訓練神經網絡，該網絡學習幾何形狀與其物理屬性的關係。時間瞬態和穩態標量物理響應以及 3D 全場預測都可以建模，從而為產品設計提供資訊豐富且更有效率的環境。
產生的替代模型根據進一步的模擬進行驗證，如果達到可接受的精度水平，則可以使用它來計算任何設計變體的包裝行為。
使用機器學習，設計人員可以在幾秒鐘內找到最佳權衡，並透過即時回饋了解設計變更的影響。探索更多的設計空間可以顯著縮短封裝開發流程，同時實現雄心勃勃的成本、重量和永續性目標。借助支援 AI 的 MODSIM，模擬和機器學習工具也可以在易於使用的介面中使用，使非專家使用者也能使用它們。人工智慧並沒有取代人類的工作，而是與設計師一起工作，提供有關設計的即時回饋。
了解有關達梭系統 SIMULIA AI 包裝模擬解決方案的更多訊息
您始終可以在 SIMULIA 社群中查看機器學習 Wiki上的材料集合。此 Wiki 包含使用模擬資料訓練神經網路的詳細說明以及有關該主題的文章和網路研討會的連結。
結論
人工智慧和機器學習正在幫助 CPG 產業應對現代包裝設計的挑戰。機器學習加速了模擬和設計探索過程，幫助設計人員減輕重量和成本，並提高強度和永續性。達梭系統的人工智慧解決方案整合到其既定的消費品產業工作流程中，將機器學習技術與一流的實體模擬技術相結合。
原文轉載來自: Katie Corey – Accelerating Packaging Design with AI and Machine Learning
看更多其他文章：
