Predikce využití pomocí modelu strojového učení

Tato funkce je dostupná pro vybrané parametrické šablony přípojů zahrnuté v předdefinované sadě IDEA StatiCa. Ve verzi 26.0 podporuje predikci pouze omezený počet šablon, ale pokrytí bude postupně rozšiřováno v budoucích verzích.

U podporovaných šablon je predikované využití zobrazeno přímo ve scéně, čímž poskytuje okamžitou zpětnou vazbu o očekávané únosnosti aktuální konfigurace. Zobrazená hodnota představuje odhad generovaný modelem strojového učení.

Metoda predikce

Predikované využití je založeno na modelu strojového učení trénovaném na rozsáhlém souboru dat předem vypočtených variant přípojů. Pro každou podporovanou parametrickou šablonu byly automaticky vygenerovány desítky tisíc modelů s různými kombinacemi parametrů.

Všechny tyto modely byly plně vypočteny pomocí standardní analýzy v IDEA StatiCa Connection. Na základě výsledků byl natrénován model strojového učení pro predikci využití šablony pro nové kombinace parametrů, které nebyly předem explicitně vypočteny.

Tento přístup poskytuje rychlý odhad využití přípoje bez nutnosti spouštět plný výpočet po každé změně parametru.

Jak je predikce vyhodnocována

Pro každou podporovanou parametrickou šablonu model strojového učení zohledňuje geometrii a parametry šablony spolu se složkami zatížení použitými při tréninku.

Když uživatel upraví parametr šablony (např. tloušťku plechu, velikost šroubu nebo okrajové vzdálenosti), predikované využití se okamžitě aktualizuje. To umožňuje uživateli rychle posoudit, zda je aktuální konfigurace blíže nebo dále od očekávané únosnosti.

Přínosy predikovaného využití pro uživatele

Díky predikovanému využití může uživatel optimalizovat konfiguraci přípoje bez opakovaného spouštění plného výpočtu. Predikce poskytuje okamžitou zpětnou vazbu při změnách parametrů.

Jakmile je uživatel spokojen s predikovaným využitím, musí být vždy provedeno závěrečné ověření spuštěním standardního výpočtu napětí/přetvoření. Pouze vypočtený výsledek představuje skutečné normové posouzení podle vybrané normy.

Tento přístup výrazně urychluje proces návrhu, protože již není nutné ověřovat každou mezilehlou variantu návrhu výpočtem.

Zobrazená predikce ve scéně

Pokud je v projektu definováno více účinků zatížení, predikované využití zobrazené ve scéně vždy odpovídá účinku zatížení, při kterém přípoj dosahuje nejvyššího využití. Predikce pro ostatní účinky zatížení nejsou zobrazeny současně.

Podobně, pokud jsou v rámci jednoho modelu přípoje použity dvě nebo více parametrických šablon, predikované využití zobrazené ve scéně představuje nejvíce využitou šablonu, nikoli využití styčníku jako celku, protože vzájemné působení kombinovaných šablon není zohledněno.

Predikovaná využití pro jednotlivé šablony lze zobrazit výběrem každé šablony samostatně. To umožňuje uživateli posoudit odhadované využití každé šablony nezávisle, přičemž je třeba mít na paměti, že zobrazená hodnota nepředstavuje kombinované chování celého modelu přípoje.

Omezení

Predikované využití je určeno k poskytnutí rychlého odhadu při návrhu přípoje. Při interpretaci zobrazené hodnoty je důležité porozumět předpokladům použitým při tréninku modelu strojového učení a z nich vyplývajícím inherentním omezením.

Pro predikované využití platí následující omezení:

 1  Hlediska zatížení

• Omezené složky zatížení – Trénink každé šablony zahrnoval pouze dvě složky zatížení (např. Vz a My), přičemž případy kotvení byly trénovány pro tři složky. Ostatní složky zatížení nejsou pro predikci zohledněny. Pokud jsou tyto složky rozhodující pro chování přípoje, může se predikované využití výrazně lišit od vypočteného výsledku.
• Pouze připojený prvek – Predikce zohledňuje zatížení působící pouze na připojený prvek. Zatížení působící na podporující prvek není zahrnuto. Pokud je podporující prvek výrazně zatížen, může být vypočtený výsledek podstatně méně příznivý než predikce.

2  Předpoklady modelování

• Předpokládány tupé (CJP) svary – Modely byly trénovány s předpokladem tupých (CJP) svarů. Velikost svaru proto není v predikovaném využití zohledněna. Pokud je rozhodující únosnost svaru, může se predikce výrazně lišit od vypočteného výsledku. Automatický návrh svarů s nadpevností, pro plnou únosnost, minimální duktilitu nebo odhad únosnosti je dostupný v kontextovém menu položky projektu.
• Vyžadována výchozí nastavení projektu – Predikované využití poskytuje spolehlivé výsledky pouze tehdy, pokud nastavení projektu odpovídají nastavení použitému při tréninku. To znamená, že musí být použita výchozí nastavení projektu, zejména součinitele bezpečnosti, nastavení sítě, výchozí délky a dělení segmentů.

3  Dostupnost

• Pouze pro návrhové normy EN a AISC.
• Pouze při vybrané analýze napětí–přetvoření.
• Je vyžadováno připojení k internetu.
  

4  Úpravy šablon

• Záložka Vývojář a změny konstrukčního schématu – Pokud uživatel upraví šablonu na záložce Vývojář (např. odstraní parametry, změní limity parametrů) nebo vybere jiný podporující prvek, predikce přestane být dostupná. V takových případech algoritmus nemůže kontrolovat, jak moc se upravený přípoj liší od původní natrénované šablony.
• Geometrické změny – Některé geometrické změny se zatím v predikovaném využití neprojeví. Například změna úhlu nebo excentricity osy připojeného prvku není zohledněna a v takových případech se může predikované využití výrazně lišit od vypočteného výsledku.
• Dodatečné operace – Pokud je k šabloně přidána dodatečná operace (např. výztuha), predikované využití bude stále zobrazeno, ale vliv této operace není v predikci zahrnut.
  

5  Více šablon

• Pokud je v rámci jednoho modelu přípoje použito více šablon, lze využití každé šablony predikovat samostatně. Jejich vzájemné působení však není zohledněno.

Závěrečná poznámka

Predikované využití by mělo být vždy chápáno jako odhad. Nástroje strojového učení nemohou nahradit plný konstrukční výpočet provedený inženýrem.

Predikce může přinést výraznou úsporu času při optimalizaci přípoje tím, že umožňuje rychlé porovnání různých konfigurací parametrů.

Uvedená omezení budou postupně snižována s dalším rozvojem procesu strojového učení a trénovacích datových sad. Zároveň bude nadále přibývat počet podporovaných parametrických šablon s funkcí predikce.