Stopień wykorzystania połączenia przewidywany przez uczenie maszynowe

Które rozwiązanie jest bardziej wykorzystane?

Czy bardziej efektywne jest zastosowanie dwóch rzędów śrub M12, czy jednego rzędu śrub M16?

Aby odpowiedzieć na to pytanie w typowym procesie projektowania, należałoby zamodelować jeden wariant, uruchomić analizę, następnie zmodyfikować projekt i przeprowadzić kolejne obliczenia. Każda modyfikacja oznacza kolejną iterację, a prawda jest taka, że niemal żaden inżynier nie ma czasu na wielogodzinne iterowanie w poszukiwaniu optymalnego rozwiązania.

Ale co, gdyby istniał inny sposób?

Można skorzystać z szablonów IDEA StatiCa opartych na uczeniu maszynowym i natychmiast zobaczyć przewidywany stopień wykorzystania projektu, a analizę uruchamiać dopiero po znalezieniu najlepszego rozwiązania. 

Jak to wygląda w praktyce?

W praktyce takie podejście nie jest zupełnie nowe. Jest bliższe temu, jak myślą już doświadczeni inżynierowie.

Doświadczony inżynier konstruktor może spojrzeć na połączenie stalowe i natychmiast wyczuć, czy jest ono rozsądne, czy potencjalnie problematyczne. Nie dlatego, że w ciągu kilku sekund przeprowadza w głowie wszystkie sprawdzenia normowe komponentów, ale dlatego, że widział już setki lub tysiące podobnych szczegółów.

Uczenie maszynowe działa w podobny sposób.

Porównuje bieżącą konfigurację z dużym zbiorem danych wcześniej przeanalizowanych projektów i szacuje stopień jej wykorzystania na podstawie tego, czego nauczyło się z podobnych sytuacji.

Pozwala to inżynierom szybko odpowiedzieć na postawione powyżej pytanie. Za pomocą zaledwie kilku kliknięć mogę zobaczyć, że jeśli celem jest maksymalny stopień wykorzystania, dwa rzędy śrub M12 są bardziej efektywne niż jeden rząd śrub M16 — jeszcze przed uruchomieniem analizy.

W połączeniu z projektowaniem parametrycznym sprawia to, że proces projektowania jest tak prosty jak w Excelu. 

Jak uczenie maszynowe jest wykorzystywane w IDEA StatiCa

Uczenie maszynowe nie służy do zastępowania analizy konstrukcyjnej, lecz do budowania na jej podstawie. 

Wprowadzenie metody CBFEM było znaczącym krokiem naprzód. Umożliwiło inżynierom analizowanie dowolnego połączenia stalowego niezależnie od jego złożoności. Zamiast opierać się na uproszczonych założeniach, inżynierowie mogą teraz pracować z ogólnie spójnym podejściem.

Jednak ta ogólność ma swoją cenę. W porównaniu z metodami analitycznymi analiza oparta na MES jest obliczeniowo wymagająca. W rezultacie eksploracja wariantów projektowych staje się bardziej czasochłonna. Tu właśnie wkraczają szablony oparte na uczeniu maszynowym. Szablony uczenia maszynowego są budowane bezpośrednio na bazie CBFEM. Zamiast upraszczać fizykę, uczą się z niej.

Duża liczba konfiguracji połączeń jest generowana i oceniana przy użyciu CBFEM. Każdy z tych przypadków, zdefiniowany przez geometrię, obciążenie, blachy, spoiny i śruby, daje dokładne wyniki w zakresie stopnia wykorzystania. Ten zbiór danych jest następnie wykorzystywany do trenowania modelu uczenia maszynowego, który uchwytuje zależność między parametrami wejściowymi a odpowiedzią konstrukcji. Wynikiem jest model predykcyjny, który może szacować stopień wykorzystania połączenia, podobnie jak dobrze przygotowany arkusz Excel.

Gdy użytkownik jest zadowolony z przewidywanego stopnia wykorzystania, ostateczna weryfikacja musi zostać przeprowadzona poprzez uruchomienie standardowych obliczeń naprężenie/odkształcenie. Tylko obliczony wynik stanowi rzeczywiste sprawdzenie normowe zgodnie z wybraną normą.

Wypróbuj sam i przekonaj się, jak szybko możesz ocenić wiele wariantów projektowych i porównać je przed uruchomieniem choćby jednego obliczenia.