¿Cuál es la solución más utilizada?
¿Es más eficiente usar dos filas de tornillos M12 o una sola fila de tornillos M16?
Para responder a esta pregunta en un flujo de trabajo típico, modelaríamos una opción, ejecutaríamos el análisis, luego modificaríamos el diseño y ejecutaríamos otro cálculo. Cada modificación implica una nueva iteración, pero la realidad es que casi ningún ingeniero tiene tiempo para pasar horas iterando sobre cuál es la mejor opción.
¿Pero qué pasaría si hubiera una forma diferente?
Podría usar plantillas de aprendizaje automático de IDEA StatiCa y ver inmediatamente la predicción de la utilización del diseño, y ejecutar el análisis solo cuando encuentre la mejor opción.
¿Cómo se ve esto en la práctica?
En la práctica, este enfoque no es del todo nuevo. Se acerca más a cómo los ingenieros experimentados ya piensan.
Un ingeniero estructural experimentado puede mirar una unión de acero e intuir de inmediato si es razonable o potencialmente problemática. No porque repase todas las verificaciones de los componentes en su cabeza en cuestión de segundos, sino porque ha visto cientos o miles de detalles similares antes.
El aprendizaje automático funciona de manera similar.
Compara la configuración actual con un gran conjunto de datos de diseños analizados previamente y estima su utilización basándose en lo que ha aprendido de situaciones similares.
Esto permite a los ingenieros responder rápidamente a la pregunta planteada anteriormente. Con solo unos pocos clics, puedo ver que, si el objetivo es la utilización máxima, dos filas de tornillos M12 son más eficientes que una sola fila de tornillos M16, antes incluso de ejecutar el análisis.
Combinado con el diseño paramétrico, hace que el proceso de diseño sea tan sencillo como en Excel.
Cómo se utiliza el aprendizaje automático en IDEA StatiCa
El aprendizaje automático no se utiliza para reemplazar el análisis estructural, sino para complementarlo.
La introducción del método CBFEM supuso un gran avance. Permitió a los ingenieros analizar cualquier unión de acero independientemente de su complejidad. En lugar de basarse en hipótesis simplificadas, los ingenieros pueden ahora trabajar con un enfoque generalmente coherente.
Sin embargo, esta generalidad tiene un coste. En comparación con los métodos analíticos, el análisis basado en el Método de los Elementos Finitos es computacionalmente exigente. Como resultado, explorar variantes de diseño se vuelve más laborioso. Aquí es donde entran en juego las plantillas de aprendizaje automático. Las plantillas de aprendizaje automático se construyen directamente sobre CBFEM. En lugar de simplificar la física, aprenden de ella.
Se genera y evalúa un gran número de configuraciones de uniones mediante CBFEM. Cada uno de estos casos, definido por su geometría, cargas, placas, soldaduras y tornillos, produce resultados precisos en términos de utilización. Este conjunto de datos se utiliza luego para entrenar un modelo de aprendizaje automático que captura la relación entre los parámetros de entrada y la respuesta estructural. El resultado es un modelo predictivo que puede estimar la utilización de una unión, similar a una hoja Excel bien preparada.
Una vez que el usuario está satisfecho con la utilización predicha, la verificación final debe realizarse ejecutando el cálculo estándar de tensión/deformación. Solo el resultado calculado representa la verificación normativa real según la normativa seleccionada.
Pruébelo usted mismo y vea con qué rapidez puede evaluar múltiples opciones de diseño y compararlas antes de ejecutar un solo cálculo.
