Melyik megoldás a jobban kihasznált?
Hatékonyabb-e két sor M12-es csavart vagy egy sor M16-os csavart alkalmazni?
Ennek a kérdésnek a megválaszolásához a tipikus munkafolyamatban az egyik lehetőséget modellezzük, futtatjuk az analízist, majd módosítjuk a tervezést és elvégzünk egy újabb számítást. Minden módosítás újabb iterációt jelent, de a valóság az, hogy szinte egyetlen mérnöknek sincs ideje órákat tölteni azzal, hogy meghatározza a legjobb megoldást.
De mi lenne, ha létezne egy másik módszer?
Használhatja az IDEA StatiCa gépi tanulással készített sablonjait, és azonnal láthatja a tervezés előrejelzett kihasználtságát, majd csak akkor futtatja az analízist, amikor megtalálta a legjobb megoldást.
Hogyan néz ki ez a gyakorlatban?
A gyakorlatban ez a megközelítés nem teljesen új. Közelebb áll ahhoz, ahogyan a tapasztalt mérnökök már gondolkodnak.
Egy tapasztalt statikus mérnök ránézhet egy acél kapcsolatra, és azonnal megérzi, hogy az ésszerű-e vagy esetleg problémás. Nem azért, mert másodpercek alatt végigfutja fejben az összes szerkezeti elem ellenőrzését, hanem mert már több száz vagy ezer hasonló részletet látott korábban.
A gépi tanulás hasonló módon működik.
Az aktuális konfigurációt összehasonlítja a korábban elemzett tervezések nagy adatbázisával, és a hasonló helyzetekből tanultak alapján becsüli meg a kihasználtságát.
Ez lehetővé teszi a mérnökök számára, hogy gyorsan megválaszolják a fent feltett kérdést. Néhány kattintással láthatom, hogy ha a cél a maximális kihasználtság, akkor két sor M12-es csavar hatékonyabb, mint egy sor M16-os csavar – még mielőtt egyáltalán futtatnám az analízist.
A parametrikus tervezéssel kombinálva a tervezési folyamat olyan egyszerűvé válik, mint az Excelben.
Hogyan alkalmazza az IDEA StatiCa a gépi tanulást
A gépi tanulást nem a szerkezeti analízis helyettesítésére használják, hanem arra, hogy arra építkezzenek.
A CBFEM módszer bevezetése jelentős előrelépés volt. Lehetővé tette a mérnökök számára, hogy bármilyen acél kapcsolatot elemezzenek, függetlenül annak összetettségétől. Az egyszerűsített feltételezésekre való támaszkodás helyett a mérnökök most egy általánosan következetes megközelítéssel dolgozhatnak.
Ez az általánosság azonban ára van. Az analitikai módszerekhez képest a végeselem-módszeren alapuló analízis számításigényes. Ennek eredményeként a tervezési változatok feltárása időigényesebbé válik. Itt lép be a gépi tanulással készített sablonok szerepe. A gépi tanulási sablonok közvetlenül a CBFEM-re épülnek. Ahelyett, hogy egyszerűsítenék a fizikát, abból tanulnak.
Nagy számú kapcsolat-konfiguráció kerül generálásra és kiértékelésre CBFEM segítségével. Ezek az esetek – amelyeket geometriájuk, terhelésük, lemezeik, hegesztéseik és csavarjaik határoznak meg – pontos eredményeket adnak a kihasználtság tekintetében. Ezt az adatbázist ezután egy gépi tanulási modell betanítására használják, amely megragadja a bemeneti paraméterek és a szerkezeti válasz közötti összefüggést. Az eredmény egy prediktív modell, amely képes becsülni egy kapcsolat kihasználtságát, hasonlóan egy jól elkészített Excel-táblázathoz.
Miután a felhasználó elégedett az előrejelzett kihasználtsággal, a végső ellenőrzést a szabványos feszültség/alakváltozás számítás futtatásával kell elvégezni. Csak a számított eredmény jelenti a tényleges szabványellenőrzést a kiválasztott tervezési szabvány szerint.
Próbálja ki maga, és nézze meg, milyen gyorsan értékelhet több tervezési lehetőséget, és hasonlíthatja össze azokat egyetlen számítás futtatása előtt.
