Qual é a solução com maior utilização?
É mais eficiente utilizar duas filas de parafusos M12 ou uma única fila de parafusos M16?
Para responder a esta questão num fluxo de trabalho típico, modelaríamos uma opção, executaríamos a análise, modificaríamos o dimensionamento e executaríamos outro cálculo. Cada modificação implica uma nova iteração, mas a verdade é que quase nenhum engenheiro tem tempo para passar horas a iterar sobre o que é melhor.
Mas e se existisse uma forma diferente?
Poderia utilizar os modelos com aprendizagem automática do IDEA StatiCa e ver imediatamente a utilização prevista do dimensionamento, executando a análise apenas quando encontrar a melhor solução.
Como é na prática?
Na prática, esta abordagem não é inteiramente nova. Está mais próxima da forma como os engenheiros experientes já pensam.
Um engenheiro estrutural experiente pode observar uma ligação de aço e perceber imediatamente se é razoável ou potencialmente problemática. Não porque percorra mentalmente todas as verificações dos componentes em segundos, mas porque já viu centenas ou milhares de detalhes semelhantes anteriormente.
A aprendizagem automática funciona de forma semelhante.
Compara a configuração atual com um grande conjunto de dados de dimensionamentos previamente analisados e estima a sua utilização com base no que aprendeu de situações semelhantes.
Isto permite aos engenheiros responder rapidamente à questão levantada acima. Com apenas alguns cliques, posso ver que, se o objetivo é a utilização máxima, duas filas de parafusos M12 são mais eficientes do que uma única fila de parafusos M16, antes mesmo de executar a análise.
Combinado com o dimensionamento paramétrico, torna o processo de dimensionamento tão simples como no Excel.
Como a aprendizagem automática é utilizada no IDEA StatiCa
A aprendizagem automática não é utilizada para substituir a análise estrutural, mas sim para complementá-la.
A introdução do método CBFEM foi um grande passo em frente. Permitiu aos engenheiros analisar qualquer ligação de aço independentemente da sua complexidade. Em vez de recorrer a hipóteses simplificadas, os engenheiros podem agora trabalhar com uma abordagem geralmente consistente.
No entanto, esta generalidade tem um custo. Em comparação com os métodos analíticos, a análise baseada em MEF é computacionalmente exigente. Como resultado, a exploração de variantes de dimensionamento torna-se mais demorada. É aqui que entram os modelos com aprendizagem automática. Os modelos com aprendizagem automática são construídos diretamente sobre o CBFEM. Em vez de simplificarem a física, aprendem a partir dela.
Um grande número de configurações de ligações é gerado e avaliado utilizando o CBFEM. Cada um destes casos, definido pela sua geometria, carregamento, chapas, soldaduras e parafusos, produz resultados precisos em termos de utilização. Este conjunto de dados é então utilizado para treinar um modelo de aprendizagem automática que captura a relação entre os parâmetros de entrada e a resposta estrutural. O resultado é um modelo preditivo que pode estimar a utilização de uma ligação, semelhante a uma folha de cálculo Excel bem preparada.
Quando o utilizador estiver satisfeito com a utilização prevista, a verificação final deve ser realizada executando o cálculo padrão de tensão/deformação. Apenas o resultado calculado representa a verificação normativa efetiva de acordo com a norma selecionada.
Experimente por si mesmo e veja com que rapidez pode avaliar múltiplas opções de dimensionamento e compará-las antes de executar um único cálculo.
