Care este soluția cu gradul de utilizare mai mare?
Este mai eficient să folosiți două rânduri de șuruburi M12 sau un singur rând de șuruburi M16?
Pentru a răspunde la această întrebare într-un flux de lucru tipic, am modela o opțiune, am rula analiza, apoi am modifica proiectul și am rula un alt calcul. Fiecare modificare înseamnă o altă iterație, dar adevărul este că aproape niciun inginer nu are timp să petreacă ore iterând pentru a găsi cea mai bună soluție.
Dar dacă ar exista o altă modalitate?
Ați putea folosi șabloanele bazate pe învățare automată din IDEA StatiCa și să vedeți imediat gradul de utilizare prezis al proiectului, rulând analiza doar atunci când găsiți cea mai bună variantă.
Cum arată în practică?
În practică, această abordare nu este complet nouă. Este mai aproape de modul în care inginerii experimentați gândesc deja.
Un inginer structurist experimentat poate privi o îmbinare metalică și poate simți imediat dacă aceasta este rezonabilă sau potențial problematică. Nu pentru că parcurge toate verificările componentelor în minte în câteva secunde, ci pentru că a văzut sute sau mii de detalii similare înainte.
Învățarea automată funcționează într-un mod similar.
Compară configurația curentă cu un set mare de date din proiecte analizate anterior și estimează gradul de utilizare pe baza a ceea ce a învățat din situații similare.
Aceasta le permite inginerilor să răspundă rapid la întrebarea ridicată mai sus. Cu doar câteva clicuri, pot vedea că, dacă obiectivul este gradul maxim de utilizare, două rânduri de șuruburi M12 sunt mai eficiente decât un singur rând de șuruburi M16, înainte de a rula analiza.
Combinat cu proiectarea parametrică, procesul de proiectare devine la fel de simplu ca în Excel.
Cum este utilizată învățarea automată în IDEA StatiCa
Învățarea automată nu este utilizată pentru a înlocui analiza structurală, ci pentru a se construi pe baza acesteia.
Introducerea metodei CBFEM a reprezentat un pas major înainte. A permis inginerilor să analizeze orice îmbinare metalică, indiferent de complexitatea sa. În loc să se bazeze pe ipoteze simplificate, inginerii pot lucra acum cu o abordare consecventă în general.
Cu toate acestea, această generalitate vine cu un cost. Comparativ cu metodele analitice, analiza bazată pe MEF este solicitantă din punct de vedere computațional. Ca urmare, explorarea variantelor de proiectare devine mai consumatoare de timp. Aici intervin șabloanele bazate pe învățare automată. Șabloanele de învățare automată sunt construite direct pe baza CBFEM. În loc să simplifice fizica, ele învață din aceasta.
Un număr mare de configurații de îmbinări sunt generate și evaluate folosind CBFEM. Fiecare dintre aceste cazuri, definit prin geometria sa, încărcări, plăci, suduri și șuruburi, produce rezultate precise în termeni de grad de utilizare. Acest set de date este apoi utilizat pentru a antrena un model de învățare automată care surprinde relația dintre parametrii de intrare și răspunsul structural. Rezultatul este un model predictiv care poate estima gradul de utilizare al unei îmbinări, similar cu un Excel bine pregătit.
Odată ce utilizatorul este mulțumit de gradul de utilizare prezis, verificarea finală trebuie efectuată prin rularea calculului standard de tensiuni/deformații. Doar rezultatul calculat reprezintă verificarea conform codului de proiectare selectat.
Încercați singuri și vedeți cât de rapid puteți evalua mai multe opțiuni de proiectare și le puteți compara înainte de a rula un singur calcul.
