哪种方案的承载比更高？
使用两排 M12 螺栓还是单排 M16 螺栓，哪种方案更高效？
在典型工作流程中，要回答这个问题，需要先对一种方案建模、运行分析，然后修改设计并再次计算。每次修改都意味着新一轮迭代，但现实是，几乎没有工程师有时间花费数小时反复迭代以找到最优方案。
但如果有另一种方式呢？
您可以使用 IDEA StatiCa 机器学习模板，立即查看设计的预测承载比，仅在找到最优方案后再运行分析。
在实践中是什么样的？
在实践中，这种方法并非全新。它更接近于有经验的工程师已有的思维方式。
有经验的结构工程师看到一个钢结构节点，能立即判断其是否合理或存在潜在问题。这并非因为他能在几秒内在脑海中完成所有构件的校核，而是因为他此前已见过数百乃至数千个类似的构造详图。
机器学习的工作方式与此类似。
它将当前配置与大量已分析设计的数据集进行比较，并根据从类似情况中学到的规律估算其承载比。
这使工程师能够快速回答上述问题。只需几次点击，在运行分析之前，我就能看到：若目标是最大化承载比，两排 M12 螺栓比单排 M16 螺栓更高效。
结合 参数化设计，设计过程将像使用 Excel 一样简便。
机器学习在 IDEA StatiCa 中的应用方式
机器学习并非用于取代结构分析，而是在其基础上进一步拓展。
CBFEM（基于组件的有限元模型）方法的引入是一次重大进步。它使工程师能够分析任意复杂程度的钢结构节点，不再依赖简化假设，而是采用一种普遍一致的方法。
然而，这种通用性是有代价的。与解析方法相比，基于有限单元法的分析计算量更大，因此探索设计变体需要耗费更多时间。机器学习模板正是在这一环节发挥作用。机器学习模板直接构建于 CBFEM 之上，不是对物理规律进行简化，而是从中学习。
大量节点配置通过 CBFEM 生成并评估。每个算例由其几何形状、荷载、板件、焊缝和螺栓定义，并产生精确的承载比结果。该数据集随后用于训练机器学习模型，以捕捉输入参数与结构响应之间的关系。最终得到一个预测模型，能够估算节点的承载比，类似于一张准备充分的 Excel 表格。
一旦用户对预测承载比满意，最终验证必须通过运行标准应力/应变计算来完成。只有计算结果才代表依据所选规范进行的实际规范校核。
亲自尝试，看看在运行单次计算之前，您能以多快的速度评估多个设计方案并进行比较。
