Využití přípoje predikované strojovým učením

Které řešení je více využito?

Je efektivnější použít dva řady šroubů M12, nebo jeden řad šroubů M16?

Abychom na tuto otázku odpověděli v typickém pracovním postupu, museli bychom namodelovat jednu variantu, spustit analýzu, poté upravit návrh a spustit další výpočet. Každá úprava znamená další iteraci, ale pravdou je, že téměř žádný inženýr nemá čas trávit hodiny iterováním toho, co je nejlepší.

Co kdybychom ale měli jiný způsob?

Můžete použít šablony IDEA StatiCa naučené strojovým učením a okamžitě vidět předpovídané využití návrhu a spustit analýzu až tehdy, kdy najdete nejlepší variantu. 

Jak to vypadá v praxi?

V praxi tento přístup není zcela nový. Je blíže tomu, jak již přemýšlejí zkušení inženýři.

Zkušený stavební inženýr se může podívat na ocelový přípoj a okamžitě vycítit, zda je rozumný nebo potenciálně problematický. Ne proto, že by v hlavě během několika sekund prošel všechna normová posouzení jednotlivých komponent, ale proto, že již viděl stovky nebo tisíce podobných detailů.

Strojové učení funguje podobným způsobem.

Porovnává aktuální konfiguraci s rozsáhlým souborem dat dříve analyzovaných návrhů a odhaduje její využití na základě toho, co se naučilo z podobných situací.

To umožňuje inženýrům rychle odpovědět na výše položenou otázku. Pomocí několika kliknutí mohu vidět, že pokud je cílem maximální využití, dva řady šroubů M12 jsou efektivnější než jeden řad šroubů M16 – ještě před spuštěním analýzy.

V kombinaci s parametrickým návrhem je proces návrhu stejně snadný jako v Excelu. 

Jak je strojové učení využíváno v IDEA StatiCa

Strojové učení není používáno k nahrazení konstrukční analýzy, ale k tomu, aby na ní stavělo. 

Zavedení metody CBFEM byl významný krok vpřed. Umožnilo inženýrům analyzovat jakýkoli ocelový přípoj bez ohledu na jeho složitost. Namísto spoléhání na zjednodušené předpoklady mohou inženýři nyní pracovat s obecně konzistentním přístupem.

Tato obecnost však má svou cenu. Ve srovnání s analytickými metodami je analýza založená na metodě konečných prvků výpočetně náročná. V důsledku toho je prozkoumávání variant návrhu časově náročnější. Zde přicházejí ke slovu šablony naučené strojovým učením. Šablony strojového učení jsou postaveny přímo na základě CBFEM. Namísto zjednodušování fyziky se z ní učí.

Velké množství konfigurací přípojů je generováno a vyhodnocováno pomocí CBFEM. Každý z těchto případů, definovaný svou geometrií, zatížením, plechy, svary a šrouby, přináší přesné výsledky z hlediska využití. Tento soubor dat je poté použit k trénování modelu strojového učení, který zachycuje vztah mezi vstupními parametry a konstrukční odezvou. Výsledkem je prediktivní model, který dokáže odhadnout využití přípoje, podobně jako dobře připravený Excel.

Jakmile je uživatel spokojen s předpovídaným využitím, musí být provedeno závěrečné ověření spuštěním standardního výpočtu napětí/přetvoření. Pouze vypočtený výsledek představuje skutečné normové posouzení podle vybrané normy.

Vyzkoušejte to sami a přesvědčte se, jak rychle můžete vyhodnotit více variant návrhu a porovnat je před spuštěním jediného výpočtu.