Verbindungsausnutzung durch maschinelles Lernen vorhergesagt

Welche Lösung weist die höhere Ausnutzung auf?

Ist es effizienter, zwei Schraubenreihen M12 oder eine einzelne Schraubenreihe M16 zu verwenden?

Um diese Frage im typischen Arbeitsablauf zu beantworten, würde man eine Option modellieren, die Analyse durchführen, dann das Design ändern und eine weitere Berechnung ausführen. Jede Änderung bedeutet eine weitere Iteration, aber die Wahrheit ist, dass kaum ein Ingenieur Zeit hat, stundenlang zu iterieren, um die beste Lösung zu finden.

Aber was wäre, wenn es einen anderen Weg gäbe?

Sie könnten IDEA StatiCa maschinell erlernte Vorlagen verwenden und sofort die vorhergesagte Ausnutzung des Entwurfs sehen – und die Analyse erst dann ausführen, wenn Sie die beste Lösung gefunden haben. 

Wie sieht das in der Praxis aus?

In der Praxis ist dieser Ansatz nicht völlig neu. Er kommt der Denkweise erfahrener Ingenieure bereits sehr nahe.

Ein erfahrener Tragwerksplaner kann einen Stahlanschluss betrachten und sofort einschätzen, ob er sinnvoll oder potenziell problematisch ist. Nicht weil er in Sekundenschnelle alle Bauteilnachweise im Kopf durchgeht, sondern weil er bereits Hunderte oder Tausende ähnlicher Details gesehen hat.

Maschinelles Lernen funktioniert auf ähnliche Weise.

Es vergleicht die aktuelle Konfiguration mit einem großen Datensatz zuvor analysierter Entwürfe und schätzt deren Ausnutzung auf Basis der aus ähnlichen Situationen gewonnenen Erkenntnisse.

Dies ermöglicht es Ingenieuren, die oben gestellte Frage schnell zu beantworten. Mit nur wenigen Klicks kann ich erkennen, dass – wenn das Ziel eine maximale Ausnutzung ist – zwei Reihen von M12-Schrauben effizienter sind als eine einzelne Reihe von M16-Schrauben, noch bevor ich die Analyse überhaupt gestartet habe.

In Kombination mit parametrischem Design wird der Bemessungsprozess so einfach wie in Excel. 

Wie maschinelles Lernen in IDEA StatiCa eingesetzt wird

Maschinelles Lernen wird nicht eingesetzt, um die Tragwerksanalyse zu ersetzen, sondern um darauf aufzubauen. 

Die Einführung der CBFEM-Methode war ein bedeutender Fortschritt. Sie ermöglichte es Ingenieuren, jeden Stahlanschluss unabhängig von seiner Komplexität zu analysieren. Anstatt sich auf vereinfachte Annahmen zu stützen, können Ingenieure nun mit einem allgemein konsistenten Ansatz arbeiten.

Diese Allgemeinheit hat jedoch ihren Preis. Im Vergleich zu analytischen Methoden ist die FEM-basierte Analyse rechenintensiv. Dadurch wird die Untersuchung von Entwurfsvarianten zeitaufwändiger. Hier kommen die maschinell erlernten Vorlagen ins Spiel. Diese Vorlagen basieren direkt auf CBFEM. Anstatt die Physik zu vereinfachen, lernen sie aus ihr.

Eine große Anzahl von Verbindungskonfigurationen wird generiert und mit CBFEM ausgewertet. Jeder dieser Fälle, definiert durch Geometrie, Belastung, Bleche, Schweißnähte und Schrauben, liefert genaue Ergebnisse hinsichtlich der Ausnutzung. Dieser Datensatz wird dann verwendet, um ein maschinelles Lernmodell zu trainieren, das die Beziehung zwischen Eingangsparametern und dem tragwerksbezogenen Verhalten erfasst. Das Ergebnis ist ein prädiktives Modell, das die Ausnutzung einer Verbindung schätzen kann – ähnlich wie eine gut vorbereitete Excel-Tabelle.

Sobald der Benutzer mit der vorhergesagten Ausnutzung zufrieden ist, muss die abschließende Überprüfung durch Ausführen der Standard-Spannung-Dehnung-Berechnung durchgeführt werden. Nur das berechnete Ergebnis stellt den tatsächlichen Normnachweis gemäß der gewählten Norm dar.

Probieren Sie es selbst aus und sehen Sie, wie schnell Sie mehrere Bemessungsvarianten auswerten und vergleichen können, bevor Sie eine einzige Berechnung durchführen.