Taux de travail de l'assemblage prédit par apprentissage automatique

Quelle est la solution la plus sollicitée ?

Est-il plus efficace d'utiliser deux rangées de boulons M12 ou une seule rangée de boulons M16 ?

Pour répondre à cette question dans un flux de travail classique, nous modéliserions une option, lancerions l'analyse, puis modifierions la conception et lancerions un autre calcul. Chaque modification implique une nouvelle itération, mais la réalité est que presque aucun ingénieur n'a le temps de passer des heures à itérer pour trouver la meilleure solution.

Mais et s'il existait une autre façon de procéder ?

Vous pourriez utiliser les modèles appris par machine d'IDEA StatiCa et voir immédiatement le taux de travail prédit de la conception, puis lancer l'analyse uniquement lorsque vous avez trouvé la meilleure solution. 

À quoi cela ressemble-t-il en pratique ?

En pratique, cette approche n'est pas entièrement nouvelle. Elle se rapproche davantage de la façon dont les ingénieurs expérimentés pensent déjà.

Un ingénieur structure expérimenté peut regarder un assemblage acier et sentir immédiatement s'il est raisonnable ou potentiellement problématique. Non pas parce qu'il effectue mentalement toutes les vérifications des composants en quelques secondes, mais parce qu'il a déjà vu des centaines ou des milliers de détails similaires.

L'apprentissage automatique fonctionne de manière similaire.

Il compare la configuration actuelle à un large ensemble de données de conceptions analysées précédemment et estime son taux de travail en se basant sur ce qu'il a appris de situations similaires.

Cela permet aux ingénieurs de répondre rapidement à la question posée ci-dessus. En quelques clics seulement, je peux voir que, si l'objectif est un taux de travail maximal, deux rangées de boulons M12 sont plus efficaces qu'une seule rangée de boulons M16, avant même de lancer l'analyse.

Combinée à la conception paramétrique, elle rend le processus de conception aussi simple que dans Excel. 

Comment l'apprentissage automatique est utilisé dans IDEA StatiCa

L'apprentissage automatique n'est pas utilisé pour remplacer l'analyse structurelle, mais pour s'appuyer sur elle. 

L'introduction de la méthode CBFEM a constitué une avancée majeure. Elle a permis aux ingénieurs d'analyser tout assemblage acier quelle que soit sa complexité. Au lieu de s'appuyer sur des hypothèses simplifiées, les ingénieurs peuvent désormais travailler avec une approche globalement cohérente.

Cependant, cette généralité a un coût. Par rapport aux méthodes analytiques, l'analyse par éléments finis est exigeante en termes de calcul. En conséquence, l'exploration de variantes de conception devient plus chronophage. C'est là qu'interviennent les modèles appris par machine. Les modèles d'apprentissage automatique sont construits directement sur la base du CBFEM. Au lieu de simplifier la physique, ils apprennent à partir d'elle.

Un grand nombre de configurations d'assemblages sont générées et évaluées à l'aide du CBFEM. Chacun de ces cas, défini par sa géométrie, son chargement, ses platines, ses soudures et ses boulons, produit des résultats précis en termes de taux de travail. Cet ensemble de données est ensuite utilisé pour entraîner un modèle d'apprentissage automatique qui capture la relation entre les paramètres d'entrée et la réponse structurelle. Le résultat est un modèle prédictif capable d'estimer le taux de travail d'un assemblage, à l'instar d'un fichier Excel bien préparé.

Une fois que l'utilisateur est satisfait du taux de travail prédit, la vérification finale doit être effectuée en lançant le calcul standard contrainte/déformation. Seul le résultat calculé représente la vérification normative réelle selon le code sélectionné.

Essayez par vous-même et voyez à quelle vitesse vous pouvez évaluer plusieurs options de conception et les comparer avant de lancer un seul calcul.