Innováció a szerkezettervezésben – a jövő feltárása

Miért is kellene bármit megváltoztatni abban, amit mindennap csinálunk? Nem elég jó már a mérnöki irodáink jelenlegi állapota? A munka mennyisége elég nagy, minden nap új szerkezetek épülnek, és ez valószínűleg hamarosan nem fog változni. A mai mérnökök digitális eszközei már rendkívül erősek, néhány évvel ezelőtt még elképzelhetetlen sebességgel. A változást kikényszerítő erő mindig egy szükségletből fakad. Tehát mi a mélyépítési irodák jelenlegi „szükséglete"?

Úgy tűnik, több is van belőlük... 

• egyre kevesebb ember hajlandó minden nap elvégezni a munkát
• az elvégzendő munka mennyisége évről évre növekszik, köszönhetően sok régió gazdasági növekedésének
• a mélyépítéshez kapcsolódó más mérnöki területek fejlődési üteme jóval magasabb
• a projektek összetettsége monumentálisan növekszik, a „zöld" megoldásokra, az energiafogyasztásra és a CO₂-kibocsátásra összpontosítva

Próbáljunk meg egy pillantást vetni szakterületünk közeli jövőjébe.

Milyen lesz statikus mérnöknek lenni?

A statikus mérnök munkája azon foglalkozások közé tartozik, amelyeket veszélyeztet a mesterséges intelligencia megjelenése? Nem annyira, legalábbis nem ilyen hamar. Az egyes feladatokban szereplő változók száma egyszerűen túl magas ahhoz, hogy algoritmusok lefedjék. És nem a szükséges számítási teljesítmény miatt, hanem a különböző területekről származó, nem szinkronizált és nem együttműködő adatbázisok, valamint az összes adatkáoszból való eligazodáshoz szükséges emberi józan ész miatt.

Másrészt viszont ugyanolyan lesz-e a statikus mérnök mindennapi munkája, mint ma? Papírrajzok, kézzel írt megjegyzések, több száz DWG és PDF, véget nem érő táblázatok, különböző részletességű szerkezeti modellek (amelyek nem hajlandók kommunikálni egymással), több száz e-mail és csevegőüzenet a projektekről, határidőkről, költségvetésekről, hosszú órák fájlokkal, könyvekkel, tervezési szabványokkal, kézikönyvekkel és szerkezeti folyóiratokkal teli irodákban töltve? 

Remélhetőleg nem.

De mit javíthatunk, hogy a mai valóságból egy sokkal barátságosabb jövőbeli környezetbe jussunk? Ha okosan akarunk dolgozni a kemény munka helyett, akkor ki kell használnunk a rendelkezésre álló lehetőségeket. És ha ezek most nem láthatók, érdemes egy pillantást vetni néhány szomszédos területre, például a gépészmérnöki tudományra, ahol az olyan kifejezések, mint a gépi tanulás, a nagy adatfeldolgozás vagy a topológiai optimalizálás, már egy ideje használatban vannak.

Ami már most is meglehetősen nyilvánvaló: bár a statikus mérnök munkakör megmarad, az új készségek és képességek iránti igény elkerülhetetlen. A matematika, a fizika, a szerkezeti mechanika, az anyagok és a tervezési szabványok ismerete már nem lesz elegendő. Teljesen új digitális készségekre lesz szükség – adatokkal való munkavégzés, adatkapcsolatok kiépítése különböző eszközök között, parametrikus tervezés alkalmazása, gépi tanulás megértése, hatékony promptok létrehozásának ismerete stb.

Az ebben a bejegyzésben eddig nem tárgyalt, de a tervezési folyamatban mégis kulcsfontosságú terület a kormányok, a tervezési szabványok és az ellenőrző szervek. Ezeket nem lehet figyelmen kívül hagyni, mert ezek elfogadása és együttműködése nélkül a technológiák fejlődése drámaian gyorsabb lenne, mint amennyire a mérnöki közösség reagálni tudna.

Topológiai optimalizálás

Miről is van szó? Egyszerűen fogalmazva, olyan, mintha egy nehéz feladatot kellene megoldani, ahol meghatározott számú építőkockával kell szerkezetet létrehozni. Azt szeretnénk, hogy elég erős legyen ahhoz, hogy meghatározott terhelés alatt is megálljon, de egyben a lehető legkevesebb építőkockát szeretnénk felhasználni.

A topológiai optimalizálásban számítási algoritmusokat használunk, hogy segítsenek megtalálni a kockák elhelyezésének legjobb módját. A program különböző tervekkel kísérletezik, a kockák elhelyezésének több száz variációját kipróbálva, hogy a szerkezet a lehető legerősebb legyen, miközben a lehető legkevesebb kockát használja fel. Olyan, mintha a számítógép mindenféle hídtervet tesztelne, hogy melyik bírja el a legtöbb súlyt anélkül, hogy leomlana, de közben egyetlen kockát sem pazarol.

Ez a módszer segít a mérnököknek és tervezőknek nagyon hatékony, és néha szokatlan megjelenésű szerkezeteket létrehozni, amelyek a lehető legkevesebb anyag felhasználásával végzik el feladatukat. Ez egy okos tervezési módszer, mert anyagot takarít meg, csökkenti a súlyt, és gyakran olyan innovatív tervekhez vezet, amelyekre önállóan talán nem gondolnánk.

A fenti képen egy háromdimenziós híd három optimalizált terve látható, különböző rögzítési készletekhez rendelve [K. Bando, R. Din, M. Fouquerand, L. Gilbert, A. Moissenot, és M. Nicolas, Optimisation d'une structure et application architecturale, PSC MEC07, Ecole Polytechnique (X), 2016].

Ami már elérhető

Talán a jelenleg elérhető legfejlettebb tervezési eszköz vasbeton szerkezetekhez, az IDEA StatiCa Detail, képes megmutatni a felhasználónak a topológiai optimalizálást a megadott geometriában lévő feszültségáramlások alapján. Ez az eszköz nagyon egyértelműen és vizuálisan mutatja meg a tervezőnek, hogy a vasalási rudak számára melyek a leghatékonyabb pozíciók és irányok. Böngészhet a topológiai optimalizálásnak szentelt blogcikkünkben.

Még ezek a nagy teljesítményű és fejlett modellek is csak a kezdetét jelentik annak, ami lehetséges lenne, ha komolyan kezelnék őket. Már több száz olyan tervet ismerünk, ahol a geometria organikus formákon alapul, és sokkal inkább egy biológiai könyv képére hasonlít, mint egy tipikus rácsszerkezet alakjára. Számos már megépített vagy építés alatt álló projektet találhatunk organikus formájú inspirációval. Egy szép példa a Zaha Hadid Architects riyadhi metróállomásának jelenlegi projektje.

Némi képzelőerővel ezek az organikus formák nemcsak szépségük miatt jelenhetnek meg az építészetben, hanem a topológiai optimalizálásnak és az új építési folyamatoknak köszönhetően a teherhordó szerkezetek geometriájaként is.

Milyen szerkezeteket és projekteket oldanak meg a mai tervezési eszközökkel? Nézzük meg az esettanulmányok könyvtárát.

Az adatok ereje a mérnöki munkában

Az IDEA StatiCa kutatói egy közelmúltbeli acélszerkezeti konferencián bemutatták az acél kapcsolatok hegesztési kihasználtságának automatizált előrejelzésére használt új módszereket a Connection alkalmazásban. Ez a forradalmi megközelítés egy egyszerű kérdést old meg nagyon összetett megoldással. Mi a valódi kapacitása egy hegesztésnek, ha az anyag plasztifikációja megengedett?

A dokumentumban leírt innovatív módszer fejlett mesterséges intelligenciát, konkrétan konvolúciós neurális hálózatokat alkalmaz az acélszerkezetekben lévő hegesztések kihasználtságának előrejelzési pontosságának jelentős javítása érdekében. Ez az újszerű megközelítés áttörést jelent a statikus mérnökök számára, mivel túlmutat a hagyományos módszereken azáltal, hogy részletesen elemzi a feszültségeloszlást és az alakváltozás-előzményt a hegesztési vonalak mentén. Az ilyen részletes elemzés pontosabb becsléseket tesz lehetővé, kielégítve a különböző hegesztési konfigurációkat és terhelési forgatókönyveket. Ez a fejlesztés nemcsak a szerkezeti tervek biztonságát és hatékonyságát növeli, hanem példázza a gépi tanulás és a hagyományos mérnöki gyakorlatok integrálásának lehetőségét is, utat nyitva az okosabb, adatvezérelt megoldások előtt a szerkezeti mérnöki munkában. A fejlesztés használatáról bővebben itt.

Mivel nem egyszerű feladat másodpercek alatt több száz terhelési lépést kiszámítani, az algoritmus a korábban elvégzett elemzések hatalmas adatkészletét használja, és képes valós időben megtalálni a kívánt megoldáshoz legközelebb eső hegesztési méretértékeket.

Szótári tippek az új statikus mérnökök számára:

A gépi tanulás (ML) a mesterséges intelligencia egy ága, amely lehetővé teszi a számítógépek számára, hogy adatokból tanuljanak és döntéseket hozzanak. A szerkezeti tervezésben és elemzésben az ML felhasználható az anyagviselkedés előrejelzésére, a szerkezeti integritás értékelésére és a tervezési folyamatok optimalizálására. Hatalmas adatkészletek elemzésével az ML algoritmusok olyan mintákat és összefüggéseket azonosíthatnak, amelyeket a hagyományos módszerek esetleg elmulasztanak. Ez hatékonyabb, biztonságosabb és költséghatékonyabb szerkezeti tervekhez vezethet. Az ML a szerkezetekvalós idejű megfigyelésében és karbantartási tervezésében is segíthet, tovább növelve azok élettartamát és biztonságát.

A konvolúciós neurális hálózatok (CNN-ek) a mesterséges intelligencia egy olyan típusa, amelyet széles körben használnak rácsos topológiájú adatok, például képek feldolgozására. Kiválóan teljesítenek olyan feladatokban, mint a képfelismerés és -osztályozás. A CNN konvolúciókat végző rétegeken keresztül tanulja meg felismerni a bemeneti adatok mintáit és jellemzőit – ezek olyan matematikai műveletek, amelyek szűrik és tömörítik az adatokat. Ez a szerkezet lehetővé teszi a CNN-ek számára, hogy bonyolult mintákat azonosítsanak, így hatékony eszközökké válnak különböző mérnöki alkalmazásokban, a szerkezeti elemzéstől az automatizált tervezési folyamatokig. Az összetett adatkészletek hatékony feldolgozásának képessége értékes eszközzé teszi őket a modern mérnöki problémamegoldásban.

Összefoglalás

Amint azt most láthatta, a jövő közelebb van, mint gondolná. Nem a mesterséges intelligencia által generált képek jövője, hanem az automatizálás és az okos optimalizálás első elvei már beépülnek a szerkezetelemzési eszközökbe.

Az eszközök nem hajtják végre egyedül a forradalmat. Az új lehetőségek felszabadításához a tervezési folyamatban részt vevő felek szemléletváltására van szükség. A mérnökökön múlik, hogyan alkalmazkodnak a rendelkezésre álló lehetőségekhez, és hogyan építik be azokat mindennapi munkafolyamataikba.