Verbindingsbenuttingsgraad voorspeld door Machine Learning

Welke oplossing heeft de hoogste benuttingsgraad?

Is het efficiënter om twee rijen M12-bouten te gebruiken of één rij M16-bouten?

Om deze vraag te beantwoorden in een typische workflow, modelleren we één optie, voeren de analyse uit, passen het ontwerp aan en voeren een nieuwe berekening uit. Elke aanpassing betekent een nieuwe iteratie, maar de realiteit is dat vrijwel geen enkele ingenieur de tijd heeft om uren te besteden aan het itereren naar de beste oplossing.

Maar wat als er een andere manier was?

U kunt IDEA StatiCa machine-learned templates gebruiken en direct de voorspelde benuttingsgraad van het ontwerp bekijken, en de analyse pas uitvoeren wanneer u de beste oplossing heeft gevonden. 

Hoe ziet dit er in de praktijk uit?

In de praktijk is deze aanpak niet geheel nieuw. Het sluit aan bij de manier waarop ervaren ingenieurs al denken.

Een ervaren constructeur kan naar een staalverbinding kijken en direct aanvoelen of deze redelijk is of mogelijk problematisch. Niet omdat hij in seconden alle normtoetsingen van de componenten doorloopt, maar omdat hij honderden of duizenden vergelijkbare details eerder heeft gezien.

Machine learning werkt op een vergelijkbare manier.

Het vergelijkt de huidige configuratie met een grote dataset van eerder geanalyseerde ontwerpen en schat de benuttingsgraad in op basis van wat het heeft geleerd van vergelijkbare situaties.

Dit stelt constructeurs in staat om de hierboven gestelde vraag snel te beantwoorden. Met slechts een paar klikken kan ik zien dat, als het doel maximale benuttingsgraad is, twee rijen M12-bouten efficiënter zijn dan één rij M16-bouten, nog voordat ik de analyse uitvoer.

In combinatie met parametrisch ontwerp maakt dit het ontwerpproces even eenvoudig als in Excel. 

Hoe machine learning wordt gebruikt in IDEA StatiCa

Machine learning wordt niet gebruikt om constructieve analyse te vervangen, maar om daarop voort te bouwen. 

De introductie van de CBFEM-methode was een grote stap voorwaarts. Het stelde constructeurs in staat om elke staalverbinding te analyseren, ongeacht de complexiteit. In plaats van te vertrouwen op vereenvoudigde aannames kunnen constructeurs nu werken met een algemeen consistente aanpak.

Deze algemeenheid heeft echter een prijs. Vergeleken met analytische methoden is op de Eindige Elementen Methode gebaseerde analyse rekenkundig veeleisend. Als gevolg hiervan wordt het verkennen van ontwerpvarianten tijdrovender. Dit is waar de machine-learned templates een rol spelen. Machine-learning templates zijn direct gebouwd op CBFEM. In plaats van de fysica te vereenvoudigen, leren ze ervan.

Een groot aantal verbindingsconfiguraties wordt gegenereerd en geëvalueerd met behulp van CBFEM. Elk van deze gevallen, gedefinieerd door geometrie, belasting, platen, lassen en bouten, levert nauwkeurige resultaten op in termen van benuttingsgraad. Deze dataset wordt vervolgens gebruikt om een machine learning-model te trainen dat de relatie tussen invoerparameters en constructieve respons vastlegt. Het resultaat is een voorspellend model dat de benuttingsgraad van een verbinding kan schatten, vergelijkbaar met een goed voorbereide Excel.

Zodra de gebruiker tevreden is met de voorspelde benuttingsgraad, moet de definitieve verificatie worden uitgevoerd door de standaard spanning/rek-berekening uit te voeren. Alleen het berekende resultaat vertegenwoordigt de daadwerkelijke normtoetsing volgens de geselecteerde norm.

Probeer het zelf en zie hoe snel u meerdere ontwerpopties kunt evalueren en vergelijken voordat u een enkele berekening uitvoert.