การใช้งานการเชื่อมต่อที่คาดการณ์โดย Machine Learning

โซลูชันใดที่มีอัตราการใช้งานสูงกว่า?

การใช้สลักเกลียว M12 สองแถวหรือสลักเกลียว M16 แถวเดียว แบบใดมีประสิทธิภาพมากกว่า?

ในการตอบคำถามนี้ตามขั้นตอนการทำงานทั่วไป เราจะต้องสร้างแบบจำลองตัวเลือกหนึ่ง รันการวิเคราะห์ จากนั้นแก้ไขการออกแบบและรันการคำนวณอีกครั้ง การแก้ไขแต่ละครั้งหมายถึงการวนซ้ำอีกรอบ แต่ความจริงคือแทบไม่มีวิศวกรคนใดมีเวลาใช้ชั่วโมงในการวนซ้ำเพื่อหาสิ่งที่ดีที่สุด

แต่จะเป็นอย่างไรหากมีวิธีอื่น?

คุณสามารถใช้ แม่แบบที่เรียนรู้ด้วย Machine Learning ของ IDEA StatiCa และดูอัตราการใช้งานที่คาดการณ์ของการออกแบบได้ทันที และรันการวิเคราะห์เฉพาะเมื่อคุณพบตัวเลือกที่เหมาะสมที่สุด 

ในทางปฏิบัติมีลักษณะอย่างไร?

ในทางปฏิบัติ แนวทางนี้ไม่ใช่เรื่องใหม่ทั้งหมด มันใกล้เคียงกับวิธีที่วิศวกรผู้มีประสบการณ์คิดอยู่แล้ว

วิศวกรโครงสร้างที่มีประสบการณ์สามารถมองการเชื่อมต่อโครงสร้างเหล็กและรู้สึกได้ทันทีว่ามันสมเหตุสมผลหรืออาจมีปัญหา ไม่ใช่เพราะเขาตรวจสอบชิ้นส่วนทั้งหมดในหัวภายในไม่กี่วินาที แต่เพราะเขาเคยเห็นรายละเอียดที่คล้ายกันมาหลายร้อยหรือหลายพันครั้งแล้ว

Machine Learning ทำงานในลักษณะเดียวกัน

มันเปรียบเทียบการกำหนดค่าปัจจุบันกับชุดข้อมูลขนาดใหญ่ของการออกแบบที่วิเคราะห์ไว้ก่อนหน้า และประมาณอัตราการใช้งานตามสิ่งที่เรียนรู้จากสถานการณ์ที่คล้ายกัน

สิ่งนี้ช่วยให้วิศวกรตอบคำถามที่ยกขึ้นข้างต้นได้อย่างรวดเร็ว ด้วยการคลิกเพียงไม่กี่ครั้ง ฉันสามารถเห็นได้ว่า หากเป้าหมายคืออัตราการใช้งานสูงสุด สลักเกลียว M12 สองแถวมีประสิทธิภาพมากกว่าสลักเกลียว M16 แถวเดียว ก่อนที่ฉันจะรันการวิเคราะห์ด้วยซ้ำ

เมื่อรวมกับ การออกแบบแบบ Parametric ทำให้กระบวนการออกแบบง่ายดายเหมือนกับการใช้ Excel 

Machine Learning ถูกนำมาใช้ใน IDEA StatiCa อย่างไร

Machine Learning ไม่ได้ถูกใช้เพื่อแทนที่การวิเคราะห์โครงสร้าง แต่เป็นการต่อยอดจากมัน 

การนำ วิธี CBFEM มาใช้เป็นก้าวสำคัญ มันช่วยให้วิศวกรสามารถวิเคราะห์การเชื่อมต่อโครงสร้างเหล็กใดก็ได้โดยไม่คำนึงถึงความซับซ้อน แทนที่จะพึ่งพาสมมติฐานที่ง่ายเกินไป วิศวกรสามารถทำงานด้วยแนวทางที่สอดคล้องกันโดยทั่วไปได้แล้ว

อย่างไรก็ตาม ความเป็นสากลนี้มีต้นทุน เมื่อเทียบกับวิธีการวิเคราะห์เชิงสูตร การวิเคราะห์ด้วย FEM ต้องการการคำนวณมาก ส่งผลให้การสำรวจรูปแบบการออกแบบใช้เวลามากขึ้น นี่คือจุดที่แม่แบบที่เรียนรู้ด้วย Machine Learning เข้ามามีบทบาท แม่แบบ Machine Learning ถูกสร้างขึ้นโดยตรงบนพื้นฐานของ CBFEM แทนที่จะลดความซับซ้อนของฟิสิกส์ พวกมันเรียนรู้จากมัน

การกำหนดค่าการเชื่อมต่อจำนวนมากถูกสร้างขึ้นและประเมินโดยใช้ CBFEM กรณีเหล่านี้แต่ละกรณี ซึ่งกำหนดโดยรูปทรงเรขาคณิต การรับแรง แผ่นเหล็ก รอยเชื่อม และสลักเกลียว ให้ผลลัพธ์ที่แม่นยำในแง่ของอัตราการใช้งาน จากนั้นชุดข้อมูลนี้จะถูกใช้ฝึก Model Machine Learning ที่จับความสัมพันธ์ระหว่างพารามิเตอร์อินพุตและการตอบสนองของโครงสร้าง ผลลัพธ์คือ Model เชิงพยากรณ์ที่สามารถประมาณอัตราการใช้งานของการเชื่อมต่อ คล้ายกับ Excel ที่เตรียมไว้อย่างดี

เมื่อผู้ใช้พอใจกับอัตราการใช้งานที่คาดการณ์แล้ว การตรวจสอบขั้นสุดท้ายจะต้องดำเนินการโดยการรันการคำนวณความเค้น/ความเครียดมาตรฐาน เฉพาะผลลัพธ์ที่คำนวณได้เท่านั้นที่แสดงถึงการตรวจสอบตามมาตรฐานการออกแบบที่เลือกไว้จริง

ลองด้วยตัวเองและดูว่าคุณสามารถประเมินตัวเลือกการออกแบบหลายรายการและเปรียบเทียบได้อย่างรวดเร็วเพียงใดก่อนที่จะรันการคำนวณแม้แต่ครั้งเดียว