Makine Öğrenmesi ile Tahmin Edilen Bağlantı Kullanım Oranı

Daha fazla kullanılan çözüm hangisi?

İki sıra M12 cıvata mı yoksa tek sıra M16 cıvata mı daha verimli?

Bu soruyu tipik bir iş akışında yanıtlamak için bir seçeneği modelleyip analizi çalıştırır, ardından tasarımı değiştirip başka bir hesaplama yapardık. Her değişiklik yeni bir iterasyon anlamına gelir; ancak gerçek şu ki neredeyse hiçbir mühendis en iyi seçeneği bulmak için saatler harcayacak zamana sahip değildir.

Peki ya farklı bir yol olsaydı?

IDEA StatiCa makine öğrenmesi şablonlarını kullanarak tasarımın tahmin edilen kullanım oranını anında görebilir ve yalnızca en uygun seçeneği bulduğunuzda analizi çalıştırabilirsiniz. 

Pratikte nasıl görünür?

Pratikte bu yaklaşım tamamen yeni değildir. Deneyimli mühendislerin zaten düşündüğü biçime daha yakındır.

Deneyimli bir yapı mühendisi bir çelik bağlantıya bakıp makul mi yoksa potansiyel olarak sorunlu mu olduğunu hemen sezebilir. Bunun nedeni, saniyeler içinde tüm bileşen kontrollerini zihninde yapması değil, daha önce yüzlerce veya binlerce benzer detay görmüş olmasıdır.

Makine öğrenmesi de benzer şekilde çalışır.

Mevcut konfigürasyonu, daha önce analiz edilmiş tasarımlardan oluşan büyük bir veri kümesiyle karşılaştırır ve benzer durumlardan öğrendiklerine dayanarak kullanım oranını tahmin eder.

Bu, mühendislerin yukarıda sorulan soruyu hızlıca yanıtlamasına olanak tanır. Yalnızca birkaç tıklamayla, analizi çalıştırmadan önce, hedef maksimum kullanım oranıysa iki sıra M12 cıvatanın tek sıra M16 cıvatadan daha verimli olduğunu görebilirim.

Parametrik tasarım ile kombinasyonu, tasarım sürecini Excel'deki kadar kolay hale getirir. 

IDEA StatiCa'da makine öğrenmesi nasıl kullanılır

Makine öğrenmesi, yapısal analizi değiştirmek için değil, onun üzerine inşa etmek amacıyla kullanılır. 

CBFEM yönteminin tanıtılması önemli bir ilerleme oldu. Mühendislerin karmaşıklığından bağımsız olarak herhangi bir çelik bağlantıyı analiz etmesine olanak sağladı. Basitleştirilmiş varsayımlara dayanmak yerine mühendisler artık genel olarak tutarlı bir yaklaşımla çalışabilmektedir.

Ancak bu genellik bir bedelle gelir. Analitik yöntemlerle karşılaştırıldığında, FEM tabanlı analiz hesaplama açısından daha talepkârdır. Sonuç olarak, tasarım varyantlarını keşfetmek daha fazla zaman alır. İşte makine öğrenmesi şablonları burada devreye girer. Makine öğrenmesi şablonları doğrudan CBFEM üzerine inşa edilmiştir. Fiziği basitleştirmek yerine ondan öğrenirler.

Çok sayıda bağlantı konfigürasyonu CBFEM kullanılarak oluşturulur ve değerlendirilir. Geometrisi, yüklemesi, plakaları, kaynak ve cıvataları ile tanımlanan bu durumların her biri, kullanım oranı açısından doğru sonuçlar üretir. Bu veri kümesi daha sonra, giriş parametreleri ile yapısal davranış arasındaki ilişkiyi yakalayan bir makine öğrenmesi modelini eğitmek için kullanılır. Sonuç, iyi hazırlanmış bir Excel'e benzer şekilde bir bağlantının kullanım oranını tahmin edebilen bir öngörü modelidir.

Kullanıcı tahmin edilen kullanım oranından memnun kaldığında, standart gerilme/şekil değiştirme hesabı çalıştırılarak nihai doğrulama yapılmalıdır. Yalnızca hesaplanan sonuç, seçilen yönetmeliğe göre gerçek tasarım kontrolünü temsil eder.

Kendiniz deneyin ve tek bir hesaplama çalıştırmadan önce birden fazla tasarım seçeneğini ne kadar hızlı değerlendirip karşılaştırabileceğinizi görün.