Çarpışma analizleri için makine öğrenimini kullanarak tasarımı otomatikleştirme

Kazalara karşı dayanıklılık tamamen boşlukla ilgilidir. Yolcunun önünde akıllıca malzeme ile doldurulabilecek ne kadar alan var? Esasen birbiriyle çelişen iki gereksinim vardır; Araç, yolcuların bacaklarına ulaşmadan önce ezilmesini önleyecek kadar güçlü, ancak çok hızlı durmanın zararlı yavaşlamaya neden olmasını önleyecek kadar yumuşak olmalıdır. Önde ne kadar fazla boşluk varsa, bu gereksinimleri dengelemek o kadar kolay olur. Bu nedenle, konsept tasarım aşamasında çarpışmaya dayanıklılık için kullanılan paket alanını diğer paket gereksinimlerinden korumak çok önemlidir.

Paket alanınızı çarpmaya karşı dayanıklılık açısından korumak için, önce aracı güvenli bir şekilde durdurmak için ne kadar alana ihtiyacınız olduğunu hesaplamanız gerekir. Bu, izin verilen yolcu yavaşlaması ve aracın ilk kinetik enerjisi (araç kütlesi ve hızından hesaplanır) kullanılarak bir tablodaki ( Google Sheets, MS Excel, LibreOffice Calc vb.) kinematik hesaplamalarla hesaplanabilir. Bu belirlendikten sonra, yapıdaki gerekli ezilme kuvveti, yavaşlama ve araç kütlesinden hesaplanabilir.

Bir sonraki adım, gerekli ezilme kuvvetini sağlayacak bir yapı tasarlamaktır. Hangi kesitlerin kullanılacağını anlamanın iyi bir yolu, çeşitli kesitlerden bileşen düzeyinde sonlu eleman modelleri oluşturmak ve bunları eksenel olarak ezmektir. Bunu birçok varyant için manuel olarak yapmak (model oluşturma, yükleme durumu kurulumu ve her birinin analizi) zaman alıcı olacaktır.

Bu süreci kolaylaştırmak için otomasyonun ve makine öğreniminin gücünü kullanabilirsek ne olur? Altair kavramı SectionAI adlı bir projede kanıtladı. Bir kesitin çizimini almak ve ilgili sonlu eleman modelini oluşturmak için otomasyonu kullanıldı ve ardından analiz ve son işlemeyi gerçekleştirildi. Ayrıca, daha sonra makine öğrenimi modellerini eğitmek için kullanılabilecek veriler üretmek için Deney Tasarımını oluşturabilmek için ölçümlerin (kesit yüksekliği, genişlik, kalınlıklar vb.) tasarım değişkenleri olarak tanımı etkinleştirildi.

Bu makine öğrenimi modelleri daha sonra ortalama ve maksimum ezilme kuvveti gibi temel performans göstergelerini (KPI) ve ayrıca tüm kuvvet/yer değiştirme eğrisinin öngörülerini tahmin etmek için kullanılır. Daha sonra gerekli ezilme kuvvetini elde etmek için tasarım değişkenlerini hızlı ve kolay bir şekilde değiştirebildi.

Daha da iyisi, makine öğrenimi modellerinin son derece hızlı çalışması gerçeğinden yararlanarak optimizasyon neredeyse gerçek zamanlı olarak çalıştırabildi. Bu, kütleyi en aza indirirken gerekli ortalama ezilme kuvvetini veya diğer gereksinimleri verecek bir bölüm için tasarım alanını araştırılmasını sağladı.

SectionAI‘nin otomasyonunu ve makine öğrenimini kullanarak, her bir kesit varyantı için bir analiz oluşturma ve yeniden çalıştırmaya yönelik manuel sürec ortadan kaldırabildi. Şimdi basitçe bir kesit çizebilir, SectionAI otomatik olarak veri üretecek ve keşif ve optimizasyon için hazır makine öğrenimi modelleri oluşturacaktır. SectionAI, gereksinimleri karşılayacak tam bölümün tasarım alanını aramamıza olanak tanır ve bu gereksinimler değişirse, mevcut makine öğrenimi modellerini kullanarak yeni bir optimizasyon çalıştırabilirsiniz.

Altair, görünmeyen tasarımları parametreleştirmeye gerek kalmadan doğrudan enkesit geometrisinden öngörmek için ShapeAI teknolojisinin kullanımını araştırıyor.