O cálculo de ligações em aço muitas vezes se resume a uma compensação entre tempo e otimização. O método CBFEM fornece resultados precisos, mas exige um processamento para que as informações de uso da ligação sejam exibidas. Saiba como o aprendizado de máquina pode ajudar engenheiros a comparar rapidamente opções de modelagem e tomar decisões melhores antes de executar uma primeira análise.
Qual é a solução com maior utilização?
É mais eficiente usar duas fileiras de parafusos M12 ou uma única fileira de parafusos M16? Para responder a essa pergunta em um fluxo de trabalho típico, modelaríamos uma opção, executaríamos a análise, depois modificaríamos o projeto e executaríamos outro cálculo. Cada modificação significa outra iteração, mas a verdade é que quase nenhum engenheiro tem tempo para passar horas verificando e testando o que é melhor.
Mas e se houvesse uma maneira diferente?
Você poderia usar os templates treinados por aprendizado de máquina do IDEA StatiCa e ver imediatamente a utilização prevista do projeto e executar a análise apenas quando encontrar o melhor ajuste.
Como funciona na prática?
Na prática, essa abordagem não é totalmente nova. Ela se aproxima de como engenheiros experientes já pensam. Um engenheiro estrutural experiente pode olhar para uma ligação em aço e imediatamente perceber se ela é razoável ou potencialmente problemática. Não porque ele percorre todas as verificações dos componentes na cabeça em segundos, mas porque já viu centenas ou milhares de ligações semelhantes antes. O aprendizado de máquina funciona de maneira semelhante. Ele compara a configuração atual com um grande conjunto de dados de projetos analisados anteriormente e estima sua utilização com base no que aprendeu com situações semelhantes. Isso permite que engenheiros respondam rapidamente à pergunta de qual é a melhor solução. Com apenas alguns cliques é possível observar que, se o objetivo é a utilização máxima, duas fileiras de parafusos M12 são mais eficientes do que uma única fileira de parafusos M16 antes mesmo de executar a análise.
Com a combinação com o cálculo paramétrico, isso torna todo o processo de cálculo muito mais eficiente
Como o aprendizado de máquina é usado no IDEA StatiCa
O aprendizado de máquina não é usado para substituir a análise estrutural, mas sim para construir sobre ela. A introdução do método CBFEM foi um grande passo à frente. Ele permitiu que engenheiros analisassem qualquer ligação em aço, independentemente de sua complexidade. Em vez de depender de suposições simplificadas, engenheiros agora podem trabalhar com uma abordagem consistente. No entanto, essa generalidade tem um custo. Em comparação com métodos analíticos, a análise baseada em MEF é computacionalmente exigente. Como resultado, explorar variantes de projeto torna-se mais trabalhoso. É aqui que entra a etapa dos templates treinados por aprendizado de máquina. Os templates de aprendizado de máquina são construídos diretamente sobre o CBFEM. Em vez de simplificar a física, eles aprendem com ela.
Um elevado valor de composições de modelagens de ligações é gerado e avaliado usando o CBFEM. Cada um desses casos, definido por sua geometria, carregamento, chapas, soldas e parafusos, produz resultados precisos em termos de utilização. Esse conjunto de dados é então usado para treinar um modelo de aprendizado de máquina que captura a relação entre parâmetros de entrada e a resposta estrutural. O resultado é um modelo preditivo que pode estimar a utilização de uma ligação, semelhante a uma planilha Excel bem elaborada.
Assim que o usuário estiver satisfeito com a utilização prevista, a verificação final deve ser realizada executando o cálculo padrão de tensões/deformações. Apenas o resultado calculado representa a verificação real de acordo com a norma selecionada.
Experimente você mesmo e veja o quão rapidamente você pode avaliar múltiplas opções de projeto e compará-las antes de executar um único cálculo.
Experimente os novos recursos do IDEA StatiCa hoje
