پشتیبانی طراحی و شبیه سازی خودرو: CAE، CFD و FEA

سود:

• توانایی توضیح نقش شبیه‌سازی‌های CAE، CFD و FEA در طراحی خودرو و اینکه چگونه هوش مصنوعی آن را به عنوان یک مدل جایگزین تسریع می‌کند.
• امکان راه اندازی دستورات ساختاریافته برای طراحی تولیدی، اسکن پارامترها و تفسیر نتایج شبیه سازی
• امکان اعتبارسنجی طراحی مشتق از هوش مصنوعی و جایگزینی خروجی مدل با همگرایی، استقلال شبکه و شرایط مرزی فیزیکی

طراحی یک وسیله نقلیه مدرن در حال حاضر تا حد زیادی بر روی کامپیوتر قبل از برش ورق فولاد و ساخت نمونه های اولیه متولد شده است. در قلب این دنیای طراحی دیجیتال و تأیید سه نام اختصاری وجود دارد: CAE، CFD و FEA. در این واحد ابتدا این سه مفهوم را به سادگی توضیح می دهیم، سپس خواهیم دید که هوش مصنوعی چگونه این محاسبات سنگین را تسریع می کند و مهمتر از همه، چگونه می توان به طور ایمن این خروجی های سریع را تأیید کرد.

• CAE (مهندسی به کمک کامپیوتر): یک اصطلاح چتر برای شبیه سازی رفتار یک طرح (قدرت، جریان، گرما، لرزش) روی یک کامپیوتر بدون ساخت نمونه اولیه فیزیکی است.
• FEA (تجزیه و تحلیل عناصر محدود): روشی است که یک قطعه را به هزاران «عنصر» کوچک تقسیم می‌کند و محاسبه می‌کند که چگونه آن را کشیده، خم می‌کند و آیا تحت نیروی وارده به آن می‌شکند یا خیر. مثال: آیا بازوی تعلیق هنگام ورود به چاله می شکند یا خیر.
• CFD (دینامیک سیالات محاسباتی): جریان هوا یا مایع را شبیه سازی می کند. به عنوان مثال: جریان هوا در اطراف وسیله نقلیه (کشش آیرودینامیکی)، خنک کننده موتور، تهویه کابین.

چرا شبیه سازی کند است و هوش مصنوعی از کجا وارد عمل می شود؟

یک راه‌حل CFD یا FEA با وفاداری بالا می‌تواند ساعت‌ها یا حتی روزها در مجموعه‌ای از رایانه‌ها برای یک طراحی واحد طول بکشد. وقتی یک مهندس می خواهد 200 هندسه مختلف را امتحان کند، این یعنی ماه ها. اینجاست که هوش مصنوعی دو نقش قدرتمند را ایفا می کند:

1. مدل جایگزین / متامدل: یک مدل یادگیری ماشینی است که از تعداد کمی شبیه سازی واقعی یاد می گیرد و نتیجه طرح های جدید را در عرض چند ثانیه پیش بینی می کند. جایگزین حلال واقعی نمی شود. "تقریبی" سریع آن است. اسکن 200 طرح با یک مدل جایگزین، نه حل کننده واقعی، و ارسال 5 طرح امیدوارکننده به حل کننده واقعی، باعث صرفه جویی در زمان می شود.
2. طراحی مولد: روشی است که در آن کامپیوتر تعداد زیادی هندسه جایگزین را تحت محدودیت های داده شده توسط مهندس (نقاط اتصال، بار قابل حمل، مناطق ممنوعه، مواد) تولید می کند. نتیجه اغلب ساختارهای ارگانیک، استخوان مانند و سبک وزن است.

نکته: مدل جانشین هنگام "درونیابی" قابل اعتماد است (پیش بینی در محدوده ای که آموخته است). هنگام "برون یابی" (پیش بینی خارج از محدوده ای که آموخته است) خطرناک است. محدودیت های فضای طراحی خود را بدانید.

گام به گام: گردش کار شبیه سازی مبتنی بر هوش مصنوعی

1. مشکل و محدودیت ها را روشن کنید. چه چیزی را بهینه می کنید (وزن؟ کشش؟ استرس؟)، چه محدودیت هایی ثابت هستند (محل سوراخ های نصب، حجم نصب)؟
2. شناسایی متغیرهای طراحی به عنوان مثال، 5 پارامتر یک کانال خنک کننده: زاویه ورودی، سطح مقطع، طول، شعاع خم، موقعیت خروجی.
3. انجام طراحی آزمایشات (DOE - Design of Experiments). نمونه ای (مثلاً 40 امتیاز) انتخاب کنید که فضا را عاقلانه پوشش دهد، نه همه ترکیب ها. هوش مصنوعی می‌تواند استراتژی نمونه‌گیری را در اینجا پیشنهاد کند.
4. این 40 نقطه را با حل کننده واقعی اجرا کنید. این داده های "واقعیت" است.
5. مدل جایگزین را آموزش دهید و دقت آن را با نقاط تست رزرو شده اندازه گیری کنید.
6. غربالگری گسترده را با مدل جایگزین انجام دهید و بهترین کاندیدها را انتخاب کنید.
7. بهترین نامزدها را دوباره با حل کننده واقعی تأیید کنید. این مرحله قابل رد شدن نیست.
8. تصمیم نهایی را با نمونه اولیه/آزمایش فیزیکی ثابت کنید.

اعتبارسنجی خروجی شبیه سازی: همگرایی و استقلال شبکه

قبل از اعتماد به نتیجه FEA/CFD دو بررسی حیاتی وجود دارد:

• همگرایی: محاسبه تکراری حلگر به یک مقدار پایدار می رسد. راه حل غیر همگرا بی معنی است. وقتی هوش مصنوعی می‌گوید «نتیجه 250 مگاپاسکال»، باید تأیید کنید که آیا این از یک راه‌حل همگرا است یا خیر.
• استقلال مش: نتیجه به طور قابل توجهی تغییر نمی کند هنگامی که عناصر (مش) را که قطعه را به آن تقسیم می کنید، سفت کنید. اگر مش خیلی درشت باشد، نتیجه ممکن است گمراه کننده باشد. اگر خیلی نازک باشد، محاسبه بی جهت طولانی خواهد بود. به طور کلی، شبکه دو یا سه بار سفت می شود و نقطه ای پیدا می شود که نتیجه تثبیت می شود.

کنترل کنید

او چه می پرسد؟

هنگام پریدن خطر کنید

همگرایی

آیا راه حل به یک مقدار پایدار رسیده است؟

نتیجه تصادفی/بی معنی

استقلال شبکه

آیا وقتی شبکه متراکم تر می شود نتیجه تغییر می کند؟

استرس زیر/ بیش از حد

شرایط مرزی

آیا بارها/حمایت ها واقعی هستند؟

سناریوی اشتباه، طراحی ایمن

مدل مواد

آیا منحنی/ویژگی صحیح وارد شده است؟

برآورد قدرت نادرست

احتیاط: وقتی هوش مصنوعی یک مدل جایگزین را خروجی می‌دهد، شبیه‌سازی‌های واقعی پشت آن خروجی باید از همگرایی و استقلال شبکه عبور کرده باشند. "آشغال داخل، زباله بیرون": مدل جایگزین آموزش دیده در شبیه سازی بد، پیش بینی بدی را تولید می کند.

مطالعات موردی کوچک

مورد 1 - روشن شدن در بازوی تعلیق. یک تیم بازوی تعلیق آلومینیومی را با طراحی مولد دوباره طراحی می کند. با آموزش 60 راه حل واقعی FEA، مدل جایگزین هندسه ای را پیشنهاد می کند که وزن را 19٪ کاهش می دهد. این تیم 3 نامزد برتر را با حل کننده واقعی تایید می کند. حداکثر تنش واقعی یک 12 درصد بیشتر از پیش‌بینی مدل جایگزین بود (در منطقه برون‌یابی بود). آن داوطلب حذف می شود، دو نفر باقی مانده قبول می شوند و به آزمون خستگی جسمانی اعزام می شوند. نتیجه: سرعت به دست آمد، اما تصمیم نهایی با راه حل واقعی + آزمایش گرفته شد.

مورد 2 - آینه آیرودینامیک. یک اسکن 5 پارامتری برای کاهش صدای باد ایجاد شده توسط آینه بغل انجام می شود. با CFD واقعی یک طراحی 6 ساعت طول می کشد. 5000 طرح مجازی با 45 اجرا واقعی + مدل پروکسی در چند ثانیه اسکن می شوند. نامزدی وجود دارد که تقریباً 4 امتیاز (تعداد درگ) در ضریب درگ (Cd) بهبود می‌بخشد و در تونل باد آزمایش می‌شود. بهبود اندازه گیری شده 85 درصد از پیش بینی است. نتیجه گیری: تونل باد ثابت می کند که هوش مصنوعی جستجو را محدود کرده است.

مورد 3 - شرایط مرزی اشتباه. در FEA براکت بدنه، هوش مصنوعی می‌گوید "ایمن از استرس، فاکتور 2.1". مهندس ارشد به شرایط مرزی نگاه می کند: بار در یک جهت اعمال می شود، در حالی که در عملیات واقعی یک بار دو طرفه ارتعاشی وجود دارد. وقتی دوباره با سناریوی صحیح حل شد، ضریب ایمنی به 1.1 کاهش می یابد. این غیر قابل قبول است. نتیجه: هوش مصنوعی گفتن "ایمن" به دلیل سناریوی اشتباه فریبنده بود. اعتبار سنجی ورودی نتیجه را ذخیره کرد.

قالب های سریع

الگو 1 - بررسی راه اندازی شبیه سازی:

نقش: شما یک مهندس ارشد CAE (المان محدود) هستید. وظیفه: تنظیمات FEA ​​من را در زیر مرور کنید و نقاط گمشده/خطر را فهرست کنید. زمینه: بازوی تعلیق آلومینیومی، بار استاتیک 6 کیلونیوتن، مونتاژ از 2 پیچ، قدرت تسلیم مواد 240 مگاپاسکال. محدودیت: آدرس همگرایی، استقلال مش، شرایط مرزی و هدرهای مدل ماده را به طور جداگانه نشان می دهد. خروجی: چک لیست + برای هر مورد "خیر/خطرناک/ناقص".

الگو 2 - پیشنهاد طراحی آزمایشات (DOE):

نقش: شما یک مشاور بهینه سازی هستید. وظیفه: یک نمونه DOE کارآمد برای 5 متغیر طراحی پیشنهاد دهید. زمینه: متغیرها و محدوده آنها: [محدوده ها را به صورت ناشناس بنویسید]. هدف: به حداقل رساندن، بودجه 40 اجرای واقعی. خروجی: روش نمونه گیری + چند امتیاز + توجیه. نصف برون یابی را اضافه کنید.

الگو 3 - تفسیر نتیجه مدل جایگزین:

نقش: دانشمند داده + مهندس CAE. وظیفه: معیارهای خطای پیش‌بینی مدل جایگزین من را تفسیر کنید. زمینه: R2=0.94، میانگین خطای مطلق=8 مگاپاسکال، بدترین نقطه در لبه فضای طراحی. محدودیت: در مورد قابلیت اطمینان در لبه ها صریح باشید. به من بگویید کدام نامزدها نیاز به تأیید با حل کننده واقعی دارند. خروجی: تفسیر + معیار نامزدی که نیاز به تأیید دارد.

الگو 4 - تعریف محدودیت طراحی مولد:

نقش: شما یک متخصص طراحی مولد هستید. وظیفه: پیش نویس بیانیه مشکل طراحی مولد برای یک براکت موتور. زمینه: 3 پورت ثابت است، حجم ممنوعه، حداقل جرم مورد نظر، مواد آلومینیوم ریخته گری، روش تولید ریخته گری است. خروجی: بارها | محدودیت ها | هدف | جدول درجه تولید

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

این قطعه را سبک کنید

نتیجه نامشخص است. کدام بار، کدام ماده، کدام محدودیت نامشخص است. هوش مصنوعی پاسخی کلی و بی فایده می دهد.

اعلان قدرتمند:

نقش: شما یک مهندس CAE هستید. وظیفه: 3 استراتژی مختلف برای روشن کردن براکت زیر از نظر جرم (توپولوژی، ماده، مقطع) پیشنهاد کنید. زمینه: براکت فولادی، بار ثابت + ارتعاشی 3 کیلونیوتن، ضریب ایمنی باید حداقل 1.5 حفظ شود، ریخته گری باید قابل تولید باقی بماند. محدودیت: سود و ریسک مورد انتظار را برای هر استراتژی بنویسید. هیچ پیشنهادی را بدون آزمایش "ایمن" اعلام نکنید. خروجی: استراتژی | افزایش جرم تخمینی | ریسک | تست تایید

اشتباهات رایج

• اشتباه گرفتن مدل جایگزین برای حل کننده واقعی. مدل جایگزین پیش بینی می کند؛ راه حل واقعی و آزمایش فیزیکی نامزدهای نهایی را تأیید می کند.
• دور زدن استقلال شبکه مش درشت می تواند نتیجه ای ایجاد کند که ایمن به نظر می رسد اما در واقع خطرناک است.
• شرایط مرزی نادرست اگر سناریوی بارگیری واقعی اشتباه باشد، "عامل ایمنی" فریب می دهد.
• عدم توجه به برون یابی پیش‌بینی‌هایی که خارج از فضای طراحی هستند می‌توانند بی‌صدا اشتباه باشند.
• فراموش کردن قابلیت تولید هندسه ارگانیک زیبا به نظر می رسد بی ارزش است اگر آن را نمی توان ریخته گری یا ماشین کاری.

به طور خلاصه

• CAE، FEA و CFD طراحی را بر روی کامپیوتر قبل از نمونه اولیه فیزیکی آزمایش می کنند. آنها سنگین و کند هستند.
• مدل‌های جایگزین و طراحی مولد این فرآیند را با هوش مصنوعی بسیار تسریع می‌کنند، اما جایگزین حل‌کننده واقعی و آزمایش فیزیکی نمی‌شوند.
• هر نتیجه شبیه سازی باید از نظر همگرایی، استقلال مش، شرایط مرزی و مدل ماده تایید شود.
• مدل جایگزین در درون یابی قابل اعتماد است اما در برون یابی خطرناک است. بهترین نامزدها همیشه با راه حل واقعی تایید می شوند.

وظیفه کاربردی

قسمتی را انتخاب کنید (مثلاً براکت کنسول). (1) هدف، محدودیت های ثابت و متغیرهای طراحی را که باید بهینه شوند را بنویسید. (2) یک پیش نویس بیانیه مشکل طراحی مولد را با الگو 4 تهیه کنید. (3) از هوش مصنوعی بخواهید یک گردش کار مدل جایگزین را توصیف کند و بپرسد "از کدام مرحله نمی گذرم" و پاسخ را با سه لنگر ارزیابی کند. (4) بیان کنید که چه آزمایش فیزیکی را برای تأیید نتیجه انجام خواهید داد.

چک لیست

• [ ] من هدف بهینه سازی و محدودیت های ثابت را روشن کردم.
• [ ] من تفاوت بین مدل جایگزین و حل کننده واقعی را در اعلان منعکس کردم.
• [ ] من همگرایی و بررسی استقلال شبکه را برنامه ریزی کردم.
• [ ] من تأیید کردم که شرایط مرزی سناریوی بارگیری واقعی را منعکس می کند.
• [ ] مرحله تایید بهترین نامزدها را با راه حل واقعی + تست فیزیکی اضافه کردم.
• [ ] من قابلیت ساخت را در لیست به عنوان معیار قرار دادم.