વાહન ડિઝાઇન અને સિમ્યુલેશન સપોર્ટ: CAE, CFD અને FEA

નફો:

• ઓટોમોટિવ ડિઝાઇનમાં CAE, CFD અને FEA સિમ્યુલેશનની ભૂમિકા અને કૃત્રિમ બુદ્ધિ તેને સરોગેટ મોડેલ તરીકે કેવી રીતે વેગ આપે છે તે સમજાવવાની ક્ષમતા
• જનરેટિવ ડિઝાઇન, પેરામીટર સ્કેનિંગ અને સિમ્યુલેશન પરિણામ અર્થઘટન માટે માળખાગત સંકેતો સેટ કરવાની ક્ષમતા
• કન્વર્જન્સ, નેટવર્ક સ્વતંત્રતા અને ભૌતિક સીમા શરતો સાથે એઆઈ-ડેરીવ્ડ ડિઝાઇન અને સરોગેટ મોડેલ આઉટપુટને માન્ય કરવાની ક્ષમતા

શીટ સ્ટીલને કાપીને અને પ્રોટોટાઇપ બનાવતા પહેલા આધુનિક વાહનની ડિઝાઇન મોટાભાગે કમ્પ્યુટર પર જન્મે છે. ડિજિટલ ડિઝાઇન અને ચકાસણીની આ દુનિયાના કેન્દ્રમાં ત્રણ સંક્ષિપ્ત શબ્દો છે: CAE, CFD અને FEA. આ એકમમાં, આપણે પહેલા આ ત્રણ વિભાવનાઓને સરળ રીતે સમજાવીશું, પછી આપણે જોઈશું કે કૃત્રિમ બુદ્ધિ આ ભારે ગણતરીઓને કેવી રીતે વેગ આપે છે અને સૌથી અગત્યનું, આ ઝડપી આઉટપુટને સુરક્ષિત રીતે કેવી રીતે ચકાસવું.

• CAE (કમ્પ્યુટર-એઇડેડ એન્જિનિયરિંગ): ભૌતિક પ્રોટોટાઇપ બનાવ્યા વિના કમ્પ્યુટર પર ડિઝાઇન (તાકાત, પ્રવાહ, ગરમી, કંપન) ની વર્તણૂકનું અનુકરણ કરવા માટે તે એક છત્ર શબ્દ છે.
• FEA (ફિનિટ એલિમેન્ટ એનાલિસિસ): તે એક પદ્ધતિ છે જે એક ભાગને હજારો નાના "તત્વો"માં વિભાજિત કરે છે અને ગણતરી કરે છે કે તે કેવી રીતે ખેંચાશે, વાળવામાં આવશે અને તેના પર લાગુ બળ હેઠળ તે તૂટી જશે કે કેમ. ઉદાહરણ: ખાડામાં પ્રવેશતી વખતે સસ્પેન્શન હાથ તૂટી જશે કે કેમ.
• CFD (કોમ્પ્યુટેશનલ ફ્લુઇડ ડાયનેમિક્સ): હવા અથવા પ્રવાહી પ્રવાહનું અનુકરણ કરે છે. ઉદાહરણ: વાહનની આસપાસ હવાનો પ્રવાહ (એરોડાયનેમિક ડ્રેગ), એન્જિન કૂલિંગ, કેબિન વેન્ટિલેશન.

સિમ્યુલેશન શા માટે ધીમું છે અને AI ક્યાં કામમાં આવે છે?

હાઇ-ફિડેલિટી CFD અથવા FEA સોલ્યુશન એક જ ડિઝાઇન માટે કમ્પ્યુટરના ક્લસ્ટર પર કલાકો અથવા તો દિવસો પણ લઈ શકે છે. જ્યારે એન્જિનિયર 200 વિવિધ ભૂમિતિઓ અજમાવવા માંગે છે, તેનો અર્થ એ કે મહિનાઓ. આ તે છે જ્યાં કૃત્રિમ બુદ્ધિ બે શક્તિશાળી ભૂમિકા ભજવે છે:

1. સરોગેટ મોડેલ / મેટામોડલ: તે એક મશીન લર્નિંગ મોડલ છે જે થોડી સંખ્યામાં વાસ્તવિક સિમ્યુલેશનમાંથી શીખે છે અને સેકન્ડોમાં નવી ડિઝાઇનના પરિણામની આગાહી કરે છે. તે વાસ્તવિક દ્રાવકને બદલતું નથી; તે એક ઝડપી "અંદાજે" છે. સરોગેટ મોડલ સાથે 200 ડિઝાઈન સ્કેન કરવી, વાસ્તવિક સોલ્વર નહીં, અને 5 સૌથી આશાસ્પદ ડિઝાઈનને વાસ્તવિક સોલ્વરને મોકલવાથી ઘણો સમય બચે છે.
2. જનરેટિવ ડિઝાઈન: તે એક પદ્ધતિ છે જેમાં કમ્પ્યુટર એન્જિનિયર દ્વારા આપવામાં આવેલી મર્યાદાઓ (કનેક્શન પોઈન્ટ, વહન કરવા માટેનો ભાર, પ્રતિબંધિત વિસ્તારો, સામગ્રી) હેઠળ મોટી સંખ્યામાં વૈકલ્પિક ભૂમિતિઓનું ઉત્પાદન કરે છે. પરિણામ ઘણીવાર કાર્બનિક, હાડકા જેવું, હળવા વજનનું માળખું હોય છે.

ટીપ: સરોગેટ મોડેલ વિશ્વસનીય છે જ્યારે "ઇન્ટરપોલિંગ" (તે જે શીખ્યા છે તે શ્રેણીમાં અનુમાન લગાવવું); તે ખતરનાક છે જ્યારે "એક્સ્ટ્રાપોલેટિંગ" (તે શીખ્યા છે તે શ્રેણીની બહાર આગાહી કરવી). તમારી ડિઝાઇન જગ્યાની મર્યાદા જાણો.

સ્ટેપ બાય સ્ટેપ: AI-સંચાલિત સિમ્યુલેશન વર્કફ્લો

1. સમસ્યા અને અવરોધો સ્પષ્ટ કરો. તમે શું ઑપ્ટિમાઇઝ કરી રહ્યાં છો (વજન? ખેંચો? તણાવ?), કયા અવરોધો નિશ્ચિત છે (માઉન્ટિંગ હોલ લોકેશન્સ, માઉન્ટિંગ વોલ્યુમ)?
2. ડિઝાઇન ચલો ઓળખો. ઉદાહરણ તરીકે, કૂલિંગ ચેનલના 5 પરિમાણો: ઇનલેટ એંગલ, ક્રોસ-વિભાગીય વિસ્તાર, લંબાઈ, વળાંક ત્રિજ્યા, આઉટલેટ સ્થિતિ.
3. પ્રયોગોની ડિઝાઇન કરો (DOE - પ્રયોગોની ડિઝાઇન). એક નમૂનો પસંદ કરો (દા.ત. 40 પોઈન્ટ) જે જગ્યાને સમજદારીથી આવરી લે છે, બધા સંયોજનોને નહીં. AI અહીં સેમ્પલિંગ વ્યૂહરચના સૂચવી શકે છે.
4. વાસ્તવિક સોલ્વર સાથે આ 40 પોઈન્ટ ચલાવો. આ "વાસ્તવિકતા" ડેટા છે.
5. સરોગેટ મોડલને તાલીમ આપો અને આરક્ષિત પરીક્ષણ બિંદુઓ સાથે તેની ચોકસાઈને માપો.
6. સરોગેટ મોડેલ સાથે વિસ્તૃત તપાસ કરો અને શ્રેષ્ઠ ઉમેદવારોને પસંદ કરો.
7. વાસ્તવિક સોલ્વર સાથે ફરીથી શ્રેષ્ઠ ઉમેદવારોને માન્ય કરો. આ પગલું છોડી શકાતું નથી.
8. ભૌતિક પ્રોટોટાઇપ/પરીક્ષણ સાથે અંતિમ નિર્ણય સાબિત કરો.

સિમ્યુલેશન આઉટપુટની માન્યતા: કન્વર્જન્સ અને નેટવર્ક સ્વતંત્રતા

FEA/CFD પરિણામ પર વિશ્વાસ કરતા પહેલા બે મહત્વપૂર્ણ તપાસ છે:

• કન્વર્જન્સ: સોલ્વરની પુનરાવર્તિત ગણતરી સ્થિર મૂલ્ય સુધી પહોંચે છે. બિન-કન્વર્જ્ડ સોલ્યુશન અર્થહીન છે. જ્યારે AI "પરિણામ 250 MPa" કહે છે ત્યારે તમારે પુષ્ટિ કરવી જોઈએ કે શું આ કન્વર્જ્ડ સોલ્યુશનમાંથી છે.
• મેશ સ્વતંત્રતા: જ્યારે તમે એલિમેન્ટ્સ (મેશ) ને સજ્જડ કરો છો જેમાં તમે ભાગ વિભાજીત કરો છો ત્યારે પરિણામ નોંધપાત્ર રીતે બદલાતું નથી. જો જાળી ખૂબ બરછટ હોય, તો પરિણામ ભ્રામક હોઈ શકે છે; જો તે ખૂબ પાતળું હોય, તો ગણતરી બિનજરૂરી રીતે લાંબી હશે. સામાન્ય રીતે, નેટવર્કને બે અથવા ત્રણ વખત કડક કરવામાં આવે છે અને એક બિંદુ જોવા મળે છે જ્યાં પરિણામ સ્થિર થાય છે.

નિયંત્રણ

તે શું પૂછે છે?

જ્યારે કૂદકો માર્યો ત્યારે જોખમ

કન્વર્જન્સ

શું ઉકેલ સ્થિર મૂલ્ય સુધી પહોંચી ગયો છે?

રેન્ડમ/અર્થહીન પરિણામ

નેટવર્ક સ્વતંત્રતા

જ્યારે નેટવર્ક વધુ ગીચ બને છે ત્યારે શું પરિણામ બદલાય છે?

સ્ટ્રેસ હેઠળ/વધારે અંદાજ

સીમાની સ્થિતિ

શું લોડ/સપોર્ટ્સ વાસ્તવિક છે?

ખોટું દૃશ્ય, સલામત ડિઝાઇન

સામગ્રી મોડેલ

શું યોગ્ય વળાંક/સુવિધા દાખલ કરવામાં આવી છે?

ખોટો તાકાત અંદાજ

સાવધાન: જ્યારે AI સરોગેટ મોડલને આઉટપુટ કરે છે, ત્યારે તે આઉટપુટ પાછળના વાસ્તવિક સિમ્યુલેશન્સ કન્વર્જન્સ અને નેટવર્ક સ્વતંત્રતામાંથી પસાર થયા હોવા જોઈએ. “ગાર્બેજ ઇન, ગાર્બેજ આઉટ”: ખરાબ સિમ્યુલેશન પર પ્રશિક્ષિત સરોગેટ મોડલ ખરાબ અનુમાન પેદા કરે છે.

મિની કેસ સ્ટડીઝ

કેસ 1 - સસ્પેન્શન હાથ પર લાઈટનિંગ. એક ટીમ જનરેટિવ ડિઝાઇન સાથે એલ્યુમિનિયમ સસ્પેન્શન આર્મને ફરીથી ડિઝાઇન કરે છે. 60 વાસ્તવિક FEA સોલ્યુશન્સ પર પ્રશિક્ષિત, સરોગેટ મોડેલ એવી ભૂમિતિનો પ્રસ્તાવ મૂકે છે જે વજનમાં 19% ઘટાડો કરે છે. ટીમ વાસ્તવિક સોલ્વર સાથે ટોચના 3 ઉમેદવારોને માન્ય કરે છે; એકનો વાસ્તવિક મહત્તમ તાણ સરોગેટ મોડલની આગાહી કરતા 12% વધારે હતો (તે એક્સ્ટ્રાપોલેશન પ્રદેશમાં હતો). તે ઉમેદવારને દૂર કરવામાં આવે છે, બાકીના બેને સ્વીકારવામાં આવે છે અને શારીરિક થાક પરીક્ષણ માટે મોકલવામાં આવે છે. પરિણામ: ઝડપ મેળવી હતી, પરંતુ અંતિમ નિર્ણય વાસ્તવિક ઉકેલ + પરીક્ષણ દ્વારા લેવામાં આવ્યો હતો.

કેસ 2 - એરોડાયનેમિક મિરર. સાઇડ મિરર દ્વારા બનાવેલ પવનના અવાજને ઘટાડવા માટે 5-પેરામીટર સ્કેન કરવામાં આવે છે. વાસ્તવિક CFD સાથે ડિઝાઇન 6 કલાક લે છે; 45 વાસ્તવિક રન + પ્રોક્સી મોડલ સાથે 5,000 વર્ચ્યુઅલ ડિઝાઇન સેકન્ડમાં સ્કેન કરવામાં આવે છે. ત્યાં એક ઉમેદવાર છે જે ડ્રેગ ગુણાંક (Cd) માં આશરે 4 પોઈન્ટ્સ (ડ્રેગ કાઉન્ટ) નો સુધારો પ્રદાન કરે છે અને તેનું વિન્ડ ટનલમાં પરીક્ષણ કરવામાં આવે છે; માપેલ સુધારો આગાહીના 85% છે. નિષ્કર્ષ: AI એ શોધને સાંકડી કરી, પવન ટનલ સાબિત કરે છે.

કેસ 3 - ખોટી સીમાની સ્થિતિ. બોડી બ્રેકેટના FEA માં, AI કહે છે "તણાવ સુરક્ષિત, પરિબળ 2.1". વરિષ્ઠ ઇજનેર સીમાની સ્થિતિને જુએ છે: લોડ એક દિશામાં લાગુ થાય છે, જ્યારે વાસ્તવિક કામગીરીમાં વાઇબ્રેટિંગ દ્વિદિશ ભાર હોય છે. જ્યારે યોગ્ય દૃશ્ય સાથે ફરીથી ઉકેલવામાં આવે છે, ત્યારે સલામતી પરિબળ ઘટીને 1.1 થાય છે; આ અસ્વીકાર્ય છે. પરિણામ: AI "સલામત" કહેતી ખોટી પરિસ્થિતિને કારણે છેતરતી હતી; ઇનપુટ માન્યતાએ પરિણામ સાચવ્યું.

પ્રોમ્પ્ટ નમૂનાઓ

નમૂનો 1 - સિમ્યુલેશન સેટઅપ સમીક્ષા:

ભૂમિકા: તમે વરિષ્ઠ CAE (ફિનિટ એલિમેન્ટ) એન્જિનિયર છો. કાર્ય: નીચે મારા FEA સેટઅપની સમીક્ષા કરો અને ખૂટતા/જોખમ બિંદુઓની સૂચિ બનાવો. સંદર્ભ: એલ્યુમિનિયમ સસ્પેન્શન આર્મ, સ્ટેટિક લોડ 6 kN, 2 બોલ્ટથી એસેમ્બલી, સામગ્રીની શક્તિ 240 MPa. અવરોધ: એડ્રેસ કન્વર્જન્સ, મેશ ઇન્ડિપેન્ડન્સ, બાઉન્ડ્રી કન્ડીશન અને મટીરીયલ મોડલ હેડર અલગથી. આઉટપુટ: ચેકલિસ્ટ + આઇટમ દીઠ 'ઓકે/રિસ્કી/અપૂર્ણ'.

ટેમ્પલેટ 2 - પ્રયોગોની ડિઝાઇન (DOE) પ્રસ્તાવ:

ભૂમિકા: તમે ઑપ્ટિમાઇઝેશન કન્સલ્ટન્ટ છો. કાર્ય: 5 ડિઝાઇન વેરિયેબલ્સ માટે કાર્યક્ષમ DOE નમૂનાનો પ્રસ્તાવ મૂકો. સંદર્ભ: ચલ અને તેમની શ્રેણીઓ: [અનામી રીતે શ્રેણીઓ લખો]. હેતુ: ખેંચો લઘુત્તમીકરણ, બજેટ 40 વાસ્તવિક રન. આઉટપુટ: નમૂના પદ્ધતિ + કેટલા પોઈન્ટ + વાજબીપણું. એક્સ્ટ્રાપોલેશન અર્ધ ઉમેરો.

નમૂનો 3 - સરોગેટ મોડેલ પરિણામનું અર્થઘટન:

ભૂમિકા: ડેટા સાયન્ટિસ્ટ + CAE એન્જિનિયર. કાર્ય: મારા સરોગેટ મોડેલની આગાહી ભૂલ મેટ્રિક્સનું અર્થઘટન કરો. સંદર્ભ: R2=0.94, મતલબ સંપૂર્ણ ભૂલ=8 MPa, ડિઝાઇન સ્પેસના કિનારે સૌથી ખરાબ બિંદુ. અવરોધ: કિનારીઓ પર વિશ્વસનીયતા વિશે સ્પષ્ટ રહો; મને કહો કે કયા ઉમેદવારોને વાસ્તવિક સોલ્વર સાથે ચકાસણીની જરૂર છે. આઉટપુટ: અર્થઘટન + ઉમેદવાર માપદંડ કે જેની ચકાસણી કરવાની જરૂર છે.

નમૂનો 4 - જનરેટિવ ડિઝાઇન અવરોધ વ્યાખ્યા:

ભૂમિકા: તમે જનરેટિવ ડિઝાઇન નિષ્ણાત છો. કાર્ય: એન્જિન કૌંસ માટે જનરેટિવ ડિઝાઇન સમસ્યા નિવેદનનો મુસદ્દો તૈયાર કરો. સંદર્ભ: 3 પોર્ટ નિશ્ચિત છે, ત્યાં પ્રતિબંધિત વોલ્યુમ છે, લઘુત્તમ સમૂહ છે, સામગ્રી કાસ્ટ એલ્યુમિનિયમ છે, ઉત્પાદન પદ્ધતિ કાસ્ટિંગ છે. આઉટપુટ: લોડ | અવરોધો | લક્ષ્ય | ઉત્પાદનક્ષમતા ગ્રેડ ટેબલ.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

આ ભાગને હળવો કરો.

પરિણામ અનિશ્ચિત છે; કયો ભાર, કઈ સામગ્રી, કઈ અવરોધ અસ્પષ્ટ છે. AI એક સામાન્ય, નકામો જવાબ આપે છે.

શક્તિશાળી પ્રોમ્પ્ટ:

ભૂમિકા: તમે CAE એન્જિનિયર છો. કાર્ય: સમૂહ (ટોપોલોજી, સામગ્રી, વિભાગ)ની દ્રષ્ટિએ નીચેના કૌંસને હળવા કરવા માટે 3 અલગ-અલગ વ્યૂહરચનાઓ સૂચવો. સંદર્ભ: સ્ટીલ કૌંસ, 3 kN સ્ટેટિક + વાઇબ્રેટિંગ લોડ, સલામતી પરિબળ ઓછામાં ઓછું 1.5 જાળવવું આવશ્યક છે, કાસ્ટિંગ ઉત્પાદક રહેવું જોઈએ. અવરોધ: દરેક વ્યૂહરચના માટે અપેક્ષિત લાભ અને જોખમ લખો; પરીક્ષણ વિના કોઈપણ સૂચનને 'સુરક્ષિત' જાહેર કરશો નહીં. આઉટપુટ: વ્યૂહરચના | અંદાજિત સામૂહિક લાભ | જોખમ | ચકાસણી પરીક્ષણ.

સામાન્ય ભૂલો

• વાસ્તવિક ઉકેલનાર માટે સરોગેટ મોડેલને ભૂલવું. સરોગેટ મોડેલ આગાહી કરે છે; વાસ્તવિક ઉકેલ અને ભૌતિક પરીક્ષણ અંતિમ ઉમેદવારોની ચકાસણી કરે છે.
• નેટવર્ક સ્વતંત્રતા બાયપાસ. બરછટ જાળી એક પરિણામ ઉત્પન્ન કરી શકે છે જે સલામત લાગે છે પરંતુ વાસ્તવમાં જોખમી છે.
• ખોટી સીમાની સ્થિતિ. જો વાસ્તવિક લોડિંગ દૃશ્ય ખોટું હોય તો "સલામતી પરિબળ" છેતરપિંડી કરે છે.
• એક્સ્ટ્રાપોલેશનની નોંધ લેતા નથી. અનુમાન કે જે ડિઝાઇન સ્પેસની બહાર જાય છે તે ચૂપચાપ ખોટી હોઈ શકે છે.
• ઉત્પાદનક્ષમતાને ભૂલી જવું. સુંદર દેખાતી કાર્બનિક ભૂમિતિ નકામી છે જો તે કાસ્ટ અથવા મશીન કરી શકાતી નથી.

સારાંશમાં

• CAE, FEA અને CFD ભૌતિક પ્રોટોટાઇપ પહેલાં કમ્પ્યુટર પર ડિઝાઇનનું પરીક્ષણ કરે છે; તેઓ ભારે અને ધીમા છે.
• સરોગેટ મોડલ અને જનરેટિવ ડિઝાઇન AI સાથે આ પ્રક્રિયાને મોટા પ્રમાણમાં ઝડપી બનાવે છે, પરંતુ તેઓ વાસ્તવિક ઉકેલ અને ભૌતિક પરીક્ષણને બદલતા નથી.
• દરેક સિમ્યુલેશન પરિણામ કન્વર્જન્સ, મેશ સ્વતંત્રતા, સીમાની સ્થિતિ અને સામગ્રી મોડેલની દ્રષ્ટિએ માન્ય હોવું આવશ્યક છે.
• સરોગેટ મોડેલ પ્રક્ષેપણમાં વિશ્વસનીય છે પરંતુ એક્સ્ટ્રાપોલેશનમાં જોખમી છે; શ્રેષ્ઠ ઉમેદવારો હંમેશા વાસ્તવિક ઉકેલ સાથે પુષ્ટિ કરવામાં આવે છે.

એપ્લિકેશન કાર્ય

એક ભાગ પસંદ કરો (દા.ત. કન્સોલ કૌંસ). (1) ઑપ્ટિમાઇઝ કરવા માટેના ઉદ્દેશ્ય, નિશ્ચિત મર્યાદાઓ અને ડિઝાઇન ચલો લખો. (2) ટેમ્પલેટ 4 સાથે ડ્રાફ્ટ જનરેટિવ ડિઝાઇન પ્રોબ્લેમ સ્ટેટમેન્ટ તૈયાર કરો. (3) AI પાસે સરોગેટ મોડલ વર્કફ્લોનું વર્ણન કરો અને પૂછો કે "હું કયા પગલાને ક્યારેય છોડતો નથી" અને ત્રણ એન્કર સાથે જવાબનું મૂલ્યાંકન કરો. (4) પરિણામની પુષ્ટિ કરવા માટે તમે કયો શારીરિક પરીક્ષણ કરશો તે જણાવો.

ચેકલિસ્ટ

• [ ] મેં ઑપ્ટિમાઇઝેશન ધ્યેય અને નિશ્ચિત મર્યાદાઓ સ્પષ્ટ કરી.
• [ ] મેં પ્રોમ્પ્ટ પર સરોગેટ મોડેલ અને વાસ્તવિક સોલ્વર વચ્ચેના તફાવતને પ્રતિબિંબિત કર્યું.
• [ ] મેં કન્વર્જન્સ અને નેટવર્ક સ્વતંત્રતા તપાસનું આયોજન કર્યું.
• [ ] મેં ચકાસ્યું કે સીમાની સ્થિતિ વાસ્તવિક લોડિંગ દૃશ્યને પ્રતિબિંબિત કરે છે.
• [ ] મેં વાસ્તવિક ઉકેલ + ભૌતિક પરીક્ષણ સાથે શ્રેષ્ઠ ઉમેદવારોની પુષ્ટિ કરવાનું પગલું ઉમેર્યું.
• [ ] મેં ઉત્પાદનક્ષમતાને માપદંડ તરીકે યાદીમાં મૂક્યું છે.