Transporto priemonių projektavimo ir modeliavimo palaikymas: CAE, CFD ir FEA

Pelnas:

• Gebėjimas paaiškinti CAE, CFD ir FEA modeliavimo vaidmenį automobilių projekte ir kaip dirbtinis intelektas jį pagreitina kaip pakaitinį modelį
• Gebėjimas nustatyti struktūrinius nurodymus generatyviniam projektavimui, parametrų nuskaitymui ir modeliavimo rezultatų interpretavimui
• Galimybė patvirtinti dirbtinio intelekto sukurtą dizainą ir pakaitinio modelio išvestį su konvergencija, tinklo nepriklausomumu ir fizinėmis ribinėmis sąlygomis

Šiuolaikinės transporto priemonės dizainas dabar dažniausiai gimsta kompiuteryje prieš pjaustant lakštinį plieną ir kuriant prototipus. Šio skaitmeninio dizaino ir tikrinimo pasaulio esmė yra trys akronimai: CAE, CFD ir FEA. Šiame skyriuje mes pirmiausia paaiškinsime šias tris sąvokas paprastai, tada pamatysime, kaip dirbtinis intelektas pagreitina šiuos sunkius skaičiavimus ir, svarbiausia, kaip saugiai patikrinti šiuos greitus rezultatus.

• CAE (Computer-Aided Engineering): tai skėtinis terminas, nurodantis dizaino elgseną (stiprumą, srautą, šilumą, vibraciją) kompiuteryje nekuriant fizinio prototipo.
• FEA (baigtinių elementų analizė): tai metodas, kuris dalina dalį į tūkstančius mažų "elementų" ir apskaičiuoja, kaip ji bus ištempta, sulenkta ir ar ji sulaužys ją veikiant jėgai. Pavyzdys: ar įvažiavus į duobę nulūš pakabos svirtis.
• CFD (Computational Fluid Dynamics): imituoja oro arba skysčio srautą. Pavyzdys: oro srautas aplink transporto priemonę (aerodinaminis pasipriešinimas), variklio aušinimas, salono vėdinimas.

Kodėl modeliavimas yra lėtas ir kur atsiranda AI?

Didelio tikslumo CFD arba FEA sprendimas gali užtrukti valandas ar net dienas kompiuterių grupėje, kad būtų sukurtas vienas dizainas. Kai inžinierius nori išbandyti 200 skirtingų geometrijų, tai reiškia mėnesius. Čia dirbtinis intelektas atlieka du galingus vaidmenis:

1. Pakaitinis modelis / metamodelis: tai mašininio mokymosi modelis, kuris mokosi iš nedaugelio realių modeliavimų ir per kelias sekundes numato naujų projektų rezultatus. Jis nepakeičia tikrojo tirpiklio; yra greitas jo „aproksimatorius“. Nuskenavus 200 dizainų su surogatiniu modeliu, o ne tikruoju sprendėju, o 5 perspektyviausius išsiuntus tikram sprendėjui, sutaupoma daug laiko.
2. Generatyvusis projektavimas: tai metodas, kai kompiuteris sukuria daugybę alternatyvių geometrijų pagal inžinieriaus nustatytus apribojimus (jungimo taškai, vežama apkrova, draudžiamos vietos, medžiagos). Rezultatas dažnai yra organinės, panašios į kaulus, lengvos struktūros.

Patarimas: surogatinis modelis yra patikimas, kai „interpoliuoja“ (numatydamas išmoktą diapazoną); Tai pavojinga „ekstrapoliuojant“ (numatant už išmokto diapazono ribų). Žinokite savo dizaino erdvės ribas.

Žingsnis po žingsnio: AI pagrįsta modeliavimo darbo eiga

1. Išsiaiškinkite problemą ir apribojimus. Ką optimizuojate (svorį? tempimą? įtempimą?), kokie apribojimai yra fiksuoti (montavimo angų vietos, montavimo tūris)?
2. Nustatykite dizaino kintamuosius. Pavyzdžiui, 5 aušinimo kanalo parametrai: įleidimo kampas, skerspjūvio plotas, ilgis, lenkimo spindulys, išleidimo padėtis.
3. Atlikti eksperimentų projektavimą (DOE - Design of Experiments). Pasirinkite pavyzdį (pvz., 40 taškų), kuris protingai apima erdvę, o ne visus derinius. AI čia gali pasiūlyti atrankos strategiją.
4. Paleiskite šiuos 40 taškų su tikruoju sprendėju. Tai yra „realybės“ duomenys.
5. Išmokykite pakaitinį modelį ir išmatuokite jo tikslumą rezervuotais bandymo taškais.
6. Atlikite išsamią patikrą su pakaitiniu modeliu ir pasirinkite geriausius kandidatus.
7. Dar kartą patvirtinkite geriausius kandidatus naudodami tikrąjį sprendėją. Šio žingsnio negalima praleisti.
8. Įrodykite galutinį sprendimą fiziniu prototipu / bandymu.

Modeliavimo išvesties patvirtinimas: konvergencija ir tinklo nepriklausomybė

Prieš pasitikėdami FEA/CFD rezultatu, reikia atlikti du svarbius patikrinimus:

• Konvergencija: iteracinis sprendiklio skaičiavimas pasiekia stabilią vertę. Nekonverguotas sprendimas yra beprasmis. Kai AI sako „rezultatas 250 MPa“, turėtumėte patvirtinti, ar tai yra iš konverguoto sprendimo.
• Tinklelio nepriklausomumas: Suveržus elementus (tinklelį), į kuriuos padalinate detalę, rezultatas reikšmingai nepasikeičia. Jei tinklelis per šiurkštus, rezultatas gali būti klaidinantis; Jei jis per plonas, skaičiavimas bus be reikalo ilgas. Paprastai tinklas įtempiamas du ar tris kartus ir randamas taškas, kuriame rezultatas stabilizuojasi.

kontroliuoti

Ko jis klausia?

Rizikuoti šokdamas

konvergencija

Ar sprendimas pasiekė stabilią vertę?

Atsitiktinis/beprasmis rezultatas

Tinklo nepriklausomybė

Ar rezultatas pasikeičia, kai tinklas tampa tankesnis?

Streso pervertinimas/pervertinimas

ribinė sąlyga

Ar apkrovos / atramos yra tikroviškos?

Neteisingas scenarijus, saugus dizainas

Medžiagos modelis

Ar įvesta teisinga kreivė/ypatybė?

Neteisingas stiprumo įvertinimas

Įspėjimas: kai dirbtinis intelektas išveda pakaitinį modelį, faktinis šio išvesties modeliavimas turi atitikti konvergenciją ir tinklo nepriklausomybę. „Šiukšlės įvežamos, šiukšlės išvežamos“: surogatinis modelis, parengtas naudojant blogą modeliavimą, sukuria blogą prognozę.

Mini atvejų analizė

1 atvejis – pakabos svirties apšvietimas. Komanda perprojektuoja generatyvaus dizaino aliuminio pakabos svirtį. Apmokytas 60 tikrų FEA sprendimų, surogatinis modelis siūlo geometriją, kuri sumažina svorį 19%. Komanda patvirtina 3 geriausius kandidatus tikruoju sprendėju; tikrasis maksimalus vieneto įtempis buvo 12 % didesnis nei pakaitinio modelio prognozė (buvo ekstrapoliacijos srityje). Tas kandidatas pašalinamas, likusieji du priimami ir siunčiami atlikti fizinio nuovargio testą. Rezultatas: Greitis buvo pasiektas, bet galutinis sprendimas buvo priimtas realiu sprendimu + bandymu.

2 atvejis – aerodinaminis veidrodis. Atliekamas 5 parametrų skenavimas, siekiant sumažinti šoninio veidrodėlio keliamą vėjo triukšmą. Su tikru CFD dizainas trunka 6 valandas; 5000 virtualių dizainų su 45 realiais paleidimais ir tarpiniais modeliais nuskaitomi per kelias sekundes. Yra kandidatas, kurio pasipriešinimo koeficientas (Cd) pagerėjo maždaug 4 balais (priešpriekio skaičius) ir yra bandomas vėjo tunelyje; išmatuotas pagerėjimas yra 85% prognozės. Išvada: AI susiaurino paiešką, įrodo vėjo tunelis.

3 atvejis – neteisinga ribinė sąlyga. Korpuso laikiklio FEA AI sako „saugus nuo streso, koeficientas 2,1“. Vyresnysis inžinierius žiūri į ribinę sąlygą: apkrova veikia viena kryptimi, o realiai veikia vibruojanti dvikryptė apkrova. Išsprendus dar kartą pagal teisingą scenarijų, saugos koeficientas sumažėja iki 1,1; Tai nepriimtina. Rezultatas: AI sakydamas „saugu“ apgavo dėl neteisingo scenarijaus; įvesties patvirtinimas išsaugojo rezultatą.

raginimo šablonai

1 šablonas – modeliavimo sąrankos peržiūra:

Vaidmuo: esate vyresnysis CAE (baigtinių elementų) inžinierius. Užduotis: Peržiūrėkite toliau pateiktą FEA sąranką ir nurodykite trūkstamus / rizikos taškus. Kontekstas: Aliumininė pakabos svirtis, statinė apkrova 6 kN, surinkimas iš 2 varžtų, medžiagos takumo riba 240 MPa. Apribojimas: adreso konvergencija, tinklo nepriklausomumas, ribinė sąlyga ir medžiagos modelio antraštės atskirai. Rezultatas: kontrolinis sąrašas + kiekvienam elementui „gerai/rizikinga/neužbaigta“.

2 šablonas – pasiūlymas dėl eksperimentų planavimo (DOE):

Vaidmuo: Jūs esate optimizavimo konsultantas.Užduotis: Pasiūlykite efektyvų DOE pavyzdį 5 projektavimo kintamiesiems.Kontekstas: Kintamieji ir jų diapazonai: [rašyti diapazonus anonimiškai].Tikslas: Vilkimo sumažinimas, biudžetas 40 realių paleidimų.Išvestis: Atrankos metodas + kiek taškų + pagrindimas. Pridėkite ekstrapoliacijos pusę.

3 šablonas – pakaitinio modelio rezultato interpretavimas:

Vaidmuo: duomenų mokslininkas + CAE inžinierius. Užduotis: Interpretuokite mano pakaitinio modelio numatymo klaidų metriką. Kontekstas: R2=0,94, vidutinė absoliuti paklaida=8 MPa, blogiausias taškas projektavimo erdvės pakraštyje. Apribojimas: aiškiai nurodykite patikimumą kraštuose; pasakykite man, kuriuos kandidatus reikia patikrinti su tikruoju sprendėju. Rezultatas: aiškinimas + kandidato kriterijus, kurį reikia patikrinti.

4 šablonas – generuojamojo dizaino apribojimo apibrėžimas:

Vaidmuo: Esate generatyvaus dizaino ekspertas.Užduotis: Parengti variklio kronšteino generatyvinio projektavimo problemos teiginį.Kontekstas: Fiksuoti 3 prievadai, yra draudžiamas tūris, tikslasminimali masė, medžiaga yra liejamas aliuminis, gamybos būdas yra liejimas.Išvestis: Apkrovos | apribojimai | taikinys | gamybos laipsnio lentelė.

Silpnas raginimas / Stiprus raginimas

Silpnas raginimas:

Palengvinkite šį gabalą.

Rezultatas neaiškus; Kokia apkrova, kokia medžiaga, koks apribojimas – neaišku. AI pateikia bendrą, nenaudingą atsakymą.

Galingas raginimas:

Vaidmuo: esate CAE inžinierius. Užduotis: Pasiūlykite 3 skirtingas strategijas, kaip palengvinti toliau pateiktą skliaustą masės atžvilgiu (topologija, medžiaga, pjūvis). Kontekstas: Plieninis laikiklis, 3 kN statinė + vibracinė apkrova, saugos koeficientas turi būti ne mažesnis kaip 1,5, liejimas turi išlikti tinkamas gaminti. Apribojimas: parašykite kiekvienos strategijos numatomą pelną ir riziką; nepaskelbkite jokio pasiūlymo „saugiu“ be bandymo. Rezultatas: strategija | numatomas masės padidėjimas | rizika | patikros testas.

Dažnos klaidos

• Pakaitinio modelio klaidinimas su tikruoju sprendėju. Pakaitinis modelis numato; Tikrasis sprendimas ir fizinis testavimas patvirtina galutinius kandidatus.
• Apeinant tinklo nepriklausomybę. Šiurkštus tinklelis gali duoti rezultatą, kuris atrodo saugus, bet iš tikrųjų rizikingas.
• Neteisinga ribinė sąlyga. „Saugos faktorius“ apgaudinėja, jei tikrasis pakrovimo scenarijus yra neteisingas.
• Nepastebėti ekstrapoliacijos. Prognozės, išeinančios už projektavimo erdvės ribų, gali būti tyliai klaidingos.
• Pamiršus pagaminamumą. Gražiai atrodanti organinė geometrija yra bevertė, jei jos negalima lieti ar apdirbti.

Apibendrinant

• CAE, FEA ir CFD išbando dizainą kompiuteryje prieš fizinį prototipą; Jie yra sunkūs ir lėti.
• Pakaitiniai modeliai ir generatyvus dizainas labai pagreitina šį procesą naudojant AI, tačiau jie nepakeičia tikrojo sprendimo ir fizinio testavimo.
• Kiekvienas modeliavimo rezultatas turi būti patvirtintas konvergencijos, tinklo nepriklausomumo, ribinės sąlygos ir medžiagos modelio požiūriu.
• Pakaitinis modelis yra patikimas interpoliuojant, bet rizikingas ekstrapoliuojant; geriausi kandidatai visada patvirtinami realiu sprendimu.

Taikymo užduotis

Pasirinkite dalį (pvz., konsolės laikiklį). (1) Užrašykite tikslą, fiksuotus apribojimus ir projektinius kintamuosius, kuriuos reikia optimizuoti. (2) Sukurkite generatyvaus projektavimo problemos pareiškimo projektą naudodami 4 šabloną. (3) Paprašykite dirbtinio intelekto apibūdinti pakaitinio modelio darbo eigą ir paklauskite „kurio žingsnio niekada nepraleisčiau“ ir įvertinkite atsakymą trimis inkarais. (4) Nurodykite, kokį fizinį testą atliksite, kad patvirtintumėte rezultatą.

kontrolinis sąrašas

• [ ] Išsiaiškinau optimizavimo tikslą ir ištaisiau apribojimus.
• [ ] Užklausoje atspindėjau skirtumą tarp surogatinio modelio ir tikrojo sprendėjo.
• [ ] Suplanavau konvergencijos ir tinklo nepriklausomumo patikrinimą.
• [ ] Patikrinau, kad ribinės sąlygos atspindi tikrąjį pakrovimo scenarijų.
• [ ] Pridėjau žingsnį – geriausių kandidatų patvirtinimas realiu sprendimu + fizinis testavimas.
• [ ] Gamybiškumą į sąrašą įtraukiau kaip kriterijų.