ලාභ:
- මෝටර් රථ නිර්මාණයේදී CAE, CFD සහ FEA සමාකරණවල කාර්යභාරය සහ කෘතිම බුද්ධිය එය ආදේශක ආකෘතියක් ලෙස වේගවත් කරන ආකාරය පැහැදිලි කිරීමේ හැකියාව
- ජනක සැලසුම්, පරාමිති පරිලෝකනය සහ සමාකරණ ප්රතිඵල අර්ථ නිරූපණය සඳහා ව්යුහාත්මක විමසුම් සැකසීමේ හැකියාව
- අභිසාරීතාව, ජාල ස්වාධීනත්වය සහ භෞතික මායිම් තත්ත්වයන් සමඟ AI-ව්යුත්පන්න සැලසුම් සහ ආදේශක ආකෘති නිමැවුම් වලංගු කිරීමේ හැකියාව
නවීන වාහනයක සැලසුම දැන් බොහෝ දුරට ෂීට් වානේ කපා මූලාකෘති සෑදීමට පෙර පරිගණකය මත උපත ලබයි. ඩිජිටල් සැලසුම් සහ සත්යාපනය පිළිබඳ මෙම ලෝකයේ හදවතෙහි කෙටි යෙදුම් තුනක් ඇත: CAE, CFD සහ FEA. මෙම ඒකකයේදී, අපි මුලින්ම මෙම සංකල්ප තුන සරලව පැහැදිලි කරන්නෙමු, එවිට කෘතිම බුද්ධිය මෙම බර ගණනය කිරීම් වේගවත් කරන ආකාරය සහ වඩාත් වැදගත් ලෙස මෙම වේගවත් ප්රතිදානයන් ආරක්ෂිතව සත්යාපනය කරන්නේ කෙසේදැයි අපි බලමු.
- CAE (පරිගණක ආධාරක ඉංජිනේරු): එය භෞතික මූලාකෘතියක් සාදා නොගෙන පරිගණකයක සැලසුමක (ශක්තිය, ප්රවාහය, තාපය, කම්පනය) හැසිරීම අනුකරණය කිරීම සඳහා කුඩ පදයකි.
- FEA (Finite Element Analysis): එය කොටසක් කුඩා "මූලද්රව්ය" දහස් ගණනකට බෙදන අතර එය දිග හැරෙන ආකාරය, නැමෙන ආකාරය සහ එයට යොදන බලය යටතේ එය කැඩී යයිද යන්න ගණනය කරන ක්රමයකි. උදාහරණය: වළකට ඇතුළු වන විට අත්හිටුවීමේ අතක් කැඩී යයිද යන්න.
- CFD (පරිගණක තරල ගතිකත්වය): වාතය හෝ ද්රව ප්රවාහය අනුකරණය කරයි. උදාහරණය: වාහනය වටා වාතය ගලා යාම (වායු ගතික ඇදගෙන යාම), එන්ජින් සිසිලනය, කුටියේ වාතාශ්රය.
අනුකරණය මන්දගාමී වන්නේ ඇයි සහ AI ක්රියාත්මක වන්නේ කොතැනින්ද?
අධි-විශ්වාසනීය CFD හෝ FEA විසඳුමක් තනි නිර්මාණයක් සඳහා පරිගණක පොකුරක් මත පැය කිහිපයක් හෝ දින කිහිපයක් ගත විය හැක. ඉංජිනේරුවෙකුට විවිධ ජ්යාමිතීන් 200ක් උත්සාහ කිරීමට අවශ්ය වූ විට, එයින් අදහස් වන්නේ මාස ගණනකි. කෘතිම බුද්ධිය ප්රබල භූමිකාවන් දෙකක් ඉටු කරන්නේ මෙහිදීය.
- ආදේශක ආකෘතිය / metamodel: එය යන්ත්ර ඉගෙනීමේ ආකෘතියක් වන අතර එය සැබෑ සමාකරණ කුඩා සංඛ්යාවකින් ඉගෙන ගන්නා අතර තත්පර කිහිපයකින් නව මෝස්තරවල ප්රතිඵලය පුරෝකථනය කරයි. එය සැබෑ ද්රාවකය ප්රතිස්ථාපනය නොකරයි; එහි වේගවත් "ආසන්න" වේ. සැබෑ විසදුම්කරු නොව ආදේශක මාදිලියකින් මෝස්තර 200 ක් පරිලෝකනය කිරීම සහ වඩාත්ම පොරොන්දු වූ ඒවා 5 සැබෑ විසඳුම වෙත යැවීමෙන් බොහෝ කාලයක් ඉතිරි වේ.
- උත්පාදක නිර්මාණය: එය ඉංජිනේරුවරයා විසින් ලබා දී ඇති සීමාවන් (සම්බන්ධතා ස්ථාන, රැගෙන යා යුතු බර, තහනම් ප්රදේශ, ද්රව්ය) යටතේ පරිගණකය විකල්ප ජ්යාමිතික විශාල ප්රමාණයක් නිපදවන ක්රමයකි. ප්රතිඵලය බොහෝ විට කාබනික, අස්ථි වැනි, සැහැල්ලු ව්යුහයන් වේ.
ඉඟිය: ආදේශක ආකෘතිය "අන්තර්ගත කිරීමේදී" විශ්වාසදායක වේ (එය ඉගෙන ගත් පරාසය තුළ පුරෝකථනය කිරීම); එය "උගත් පරාසයෙන් පිටත පුරෝකථනය කිරීම" "පිටකිරීමේ" විට අනතුරුදායක වේ. ඔබේ නිර්මාණ අවකාශයේ සීමාවන් දැන ගන්න.
පියවරෙන් පියවර: AI බලයෙන් ක්රියා කරන සමාකරණ කාර්ය ප්රවාහය
- ගැටලුව සහ සීමාවන් පැහැදිලි කරන්න. ඔබ ප්රශස්ත කරන්නේ කුමක්ද (බර? ඇදගෙන යාම? ආතතිය?), සවි කර ඇති සීමාවන් මොනවාද (සවිකරන සිදුරු ස්ථාන, සවිකරන පරිමාව)?
- සැලසුම් විචල්යයන් හඳුනා ගන්න. උදාහරණයක් ලෙස, සිසිලන නාලිකාවක පරාමිති 5 ක්: ආදාන කෝණය, හරස්කඩ ප්රදේශය, දිග, නැමීමේ අරය, පිටවන ස්ථානය.
- අත්හදා බැලීම් සැලසුම් කරන්න (DOE - අත්හදා බැලීම් සැලසුම් කිරීම). සියලු සංයෝජන නොව ඥානවන්තව අවකාශය ආවරණය කරන නියැදියක් (උදා: ලකුණු 40) තෝරන්න. AI හට මෙහි නියැදි උපාය මාර්ග යෝජනා කළ හැක.
- මෙම ලකුණු 40 සැබෑ විසදුම්කරු සමඟ ධාවනය කරන්න. මෙය "යථාර්ථ" දත්ත වේ.
- ආදේශක ආකෘතිය පුහුණු කරන්න සහ වෙන් කර ඇති පරීක්ෂණ ලකුණු සමඟ එහි නිරවද්යතාවය මැන බලන්න.
- ආදේශක ආකෘතිය සමඟ පුළුල් පිරික්සීමක් සිදු කර හොඳම අපේක්ෂකයින් තෝරන්න.
- සැබෑ විසදුම්කරු සමඟ හොඳම අපේක්ෂකයින් නැවත වලංගු කරන්න. මෙම පියවර මඟ හැරිය නොහැක.
- භෞතික මූලාකෘති/පරීක්ෂණය සමඟ අවසාන තීරණය ඔප්පු කරන්න.
සමාකරණ ප්රතිදානය වලංගු කිරීම: අභිසාරීත්වය සහ ජාල ස්වාධීනත්වය
FEA/CFD ප්රතිඵලයක් විශ්වාස කිරීමට පෙර තීරණාත්මක චෙක්පත් දෙකක් තිබේ:
- අභිසාරීතාව: විසඳුමේ පුනරාවර්තන ගණනය ස්ථාවර අගයක් කරා ළඟා වේ. අභිසාරී නොවන විසඳුමක් අර්ථ විරහිත ය. AI "ප්රතිඵල 250 MPa" යැයි පවසන විට මෙය අභිසාරී විසඳුමකින් දැයි ඔබ තහවුරු කළ යුතුය.
- දැල් ස්වාධීනත්වය: ඔබ කොටස බෙදන මූලද්රව්ය (දැලක්) තද කළ විට ප්රතිඵලය සැලකිය යුතු ලෙස වෙනස් නොවේ. දැල ඉතා රළු නම්, ප්රතිඵලය නොමඟ යවන සුළු විය හැකිය; එය ඉතා සිහින් නම්, ගණනය කිරීම අනවශ්ය ලෙස දිගු වනු ඇත. සාමාන්යයෙන්, ජාලය දෙවරක් හෝ තුන් වරක් තද කර ඇති අතර ප්රතිඵලය ස්ථාවර වන ලක්ෂ්යයක් සොයා ගනී.
පාලනය
ඔහු අසන්නේ කුමක්ද?
පැන්න විට අවදානම
අභිසාරී වීම
විසඳුම ස්ථාවර අගයකට පැමිණ තිබේද?
අහඹු/අර්ථ විරහිත ප්රතිඵලයක්
ජාල ස්වාධීනත්වය
ජාලය ඝනත්වයට පත් වූ විට ප්රතිඵලය වෙනස් වේද?
පීඩනය යටතේ / අධි තක්සේරුව
මායිම් තත්ත්වය
පැටවීම්/ආධාර යථාර්ථවාදීද?
වැරදි දර්ශනය, ආරක්ෂිත නිර්මාණය
ද්රව්ය ආකෘතිය
නිවැරදි වක්රය/විශේෂාංගය ඇතුළත් කර තිබේද?
වැරදි ශක්ති තක්සේරුව
අවවාදයයි: AI ආදේශක ආකෘතියක් ප්රතිදානය කරන විට, එම ප්රතිදානය පිටුපස ඇති සැබෑ සමාකරණ අභිසාරීත්වය සහ ජාල ස්වාධීනත්වය පසුකර තිබිය යුතුය. “කසළ ඇතුලට, කුණු පිටතට”: නරක අනුකරණය පිළිබඳ පුහුණු කරන ලද ආදේශක ආකෘතිය නරක අනාවැකියක් ඇති කරයි.
කුඩා සිද්ධි අධ්යයන
නඩුව 1 - අත්හිටුවීමේ හස්තය මත අකුණු කිරීම. කණ්ඩායමක් උත්පාදක සැලසුමක් සහිත ඇලුමිනියම් අත්හිටුවන හස්තයක් ප්රතිනිර්මාණය කරයි. සැබෑ FEA විසඳුම් 60 ක් මත පුහුණු කරන ලද, ආදේශක ආකෘතිය 19% කින් බර අඩු කරන ජ්යාමිතිය යෝජනා කරයි. කණ්ඩායම සැබෑ විසදුම්කරු සමඟ ඉහළම අපේක්ෂකයින් 3 වලංගු කරයි; එක් අයෙකුගේ සැබෑ උපරිම ආතතිය ආදේශක ආදර්ශ අනාවැකියට වඩා 12% වැඩි විය (එය Extrapolation කලාපයේ විය). එම අපේක්ෂකයා ඉවත් කරනු ලැබේ, ඉතිරි දෙදෙනා පිළිගෙන ශාරීරික තෙහෙට්ටුව පරීක්ෂණයට යවනු ලැබේ. ප්රති result ලය: වේගය ලබා ගත් නමුත් අවසාන තීරණය ගනු ලැබුවේ සැබෑ විසඳුම + පරීක්ෂා කිරීමෙනි.
නඩුව 2 - වායුගතික දර්පණය. පැති දර්පණය මගින් නිර්මාණය කරන ලද සුළං ශබ්දය අඩු කිරීම සඳහා පරාමිති 5 ක ස්කෑන් පරීක්ෂණයක් සිදු කරනු ලැබේ. සැබෑ CFD සමඟ නිර්මාණයකට පැය 6ක් ගතවේ; සැබෑ ධාවන 45ක් සහිත අතථ්ය නිර්මාණ 5,000ක් + ප්රොක්සි මාදිලි තත්පර කිහිපයකින් ස්කෑන් කෙරේ. ඇදගෙන යාමේ සංගුණකයේ (Cd) ආසන්න වශයෙන් ලකුණු 4 ක (ඇදගෙන යාමේ ගණන) වැඩිදියුණු කිරීමක් සපයන අපේක්ෂකයෙකු සිටින අතර සුළං උමඟ තුළ පරීක්ෂා කරනු ලැබේ; මනින ලද දියුණුව අනාවැකියෙන් 85% කි. නිගමනය: AI සෙවීම් පටු කළා, සුළං උමඟ ඔප්පු කරයි.
නඩුව 3 - වැරදි මායිම් තත්ත්වය. ශරීර වරහනක FEA තුළ, AI පවසන්නේ "ආතති ආරක්ෂිත, සාධකය 2.1" යනුවෙනි. ජ්යෙෂ්ඨ ඉංජිනේරුවරයා මායිම් තත්ත්වය දෙස බලයි: භාරය එක් දිශාවකට යොදන අතර සැබෑ ක්රියාකාරිත්වයේ දී කම්පන ද්විපාර්ශ්වික භාරයක් ඇත. නිවැරදි අවස්ථාව සමඟ නැවත විසඳන විට, ආරක්ෂිත සාධකය 1.1 දක්වා පහත වැටේ; මෙය පිළිගත නොහැකි ය. ප්රතිඵලය: AI "ආරක්ෂිත" යැයි පැවසීම වැරදි සිදුවීමක් නිසා රැවටීමකි; ආදාන වලංගුකරණය ප්රතිඵලය සුරකින ලදී.
ඉක්මන් සැකිලි
සැකිල්ල 1 - සමාකරණ සැකසුම් සමාලෝචනය:
භූමිකාව: ඔබ ජ්යෙෂ්ඨ CAE (සීමිත මූලද්රව්ය) ඉංජිනේරුවෙකි. කාර්යය: පහත මගේ FEA සැකසුම සමාලෝචනය කර නැතිවූ/අවදානම් ලකුණු ලැයිස්තුගත කරන්න. සන්දර්භය: ඇලුමිනියම් අත්හිටුවීමේ හස්තය, ස්ථිතික භාරය 6 kN, බෝල්ට් 2 සිට එකලස් කිරීම, ද්රව්ය අස්වැන්න ශක්තිය 240 MPa. සීමා කිරීම්: ලිපින අභිසාරීත්වය, දැල් ස්වාධීනත්වය, මායිම් තත්ත්වය සහ ද්රව්ය ආකෘති ශීර්ෂ වෙන වෙනම. ප්රතිදානය: පිරික්සුම් ලැයිස්තුව + අයිතමයකට 'හරි/අවදානම්/අසම්පූර්ණ'.
සැකිල්ල 2 - අත්හදා බැලීම් සැලසුම් (DOE) යෝජනාව:
භූමිකාව: ඔබ ප්රශස්තිකරණ උපදේශකයෙකි. කාර්යය: සැලසුම් විචල්ය 5ක් සඳහා කාර්යක්ෂම DOE නියැදියක් යෝජනා කරන්න. සන්දර්භය: විචල්යයන් සහ ඒවායේ පරාසයන්: [පරාසයන් නිර්නාමිකව ලියන්න]. අරමුණ: ඇදගෙන යාම අවම කිරීම, අයවැය සැබෑ ලකුණු 40. ප්රතිදානය: නියැදීමේ ක්රමය + ලකුණු කීයක් + සාධාරණීකරණය. Extrapolation භාගය එකතු කරන්න.
සැකිල්ල 3 - ආදේශක ආදර්ශ ප්රතිඵලය අර්ථ දැක්වීම:
භූමිකාව: දත්ත විද්යාඥ + CAE ඉංජිනේරු. කාර්යය: මගේ ආදේශක ආකෘතියේ අනාවැකි දෝෂ ප්රමිතික අර්ථකථනය කරන්න. සන්දර්භය: R2=0.94, නිරපේක්ෂ දෝෂය = 8 MPa, සැලසුම් අවකාශයේ කෙළවරේ ඇති නරකම ස්ථානය. සීමා කිරීම්: දාරවල විශ්වසනීයත්වය පිළිබඳව පැහැදිලි වන්න; සැබෑ විසදුම්කරු සමඟ සත්යාපනය අවශ්ය අපේක්ෂකයින් මට කියන්න. ප්රතිදානය: පරිවර්ථනය + සත්යාපනය කළ යුතු අපේක්ෂක නිර්ණායකය.
සැකිල්ල 4 - ජනක සැලසුම් සීමා නිර්වචනය:
භූමිකාව: ඔබ ජනක නිර්මාණ විශේෂඥයෙක්. කාර්යය: එන්ජින් වරහනක් සඳහා උත්පාදක සැලසුම් ගැටළු ප්රකාශයක් කෙටුම්පත් කරන්න. සන්දර්භය: 3 වරායන් සවි කර ඇත, තහනම් පරිමාවක් ඇත, අවම ස්කන්ධයක් ඇත, ද්රව්ය වාත්තු කර ඇත්තේ ඇලුමිනියම්, නිෂ්පාදන ක්රමය වාත්තු කිරීම. ප්රතිදානය: බර | සීමා කිරීම් | ඉලක්කය | නිෂ්පාදන ශ්රේණියේ වගුව.
දුර්වල ක්ෂණික / ශක්තිමත් විමසුම
දුර්වල ක්ෂණික:
මේ කෑල්ල සැහැල්ලු කරන්න.
ප්රතිඵලය අවිනිශ්චිත ය; කුමන බරද, කුමන ද්රව්යද, කුමන සීමාවද අපැහැදිලි ය. AI සාමාන්ය, නිෂ්ඵල පිළිතුරක් ලබා දෙයි.
බලවත් විමසුම:
භූමිකාව: ඔබ CAE ඉංජිනේරුවෙකි. කාර්යය: ස්කන්ධ (ස්ථල විද්යාව, ද්රව්ය, අංශය) අනුව පහත වරහන සැහැල්ලු කිරීමට විවිධ උපාය මාර්ග 3ක් යෝජනා කරන්න. සන්දර්භය: වානේ වරහන, 3 kN ස්ථිතික + කම්පන බර, ආරක්ෂිත සාධකය අවම වශයෙන් 1.5 ක් පවත්වා ගත යුතුය, වාත්තු කිරීම නිෂ්පාදනය කළ හැකි විය යුතුය. බාධාව: එක් එක් උපාය මාර්ගය සඳහා අපේක්ෂිත ලාභය සහ අවදානම ලියන්න; පරීක්ෂණයකින් තොරව කිසිදු යෝජනාවක් 'ආරක්ෂිත' ලෙස ප්රකාශ නොකරන්න. ප්රතිදානය: උපාය | ඇස්තමේන්තුගත ස්කන්ධ ලාභය | අවදානම | සත්යාපන පරීක්ෂණය.
පොදු වැරදි
- සැබෑ විසදුම්කරු සඳහා ආදේශක ආකෘතිය වරදවා වටහා ගැනීම. ආදේශක ආකෘතිය පුරෝකථනය කරයි; සැබෑ විසඳුම සහ භෞතික පරීක්ෂණය අවසාන අපේක්ෂකයින් සත්යාපනය කරයි.
- ජාල ස්වාධීනත්වය මග හැරීම. රළු දැලක් ආරක්ෂිත පෙනුමක් ඇති නමුත් ඇත්ත වශයෙන්ම අවදානම් සහිත ප්රතිඵලයක් ලබා දිය හැක.
- වැරදි මායිම් තත්ත්වය. සත්ය පැටවීමේ අවස්ථාව වැරදි නම් "ආරක්ෂිත සාධකය" රැවටීමකි.
- Extrapolation නොදැනීම. නිර්මාණ අවකාශයෙන් පිටත යන අනාවැකි නිහඬව වැරදි විය හැක.
- නිෂ්පාදන හැකියාව අමතක වීම. අලංකාර පෙනුමක් ඇති කාබනික ජ්යාමිතිය වාත්තු කිරීමට හෝ යන්ත්රගත කිරීමට නොහැකි නම් එය නිෂ්ඵල වේ.
සාරාංශයක් ලෙස
- CAE, FEA සහ CFD භෞතික මූලාකෘතියට පෙර පරිගණකයේ සැලසුම පරීක්ෂා කරයි; ඒවා බර හා මන්දගාමී වේ.
- ආදේශක ආකෘති සහ උත්පාදක සැලසුම AI සමඟින් මෙම ක්රියාවලිය බෙහෙවින් වේගවත් කරයි, නමුත් ඒවා සැබෑ විසඳුම් සහ භෞතික පරීක්ෂණ ප්රතිස්ථාපනය නොකරයි.
- සෑම සමාකරණ ප්රතිඵලයක්ම අභිසාරීතාව, දැල් ස්වාධීනත්වය, මායිම් තත්ත්වය සහ ද්රව්ය ආකෘතිය අනුව වලංගු කළ යුතුය.
- ආදේශක ආකෘතිය අන්තර් බන්ධනයේදී විශ්වාසදායක වන නමුත් පිටකිරීමේදී අවදානම් සහිතය; හොඳම අපේක්ෂකයින් සෑම විටම සැබෑ විසඳුම සමඟ තහවුරු වේ.
යෙදුම් කාර්යය
කොටසක් තෝරන්න (උදා: කොන්සෝල වරහන). (1) ප්රශස්ත කළ යුතු වෛෂයික, ස්ථාවර සීමාවන් සහ සැලසුම් විචල්යයන් ලියන්න. (2) සැකිල්ල 4 සමඟ කෙටුම්පත් උත්පාදක සැලසුම් ගැටළු ප්රකාශයක් නිෂ්පාදනය කරන්න. (3) AI විසින් ආදේශක ආදර්ශ කාර්ය ප්රවාහයක් විස්තර කර “මම කිසි විටෙකත් මඟ නොහරින පියවර” අසන්න සහ නැංගුරම් තුනකින් පිළිතුර ඇගයීමට ලක් කරන්න. (4) ප්රතිඵලය තහවුරු කිරීම සඳහා ඔබ කුමන ශාරීරික පරීක්ෂණයක් සිදු කරන්නේද යන්න සඳහන් කරන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මම ප්රශස්තිකරණ ඉලක්කය සහ ස්ථාවර සීමාවන් පැහැදිලි කළෙමි.
- [ ] මම ප්රේරකයේ ආදේශක ආකෘතිය සහ සැබෑ විසදුම අතර වෙනස පිළිබිඹු කළෙමි.
- [ ] මම අභිසාරීත්වය සහ ජාල ස්වාධීනත්වය පරීක්ෂා කිරීමට සැලසුම් කළෙමි.
- [ ] මායිම් කොන්දේසි සැබෑ පැටවීමේ තත්ත්වය පිළිබිඹු කරන බව මම තහවුරු කළෙමි.
- [ ] සැබෑ විසඳුම + භෞතික පරීක්ෂණය සමඟ හොඳම අපේක්ෂකයින් තහවුරු කිරීමේ පියවර මම එකතු කළෙමි.
- [ ] මම නිර්ණායකයක් ලෙස නිෂ්පාදන හැකියාව ලැයිස්තුවට දැමුවෙමි.