ஆதாயங்கள்:
- வாகன வடிவமைப்பில் CAE, CFD மற்றும் FEA உருவகப்படுத்துதல்களின் பங்கை விளக்கும் திறன் மற்றும் செயற்கை நுண்ணறிவு அதை எவ்வாறு வாடகை மாதிரியாக துரிதப்படுத்துகிறது
- உருவாக்கும் வடிவமைப்பு, அளவுரு ஸ்கேனிங் மற்றும் உருவகப்படுத்துதல் முடிவு விளக்கத்திற்கான கட்டமைக்கப்பட்ட தூண்டுதல்களை அமைக்கும் திறன்
- ஒருங்கிணைப்பு, நெட்வொர்க் சுதந்திரம் மற்றும் இயற்பியல் எல்லை நிலைமைகளுடன் AI- பெறப்பட்ட வடிவமைப்பு மற்றும் மாற்று மாதிரி வெளியீட்டை சரிபார்க்கும் திறன்
ஒரு நவீன வாகனத்தின் வடிவமைப்பு இப்போது தாள் எஃகு வெட்டி முன்மாதிரிகளை உருவாக்கும் முன் கணினியில் பிறந்தது. டிஜிட்டல் வடிவமைப்பு மற்றும் சரிபார்ப்பின் இந்த உலகின் இதயத்தில் மூன்று சுருக்கெழுத்துக்கள் உள்ளன: CAE, CFD மற்றும் FEA. இந்த யூனிட்டில், முதலில் இந்த மூன்று கருத்துக்களை எளிமையாக விளக்குவோம், பிறகு செயற்கை நுண்ணறிவு எவ்வாறு இந்த கனமான கணக்கீடுகளை துரிதப்படுத்துகிறது மற்றும் மிக முக்கியமாக, இந்த வேகமான வெளியீடுகளை எவ்வாறு பாதுகாப்பாக சரிபார்க்கலாம் என்பதைப் பார்ப்போம்.
- CAE (கம்ப்யூட்டர்-எய்டட் இன்ஜினியரிங்): இது ஒரு இயற்பியல் முன்மாதிரியை உருவாக்காமல் கணினியில் ஒரு வடிவமைப்பின் (வலிமை, ஓட்டம், வெப்பம், அதிர்வு) நடத்தையை உருவகப்படுத்துவதற்கான ஒரு குடைச் சொல்லாகும்.
- FEA (Finite Element Analysis): இது ஒரு பகுதியை ஆயிரக்கணக்கான சிறிய "உறுப்புகளாக" பிரித்து, அது எவ்வாறு நீட்டப்படும், வளைக்கப்படும் மற்றும் அதன் மீது செலுத்தப்படும் விசையின் கீழ் அது உடைந்து போகுமா என்பதைக் கணக்கிடும் ஒரு முறையாகும். எடுத்துக்காட்டு: குழிக்குள் நுழையும் போது இடைநீக்க கை உடைந்து விடுமா.
- CFD (கணக்கீட்டு திரவ இயக்கவியல்): காற்று அல்லது திரவ ஓட்டத்தை உருவகப்படுத்துகிறது. உதாரணம்: வாகனத்தைச் சுற்றியுள்ள காற்று ஓட்டம் (ஏரோடைனமிக் இழுவை), என்ஜின் குளிரூட்டல், கேபின் காற்றோட்டம்.
உருவகப்படுத்துதல் ஏன் மெதுவாக உள்ளது மற்றும் AI எங்கு செயல்படுகிறது?
அதிக நம்பகத்தன்மை கொண்ட CFD அல்லது FEA தீர்வு ஒரு ஒற்றை வடிவமைப்பிற்கு கணினிகளின் தொகுப்பில் மணிநேரங்கள் அல்லது நாட்கள் கூட ஆகலாம். ஒரு பொறியாளர் 200 வெவ்வேறு வடிவவியலை முயற்சிக்க விரும்பினால், மாதங்கள் ஆகும். இங்குதான் செயற்கை நுண்ணறிவு இரண்டு சக்திவாய்ந்த பாத்திரங்களை வகிக்கிறது:
- மாற்று மாதிரி / மெட்டாமாடல்: இது ஒரு சிறிய எண்ணிக்கையிலான உண்மையான உருவகப்படுத்துதல்களிலிருந்து கற்றுக் கொள்ளும் ஒரு இயந்திர கற்றல் மாதிரியாகும் மற்றும் சில நொடிகளில் புதிய வடிவமைப்புகளின் முடிவைக் கணிக்கும். இது உண்மையான கரைப்பானை மாற்றாது; அதன் வேகமான "தோராயமாக" உள்ளது. 200 டிசைன்களை வாடகை மாதிரியுடன் ஸ்கேன் செய்து, உண்மையான தீர்வை அல்ல, மேலும் 5 மிகவும் நம்பிக்கைக்குரியவற்றை உண்மையான தீர்வுக்கு அனுப்புவது நிறைய நேரத்தை மிச்சப்படுத்துகிறது.
- ஜெனரேட்டிவ் டிசைன்: பொறியாளர் (இணைப்புப் புள்ளிகள், சுமக்க வேண்டிய சுமை, தடைசெய்யப்பட்ட பகுதிகள், பொருட்கள்) வழங்கிய கட்டுப்பாடுகளின் கீழ் கணினி அதிக எண்ணிக்கையிலான மாற்று வடிவவியலை உருவாக்கும் ஒரு முறையாகும். இதன் விளைவாக பெரும்பாலும் கரிம, எலும்பு போன்ற, இலகுரக கட்டமைப்புகள்.
உதவிக்குறிப்பு: "இடைக்கணிப்பு" (அது கற்றுக்கொண்ட வரம்பிற்குள் கணிப்பது) போது வாடகை மாதிரி நம்பகமானது; "எக்ஸ்ட்ராபோலேட்டிங்" (அது கற்றுக்கொண்ட வரம்பிற்கு வெளியே கணிப்பது) ஆபத்தானது. உங்கள் வடிவமைப்பு இடத்தின் வரம்புகளை அறிந்து கொள்ளுங்கள்.
படிப்படியாக: AI-இயக்கப்படும் உருவகப்படுத்துதல் பணிப்பாய்வு
- பிரச்சனை மற்றும் தடைகளை தெளிவுபடுத்துங்கள். நீங்கள் எதை மேம்படுத்துகிறீர்கள் (எடை? இழுத்தல்? மன அழுத்தம்?), என்ன தடைகள் சரி செய்யப்பட்டுள்ளன (பெருகிவரும் துளை இடங்கள், பெருகிவரும் அளவு)?
- வடிவமைப்பு மாறிகளை அடையாளம் காணவும். எடுத்துக்காட்டாக, குளிரூட்டும் சேனலின் 5 அளவுருக்கள்: நுழைவாயில் கோணம், குறுக்கு வெட்டு பகுதி, நீளம், வளைவு ஆரம், கடையின் நிலை.
- சோதனைகளின் வடிவமைப்பைச் செய்யவும் (DOE - சோதனைகளின் வடிவமைப்பு). எல்லா சேர்க்கைகளும் அல்ல, புத்திசாலித்தனமாக இடத்தை உள்ளடக்கும் மாதிரியை (எ.கா. 40 புள்ளிகள்) தேர்வு செய்யவும். AI இங்கே மாதிரி உத்தியை பரிந்துரைக்கலாம்.
- உண்மையான தீர்வைக் கொண்டு இந்த 40 புள்ளிகளை இயக்கவும். இது "உண்மை" தரவு.
- வாடகை மாதிரியைப் பயிற்றுவித்து, முன்பதிவு செய்யப்பட்ட சோதனைப் புள்ளிகளைக் கொண்டு அதன் துல்லியத்தை அளவிடவும்.
- வாடகை மாதிரியுடன் விரிவான திரையிடலைச் செய்து சிறந்த வேட்பாளர்களைத் தேர்ந்தெடுக்கவும்.
- உண்மையான தீர்வைக் கொண்டு சிறந்த வேட்பாளர்களை மீண்டும் சரிபார்க்கவும். இந்தப் படியைத் தவிர்க்க முடியாது.
- உடல் முன்மாதிரி/சோதனை மூலம் இறுதி முடிவை நிரூபிக்கவும்.
உருவகப்படுத்துதல் வெளியீடு: ஒருங்கிணைப்பு மற்றும் பிணைய சுதந்திரம்
FEA/CFD முடிவை நம்புவதற்கு முன் இரண்டு முக்கியமான சோதனைகள் உள்ளன:
- ஒருங்கிணைப்பு: தீர்வியின் செயல்பாட்டுக் கணக்கீடு நிலையான மதிப்பை அடைகிறது. ஒன்றிணைக்கப்படாத தீர்வு அர்த்தமற்றது. AI "முடிவு 250 MPa" என்று கூறும்போது, இது ஒரு ஒருங்கிணைந்த தீர்விலிருந்து வந்ததா என்பதை நீங்கள் உறுதிப்படுத்த வேண்டும்.
- மெஷ் சுதந்திரம்: நீங்கள் பகுதியைப் பிரிக்கும் உறுப்புகளை (மெஷ்) இறுக்கும்போது முடிவு கணிசமாக மாறாது. கண்ணி மிகவும் கரடுமுரடானதாக இருந்தால், விளைவு தவறாக இருக்கலாம்; இது மிகவும் மெல்லியதாக இருந்தால், கணக்கீடு தேவையில்லாமல் நீண்டதாக இருக்கும். பொதுவாக, பிணையம் இரண்டு அல்லது மூன்று முறை இறுக்கப்பட்டு, முடிவு உறுதிப்படுத்தப்படும் இடத்தில் ஒரு புள்ளி காணப்படுகிறது.
கட்டுப்பாடு
அவர் என்ன கேட்கிறார்?
குதிக்கும் போது ஆபத்து
ஒன்றிணைதல்
தீர்வு நிலையான மதிப்பை அடைந்துவிட்டதா?
சீரற்ற/அர்த்தமற்ற முடிவு
நெட்வொர்க் சுதந்திரம்
நெட்வொர்க் அடர்த்தியாகும்போது முடிவு மாறுமா?
மன அழுத்தம் / மிகை மதிப்பீடு
எல்லை நிலை
சுமைகள்/ஆதரவுகள் யதார்த்தமானதா?
தவறான காட்சி, பாதுகாப்பான வடிவமைப்பு
பொருள் மாதிரி
சரியான வளைவு/அம்சம் உள்ளிடப்பட்டுள்ளதா?
தவறான வலிமை மதிப்பீடு
எச்சரிக்கை: AI ஒரு பினாமி மாதிரியை வெளியிடும் போது, அந்த வெளியீட்டிற்குப் பின்னால் உள்ள உண்மையான உருவகப்படுத்துதல்கள் ஒன்றிணைந்து பிணையச் சுதந்திரத்தைக் கடந்திருக்க வேண்டும். "குப்பை உள்ளே, குப்பை வெளியே": மோசமான உருவகப்படுத்துதலில் பயிற்சி பெற்ற வாடகை மாதிரி மோசமான கணிப்புகளை உருவாக்குகிறது.
சிறு வழக்கு ஆய்வுகள்
வழக்கு 1 - சஸ்பென்ஷன் கையில் மின்னல். ஒரு குழு அலுமினிய சஸ்பென்ஷன் கையை உருவாக்கும் வடிவமைப்புடன் மறுவடிவமைப்பு செய்கிறது. 60 உண்மையான FEA தீர்வுகளில் பயிற்சியளிக்கப்பட்டது, 19% எடையைக் குறைக்கும் ஒரு வடிவவியலை முன்மொழிகிறது வாடகை மாதிரி. உண்மையான தீர்வைக் கொண்டு முதல் 3 வேட்பாளர்களை குழு சரிபார்க்கிறது; ஒருவரின் உண்மையான அதிகபட்ச மன அழுத்தம் வாடகை மாதிரி கணிப்பைக் காட்டிலும் 12% அதிகமாக இருந்தது (இது எக்ஸ்ட்ராபோலேஷன் பகுதியில் இருந்தது). அந்த வேட்பாளர் நீக்கப்பட்டார், மீதமுள்ள இருவர் ஏற்றுக்கொள்ளப்பட்டு உடல் சோர்வு சோதனைக்கு அனுப்பப்படுகிறார்கள். முடிவு: வேகம் கிடைத்தது, ஆனால் இறுதி முடிவு உண்மையான தீர்வு + சோதனை மூலம் எடுக்கப்பட்டது.
வழக்கு 2 - ஏரோடைனமிக் கண்ணாடி. பக்க கண்ணாடியால் உருவாக்கப்பட்ட காற்றின் இரைச்சலைக் குறைக்க 5-அளவுரு ஸ்கேன் செய்யப்படுகிறது. உண்மையான CFD உடன் ஒரு வடிவமைப்பு 6 மணிநேரம் எடுக்கும்; 45 உண்மையான ரன்கள் + ப்ராக்ஸி மாதிரிகள் கொண்ட 5,000 மெய்நிகர் வடிவமைப்புகள் நொடிகளில் ஸ்கேன் செய்யப்படுகின்றன. இழுவை குணகத்தில் (சிடி) தோராயமாக 4 புள்ளிகள் (இழுவை எண்ணிக்கை) முன்னேற்றத்தை வழங்கும் ஒரு வேட்பாளர் இருக்கிறார் மற்றும் காற்று சுரங்கப்பாதையில் சோதனை செய்யப்படுகிறது; அளவிடப்பட்ட முன்னேற்றம் கணிப்பில் 85% ஆகும். முடிவு: AI தேடலை சுருக்கியது, காற்று சுரங்கப்பாதை நிரூபிக்கிறது.
வழக்கு 3 - தவறான எல்லை நிலை. உடல் அடைப்புக்குறியின் FEA இல், AI "மன அழுத்தம் பாதுகாப்பானது, காரணி 2.1" என்று கூறுகிறது. மூத்த பொறியாளர் எல்லை நிலையைப் பார்க்கிறார்: சுமை ஒரு திசையில் பயன்படுத்தப்படுகிறது, அதேசமயம் உண்மையான செயல்பாட்டில் அதிர்வுறும் இருதரப்பு சுமை உள்ளது. சரியான சூழ்நிலையில் மீண்டும் தீர்க்கப்படும் போது, பாதுகாப்பு காரணி 1.1 ஆக குறைகிறது; இது ஏற்றுக்கொள்ள முடியாதது. முடிவு: தவறான சூழ்நிலையின் காரணமாக "பாதுகாப்பானது" என்று AI சொல்வது ஏமாற்றுகிறது; உள்ளீடு சரிபார்ப்பு முடிவைச் சேமிக்கிறது.
உடனடி வார்ப்புருக்கள்
டெம்ப்ளேட் 1 - உருவகப்படுத்துதல் அமைப்பு மதிப்பாய்வு:
பங்கு: நீங்கள் ஒரு மூத்த CAE (வரையறுக்கப்பட்ட உறுப்பு) பொறியாளர். பணி: கீழே உள்ள எனது FEA அமைப்பை மதிப்பாய்வு செய்து, விடுபட்ட/அபாய புள்ளிகளைப் பட்டியலிடவும். சூழல்: அலுமினிய சஸ்பென்ஷன் கை, நிலையான சுமை 6 kN, 2 போல்ட் இருந்து சட்டசபை, பொருள் மகசூல் வலிமை 240 MPa. கட்டுப்பாடு: முகவரி ஒருங்கிணைப்பு, கண்ணி சுதந்திரம், எல்லை நிலை மற்றும் பொருள் மாதிரி தலைப்புகள் தனித்தனியாக. வெளியீடு: சரிபார்ப்பு பட்டியல் + ஒரு உருப்படிக்கு 'சரி/அபாயம்/முழுமையற்றது'.
டெம்ப்ளேட் 2 - சோதனைகளின் வடிவமைப்பு (DOE) முன்மொழிவு:
பங்கு: நீங்கள் ஒரு தேர்வுமுறை ஆலோசகர். பணி: 5 வடிவமைப்பு மாறிகளுக்கு ஒரு திறமையான DOE மாதிரியை முன்மொழியவும். சூழல்: மாறிகள் மற்றும் அவற்றின் வரம்புகள்: [வரம்புகளை அநாமதேயமாக எழுதவும்]. நோக்கம்: இழுவை சிறிதாக்குதல், பட்ஜெட் 40 உண்மையான ரன்கள். வெளியீடு: மாதிரி முறை + எத்தனை புள்ளிகள் + நியாயப்படுத்தல். எக்ஸ்ட்ராபோலேஷன் பாதியைச் சேர்க்கவும்.
டெம்ப்ளேட் 3 - பினாமி மாதிரி முடிவை விளக்குகிறது:
பங்கு: தரவு விஞ்ஞானி + CAE பொறியாளர். பணி: எனது மாற்று மாதிரியின் கணிப்புப் பிழை அளவீடுகளை விளக்கவும். சூழல்: R2=0.94, அதாவது முழுமையான பிழை=8 MPa, வடிவமைப்பு இடத்தின் விளிம்பில் மோசமான புள்ளி. கட்டுப்பாடு: விளிம்புகளில் நம்பகத்தன்மை பற்றி வெளிப்படையாக இருங்கள்; எந்தெந்த விண்ணப்பதாரர்களுக்கு உண்மையான தீர்வியுடன் சரிபார்ப்பு தேவை என்று சொல்லுங்கள். வெளியீடு: விளக்கம் + சரிபார்க்கப்பட வேண்டிய வேட்பாளர் அளவுகோல்.
டெம்ப்ளேட் 4 - உருவாக்கும் வடிவமைப்பு கட்டுப்பாடு வரையறை:
பங்கு: நீங்கள் ஒரு உருவாக்கும் வடிவமைப்பு நிபுணர். பணி: ஒரு எஞ்சின் அடைப்புக்குறிக்கான ஜெனரேட்டிவ் டிசைன் சிக்கல் அறிக்கையை வரையவும். சூழல்: 3 போர்ட்கள் சரி செய்யப்பட்டுள்ளன, தடைசெய்யப்பட்ட தொகுதி உள்ளது, இலக்கு குறைந்தபட்ச நிறை, பொருள் அலுமினியம், உற்பத்தி முறை வார்ப்பு. வெளியீடு: சுமைகள் | கட்டுப்பாடுகள் | இலக்கு | உற்பத்தி தர அட்டவணை.
பலவீனமான வரியில் / வலுவான வரியில்
பலவீனமான உடனடி:
இந்த பகுதியை ஒளிரச் செய்யுங்கள்.
முடிவு நிச்சயமற்றது; எந்த சுமை, எந்த பொருள், எந்த கட்டுப்பாடு தெளிவாக இல்லை. AI ஒரு பொதுவான, பயனற்ற பதிலை அளிக்கிறது.
சக்திவாய்ந்த தூண்டுதல்:
பங்கு: நீங்கள் CAE இன்ஜினியர். பணி: நிறை (இடவியல், பொருள், பிரிவு) அடிப்படையில் பின்வரும் அடைப்புக்குறியை இலகுவாக்க 3 வெவ்வேறு உத்திகளைப் பரிந்துரைக்கவும். சூழல்: எஃகு அடைப்புக்குறி, 3 kN நிலையான + அதிர்வுறும் சுமை, பாதுகாப்பு காரணி குறைந்தது 1.5 பராமரிக்கப்பட வேண்டும், வார்ப்பு உற்பத்தி செய்யக்கூடியதாக இருக்க வேண்டும். கட்டுப்பாடு: ஒவ்வொரு மூலோபாயத்திற்கும் எதிர்பார்க்கப்படும் ஆதாயம் மற்றும் அபாயத்தை எழுதுங்கள்; சோதனை இல்லாமல் எந்த பரிந்துரையையும் 'பாதுகாப்பானது' என்று அறிவிக்க வேண்டாம். வெளியீடு: உத்தி | மதிப்பிடப்பட்ட வெகுஜன ஆதாயம் | ஆபத்து | சரிபார்ப்பு சோதனை.
பொதுவான தவறுகள்
- உண்மையான தீர்விற்கான வாடகை மாதிரியை தவறாகப் புரிந்துகொள்வது. பினாமி மாதிரி முன்னறிவிக்கிறது; உண்மையான தீர்வு மற்றும் உடல் சோதனை இறுதி வேட்பாளர்களை சரிபார்க்கிறது.
- பிணைய சுதந்திரத்தைத் தவிர்க்கிறது. கரடுமுரடான கண்ணி பாதுகாப்பானதாகத் தோன்றும் ஆனால் உண்மையில் ஆபத்தான விளைவை ஏற்படுத்தும்.
- தவறான எல்லை நிலை. உண்மையான ஏற்றுதல் காட்சி தவறாக இருந்தால் "பாதுகாப்பு காரணி" ஏமாற்றும்.
- எக்ஸ்ட்ராபோலேஷன் கவனிக்கவில்லை. வடிவமைப்பு இடத்திற்கு வெளியே செல்லும் கணிப்புகள் அமைதியாக தவறாக இருக்கலாம்.
- உற்பத்தித்திறனை மறந்துவிட்டது. அழகாக தோற்றமளிக்கும் ஆர்கானிக் ஜியோமெட்ரியை வார்க்கவோ அல்லது இயந்திரமாக்கவோ முடியாவிட்டால் அது பயனற்றது.
சுருக்கமாக
- CAE, FEA மற்றும் CFD ஆகியவை இயற்பியல் முன்மாதிரிக்கு முன் கணினியில் வடிவமைப்பை சோதிக்கின்றன; அவை கனமாகவும் மெதுவாகவும் இருக்கும்.
- மாற்று மாதிரிகள் மற்றும் உற்பத்தி வடிவமைப்பு ஆகியவை AI உடன் இந்த செயல்முறையை பெரிதும் துரிதப்படுத்துகின்றன, ஆனால் அவை உண்மையான தீர்வு மற்றும் உடல் பரிசோதனையை மாற்றாது.
- ஒவ்வொரு உருவகப்படுத்துதல் முடிவும் ஒன்றிணைதல், கண்ணி சுதந்திரம், எல்லை நிலை மற்றும் பொருள் மாதிரி ஆகியவற்றின் அடிப்படையில் சரிபார்க்கப்பட வேண்டும்.
- மாற்று மாதிரியானது இடைக்கணிப்பில் நம்பகமானது ஆனால் எக்ஸ்ட்ராபோலேஷனில் ஆபத்தானது; சிறந்த வேட்பாளர்கள் எப்போதும் உண்மையான தீர்வுடன் உறுதிப்படுத்தப்படுகிறார்கள்.
விண்ணப்ப பணி
ஒரு பகுதியைத் தேர்ந்தெடுக்கவும் (எ.கா. கன்சோல் அடைப்புக்குறி). (1) மேம்படுத்தப்பட வேண்டிய குறிக்கோள், நிலையான கட்டுப்பாடுகள் மற்றும் வடிவமைப்பு மாறிகள் ஆகியவற்றை எழுதவும். (2) டெம்ப்ளேட் 4 உடன் ஒரு வரைவு உருவாக்கும் வடிவமைப்பு சிக்கல் அறிக்கையை உருவாக்கவும். (3) AI ஒரு பினாமி மாதிரி பணிப்பாய்வுகளை விவரித்து, "நான் எந்தப் படியைத் தவிர்க்க மாட்டேன்" என்று கேட்டு, மூன்று அறிவிப்பாளர்களுடன் பதிலை மதிப்பிடவும். (4) முடிவை உறுதிப்படுத்த நீங்கள் என்ன உடல் பரிசோதனை செய்ய வேண்டும் என்பதைக் குறிப்பிடவும்.
சரிபார்ப்பு பட்டியல்
- [ ] தேர்வுமுறை இலக்கு மற்றும் நிலையான கட்டுப்பாடுகளை நான் தெளிவுபடுத்தினேன்.
- [ ] வாடகை மாதிரிக்கும் உண்மையான தீர்விக்கும் உள்ள வித்தியாசத்தை நான் ப்ராம்ட்டில் பிரதிபலித்தேன்.
- [ ] நான் ஒருங்கிணைப்பு மற்றும் பிணைய சுதந்திர சோதனைக்கு திட்டமிட்டேன்.
- [ ] எல்லை நிலைமைகள் உண்மையான ஏற்றுதல் சூழ்நிலையை பிரதிபலிக்கின்றன என்பதை நான் சரிபார்த்தேன்.
- [ ] உண்மையான தீர்வு + உடல் பரிசோதனை மூலம் சிறந்த வேட்பாளர்களை உறுதிப்படுத்தும் படியைச் சேர்த்துள்ளேன்.
- [ ] நான் பட்டியலில் உற்பத்தித்திறனை ஒரு அளவுகோலாக வைத்தேன்.