Алгоритм предугадывает правки конструктора и спасает несущие конструкции от деформации
Инструменты обратного проектирования, такие как оптимизация топологии (TO), могут достичь нового уровня улучшения высокопроизводительных инженерных конструкций. Однако широкому использованию препятствует длительное время вычислений и природа «черного ящика», препятствующая взаимодействию с пользователем. Появляются подходы к ТО, основанные на участии человека, которые интегрируют человеческую интуицию в процесс создания проекта. Однако они зависят от трудоемкого итеративного выбора области для внесения изменений в конструкцию. Чтобы сократить количество итеративных испытаний, в этом документе представлен второй пилот с искусственным интеллектом, который использует машинное обучение для прогнозирования предпочтительных регионов пользователя. Модель прогнозирования настроена как задача сегментации изображения с архитектурой U-Net. Он обучается на синтетических наборах данных, в которых человеческие предпочтения определяют либо самый длинный топологический элемент, либо самое сложное структурное соединение. Модель успешно прогнозирует вероятные области для модификации и представляет их пользователю в виде рекомендаций ИИ. Модель человеческих предпочтений демонстрирует обобщение разнообразных и нестандартных проблем TO и демонстрирует возникающее поведение за пределами данных обучения выбору одного региона. Демонстрационные примеры показывают, что новый подход к ТО с участием человека, включающий второго пилота с искусственным интеллектом, может улучшить технологичность или улучшить линейную нагрузку, вызывающую изгиб, с помощью 39%, одновременно увеличивая общее время проектирования только на 15 секунд по сравнению с обычным упрощенным ТО.
## В чем суть открытия Как второй пилот-архитектор, который выделяет именно ту слабую балку или сложное соединение, к которому вы уже стремились, избавляя вас от необходимости вручную просматривать тысячи зон чертежа. ## Как это устроено: принцип работы Платформа представляет выбор пользовательского региона при оптимизации топологии как задачу сегментации изображения, выполняемую архитектурой U-Net. Обученный на синтетической эвристике, отражающей предпочтение самых длинных членов или сложных соединений, он рекомендует зоны-кандидаты с высокой вероятностью для вмешательства. Во время выполнения он обобщает невидимые граничные условия и демонстрирует возникающий выбор из нескольких регионов. ## Что это меняет на практике Позволяет пакетам инженерного проектирования оптимизировать интерактивную оптимизацию топологии, ускоряя рабочие процессы генеративного проектирования в аэрокосмической, автомобильной и аддитивной промышленности. ## Границы метода и риски Опирается на синтетические геометрические прокси, а не на эмпирические наборы данных взаимодействия дизайнеров, при этом проверка в настоящее время ограничивается демонстрацией эталонных структур. ## Результаты и доказательства - **Комплексный скор значимости:** 9.5 / 10.0 - **Уровень доказательности:** программный бенчмарк и верификация - **Бенчмарки и прирост:** Linear buckling load (+39%), total design time (+15 s overhead) - **Размер выборки / валидация:** N = Synthetic datasets of topological members and structural connections; benchmark optimization cases