Inteligencia Artificial y Método de Elementos Finitos
¡La respuesta es sí! ! !
¿Qué es la inteligencia artificial?
Inteligencia Artificial (IA). Es una nueva ciencia técnica que estudia y desarrolla teorías, métodos, tecnologías y sistemas de aplicación que simulan, amplían y amplían la inteligencia humana. La inteligencia artificial es una rama de la informática que intenta comprender la naturaleza de la inteligencia y producir un nuevo tipo de máquina inteligente capaz de responder de manera similar a la inteligencia humana. La investigación en esta área incluye robótica, reconocimiento de lenguaje, reconocimiento de imágenes, procesamiento del lenguaje natural y sistemas expertos. Desde el nacimiento de la inteligencia artificial, la teoría y la tecnología se han vuelto cada vez más maduras y los campos de aplicación continúan expandiéndose. Es concebible que los productos tecnológicos que traerá la inteligencia artificial en el futuro sean "contenedores" de sabiduría humana.
El aprendizaje automático es una rama de la inteligencia artificial. En pocas palabras, las máquinas pueden aprender reglas a partir de una gran cantidad de datos históricos mediante algoritmos para identificar de forma inteligente nuevas muestras o predecir el futuro.
Algoritmos comunes de aprendizaje automático, como:
? ¿Red neuronal (red neuronal)
? ¿Compatible con mejora de la máquina vectorial (SVM)?
? Árbol de decisión (árbol de decisión)
? ¿Bosque aleatorio
? Modelos bayesianos, etc.
Debido a las limitaciones de los modelos teóricos y los recursos informáticos, los primeros algoritmos de aprendizaje automático solo pueden realizar un aprendizaje superficial y solo se utilizan en sistemas de clasificación de búsqueda, sistemas de filtrado de spam, sistemas de recomendación de contenido, etc.
Después de eso sucedieron varias cosas, lo que desencadenó una ola de aprendizaje profundo. Una es que Hinton, profesor de la Universidad de Toronto en Canadá, y su alumno Salakhutdinov publicaron un artículo en la revista Science en 2006, revelando el excelente rendimiento de aprendizaje de las redes neuronales con múltiples capas ocultas (es decir, redes neuronales profundas) y proponiendo que se pueden lograr mediante la "tecnología de "inicialización capa por capa" que reduce la dificultad del entrenamiento de la red de aprendizaje profundo;
Lo segundo es que a finales de 2012, los estudiantes de doctorado de Geoff Hinton, Alex Krizhevsky e Ilya Sutskever utilizó redes neuronales convolucionales (CNN) para derrotar a muchos Google existentes, y obtuvo el primer lugar en recursos humanos y recursos informáticos.
Hoy en día, el aprendizaje automático ha penetrado en muchos campos, incluido el reconocimiento de voz, el reconocimiento de imágenes, la minería de datos, etc., y ha logrado logros notables.
Una breve historia del desarrollo del método de los elementos finitos
El método de los elementos finitos (FEA), el método de los elementos finitos, es una herramienta de análisis numérico (matemática computacional), pero no es la única herramienta de análisis numérico. Existen otros métodos numéricos en ingeniería, como el método de diferencias finitas, el método de elementos límite, el método de volúmenes finitos, etc.
El método de los elementos finitos se ha convertido en un potente método numérico para resolver un gran número de problemas encontrados en ingeniería, y su aplicación abarca desde sólidos a fluidos, de estáticos a dinámicos, y de problemas mecánicos a no mecánicos. problemas. De hecho, el método de los elementos finitos se ha convertido en un método numérico general para resolver ecuaciones diferenciales parciales con condiciones iniciales y de frontera conocidas.
La aplicación del método de elementos finitos en ingeniería pertenece a la categoría de mecánica computacional. Es una disciplina emergente que utiliza computadoras electrónicas modernas y varios métodos numéricos para resolver problemas prácticos en mecánica basados en las teorías de la mecánica. Abarca todas las ramas de la mecánica, amplía continuamente el alcance de la investigación y la aplicación de la mecánica en diversos campos y desarrolla gradualmente sus propias teorías y métodos.
Redes Neuronales y Mecánica
De hecho, antes de que comenzara la ola de aprendizaje profundo, los campos de la mecánica y la ingeniería ya habían comenzado a combinar modelos de redes neuronales en la investigación de la mecánica computacional para desarrollar mejores algoritmo. Un ejemplo típico es el modelo de red neuronal de elementos finitos.
Dado que existe una gran cantidad de fenómenos mecánicos no lineales en los problemas de ingeniería reales, como los problemas de optimización estructural, las estructuras de los componentes deben diseñarse y optimizarse de acuerdo con los requisitos, por lo que es un problema inverso. Estos problemas no lineales son difíciles de resolver con métodos convencionales y las redes neuronales tienen buenas capacidades de mapeo no lineal, por lo que pueden obtener soluciones más precisas que los métodos generales.
Existen muchas formas de combinar elementos finitos y redes neuronales.
Por ejemplo, para el modelado de sistemas dinámicos estructurales no lineales complejos, la parte lineal se puede modelar con elementos finitos y la parte no lineal se puede describir con redes neuronales (como ingresar las variables de estado del componente no lineal y generar su fuerza restauradora). . Luego, al combinar la parte del modelo de elementos finitos y la parte de la red neuronal mediante condiciones de contorno y condiciones de conexión, se puede obtener un modelo híbrido.
Otro método consiste en establecer una variedad de modelos diferentes a través del método de elementos finitos y luego utilizar las características modales (es decir, los requisitos de diseño finales) como variables de entrada y los parámetros de estructura del modelo correspondientes como variables de entrada para train La red neuronal utiliza las características de generalización de la red neuronal para obtener los valores de corrección de los parámetros de diseño.
Combinado con el método Monte Carlo, se realizan múltiples conjuntos de análisis de elementos finitos y los datos se ingresan en la red neuronal para el entrenamiento, que se puede utilizar para el análisis de confiabilidad estructural.
Resultados de investigaciones existentes
Yu Kai, Lei Jia, Chen Yuqiang, Xu Wei. Aprendizaje profundo ayer, hoy y mañana[J]. Investigación y desarrollo informático, 2013, 09: 1799-1804.
Zhou Chungui, Zhang Xinong, Hu Jie, Xie Shilin. Modelado híbrido basado en elementos finitos y redes neuronales [J] Transactions of Vibration Engineering, 2012, 01:43-48.
Fei Qingguo, Zhang Lingmi. Investigación sobre la modificación del modelo de elementos finitos basada en la red neuronal de función de base radial [J] Journal of Nanjing University of Aeronautics and Astronautics, 2004, 06:748-752.
Xu Yongjiang, Xing Bing, Wu Jinliang. Método de cálculo de confiabilidad estructural basado en elementos finitos-red neuronal-Monte Carlo [J]. Revista de la Universidad Chongqing Jiaotong (Edición de Ciencias Naturales), 2008, 02:188-19216.
Algunas direcciones en el futuro
1. Visualización gráfica (elementos finitos y AR y VR)
Con la expansión continua del campo y la escala de los elementos finitos. Cálculos, el preprocesamiento y posprocesamiento eficiente y de alta calidad de los resultados de los cálculos también se ha convertido en un problema difícil.
AR y ampEn términos de visualización de datos gráficos, la realidad virtual nos libera de la pantalla y nos permite ver los datos de cálculo y análisis de forma más intuitiva. En el futuro, habrá grandes avances en la visualización de resultados de análisis en realidad virtual.
Los académicos nacionales también han llevado a cabo investigaciones relacionadas, como el artículo "Realización de funciones de pre y posprocesamiento de elementos finitos en un entorno de realidad virtual" que también ha ingresado gradualmente. campos de software relacionados. Por ejemplo, ANSYS COMSOL puede interactuar con MATLAB y la nueva versión de MATLAB tiene algunos algoritmos de inteligencia artificial integrados.
2. Elemento finito, big data y computación en la nube
Con el aumento de la escala informática y la mejora de las capacidades informáticas, la computación en la nube se ha librado de las limitaciones del hardware informático. Para el análisis y cálculo de escala y cantidad, la colisión de elementos finitos y big data con la computación en la nube supondrá un salto cualitativo en la solución de problemas futuros, y habrá una hermosa exhibición de elementos finitos y big data.
3. Elemento finito e inteligencia artificial
La inteligencia artificial, como tecnología de moda a nivel mundial, y el elemento finito "antiguo", creo que puede brotar en árboles viejos, y nosotros podemos. También me complace ver que también se han llevado a cabo investigaciones relevantes y espero resolver problemas prácticos y obtener soluciones cada vez mejores en el futuro.
4. Conexión perfecta entre datos CAD y datos CAE.
En la actualidad, de acuerdo con el desarrollo del Análisis Isogeométrico (IGA), las funciones básicas NURBS utilizadas para expresar modelos geométricos en CAD se utilizan como funciones de forma para superar el problema de la pérdida de precisión del modelo en FEA y realizar CAD. La integración perfecta con CAE es una dirección de desarrollo potencial y prometedora.
5. Integración profunda de CAE y MBD.
En el futuro, CAEFEM podrá integrarse profundamente con el software de simulación de dinámica multicuerpo (MBS). En el sistema real, la elasticidad de algunas partes móviles no se puede ignorar, e incluso es la fuente del comportamiento dinámico principal, por lo que surge la necesidad de una simulación dinámica de múltiples cuerpos flexible, por lo que solo se necesitan las fuerzas y las condiciones límite de las partes relevantes. por definir, y el resto son todos efectos internos, por lo que la simulación no solo ahorra carga de trabajo, sino que también la hace más realista. Y, de hecho, existen muchos programas MBS que pueden convertir componentes en cuerpos elásticos, como LMS Virtual Laboratory, Simpack, etc. , pero el proceso no es tan estúpido; además de piezas simples como vigas y ejes, las piezas con formas complejas también dependen de archivos de datos pregenerados por el software FEM.
6. Capas de celosía inteligentes y estúpidas.
Modelar cuerpos elásticos puede resultar aún más tonto en el futuro. Primero, se establece un modelo de sistema rígido de múltiples cuerpos y luego se realiza la flexibilidad (preprocesamiento) directamente en el entorno de modelado. El sistema puede seleccionar un tipo de malla apropiado según la forma, el material y las condiciones de contorno de la pieza, y acoplar los puntos de acción de movimiento y fuerza a los nodos (grupos) correspondientes. Por ejemplo, la simulación del sistema de suspensión de un automóvil puede comprobar la tensión de un determinado componente en un determinado entorno de trabajo. El modelador de cuerpos múltiples tiene que generar un caso de carga a partir de la fuerza límite y enviarlo a un ingeniero FEM especializado. sin decirlo.
(En parte de Zhihu)
Cómo ponerse al día con el desarrollo de los elementos finitos
Cualquier progreso tecnológico debería demostrar el poder de la tecnología en la práctica. Con el avance de la tecnología, especialmente el avance de la tecnología informática, habrá oportunidades y posibilidades ilimitadas en el futuro, ya sea la investigación de software de aplicación o el desarrollo de programas inteligentes.
Aprenda activamente nuevas tecnologías y métodos y preste atención a las nuevas funciones del software relacionado con elementos finitos en el campo de la aplicación.
1. Comprender los puntos críticos y rastrear las fronteras
2. Ampliar las aplicaciones según las condiciones reales.
3. Dominar las tecnologías relacionadas con la automatización.
Para más información, haz clic aquí.