Optimisez automatiquement vos modèles pour réduire les coûts de matériaux et de carbone grâce au Machine Learning
Aperçu
L'optimiseur SkyCiv S3D est un plugin pour S3D qui minimise de manière autonome les coûts de matériaux et de carbone du modèle S3D existant d'un ingénieur. L'algorithme fonctionne en manipulant les sections d'un modèle S3D, cotes des sections, les matériaux, et l'emplacement des nœuds pour réduire les coûts tout en préservant la solidité structurelle et l'intégrité architecturale. Ceci est rendu possible par des algorithmes d'apprentissage automatique couplés à la puissante fonctionnalité de S3D.
Comment ça fonctionne
L'optimiseur SkyCiv S3D est actuellement en phase bêta et est introduit via un lancement en douceur. Bien que vous n'ayez pas encore le contrôle sur quand ou comment votre modèle sera optimisé, l'optimiseur s'exécutera en arrière-plan sur vos modèles existants à chaque fois que vous les résolvez. À la fin, vous pouvez être informé des résultats optimisés et avoir la possibilité de visualiser le modèle optimisé. Remarque, en ce moment, l'optimiseur n'optimisera que les sections de bibliothèque présentes dans le modèle existant. Vous pouvez désactiver cette fonctionnalité à tout moment, en allant dans vos paramètres dans S3D et en cochant la case qui dit Optimiseur SkyCiv à exécution automatique.
Un exemple de notification d'une optimisation réussie
Pour que l'optimiseur s'exécute sur votre modèle, votre modèle initial doit contenir: au moins une section de bibliothèque; et avoir au moins un rapport d'utilité inférieur à un. Notez s'il vous plaît, seuls les utilitaires initiaux inférieurs à un seront considérés comme des critères de conception pour l'optimiseur.
Quelles sont les variables et les critères?
Les variables (paramètres) étant modifié dans votre modèle, sont limités aux données de section. Il parcourt toutes les sections possibles dans la bibliothèque spécifiée. Par exemple, si un utilisateur a une section de W8x10 (tiré de l'américain – Base de données AISC), l'Optimiseur sélectionnera la section la plus optimale dans cette bibliothèque particulière.
L'Optimiseur est basé sur les critères suivants:
- Le rapport de portée de déflexion doit être inférieur à L/250
- Les contraintes de barre doivent être dans un rapport inférieur à 0.95 pour la résistance des matériaux (basé sur une entrée définie par l'utilisateur)
- Les contraintes de barre doivent être dans un rapport inférieur à 0.95 pour le rendement matière (basé sur une entrée définie par l'utilisateur)
- Minimiser le coût ($ par masse) des matériaux utilisés
Exemples de résultats d'une exécution d'optimiseur. Les utilisateurs peuvent ensuite ouvrir le modèle optimisé dans une autre fenêtre
FAQ
Pourquoi ne suis-je pas informé des résultats d'optimisation après avoir résolu mon modèle?
Divers facteurs peuvent faire en sorte que vous ne soyez pas averti. Il s'agit notamment d'un modèle initial qui n'est pas structurellement stable, un modèle qui ne contient pas de sections de bibliothèque standard, trop grand d'un modèle, ou un modèle qui ne peut pas être optimisé de manière significative.
Nous n'utiliserons pas de modèles trop volumineux pendant le soft launch. En moyenne, ça devrait prendre 1 minute pour que l'optimiseur s'exécute.
Comment puis-je choisir les sections que je veux optimiser? Puis-je optimiser d'autres aspects du modèle?
Nous restreignons la sélection de sections et d'autres critères d'optimisation pour le lancement en douceur. Ces fonctionnalités seront disponibles dans un futur proche.
Pourquoi est-ce que j'obtiens parfois des résultats différents sur le même modèle?
Dans certains cas, il peut y avoir des millions de variations d'un modèle S3D. Il est impossible de les tester tous. Notre algorithme repose sur un processus stochastique métaheuristique (Aléatoire) pour trouver le meilleur modèle le plus rapidement possible. En raison de la nature aléatoire de cet algorithme, vous n'êtes pas toujours assuré de trouver le meilleur/le même modèle.
Pourquoi toutes mes sections ne sont pas optimisées?
Nous essayons de limiter la durée de l'optimiseur à une minute. À cause de ce, nous n'avons peut-être pas le temps d'optimiser toutes les sections. Nous utilisons l'apprentissage automatique pour déterminer quelles sections doivent être optimisées dans le délai imparti.
