요약
새로운 AI 기반 애플리케이션인 romAI를 사용하여 시뮬레이션 데이터에서 동적 ROM(Reduced-Order-Model)을 생성하고 시스템 시뮬레이션 예제에서 이 혁신적인 접근 방식이 중장비 설계를 어떻게 지원할 수 있는지 소개합니다. romAI는 휠 로더 모델과 결합하여 벌크 재료 상호작용으로 인한 하중을 추정해 시뮬레이션 런타임을 약 35배 가량 단축할 수 있습니다.
소개
본문에서는 romAI를 활용하여 벌크 재료를 처리하는 데 사용되는 휠 로더의 해석에 대해 이야기하려고 합니다. 이 시스템은 알테어의 소프트웨어를 사용하여 시뮬레이션할 수 있습니다. 휠 로더는 멀티바디 소프트웨어 MotionSolve로 표현되며 OptiStruct에서 생성된 Flexible Body를 포함합니다. PID 컨트롤러는 원하는 위치에 도달하기 위해 붐 및 버킷 액추에이터에 사용됩니다. 마지막으로 벌크 재료는 DEM(Discrete-Element-Method) 솔버인 EDEM으로 시뮬레이션합니다.
예상한 바와 같이, 다양한 핸들링 조작은 벌크 재료에서 버킷까지의 하중과 개별 부품에 가해지는 하중(예: 유압 액추에이터 힘 및 중요 부품에 가해지는 응력)을 변화시킵니다.
예전부터 각기 다른 핸들링 거동에 대해서는 EDEM과 Co-Simulation을 수행해야 했습니다. 일반적으로 DEM 시뮬레이션은 시간이 많이 소요될 수 있는데, 특히 대규모 시뮬레이션에서 그렇습니다.
이러한 해석의 목표 중 하나는 다양한 거동을 테스트하고 중요한 부품에 대한 응력과 하중을 우수한 정확도로 추정하는 것입니다.
인공지능(AI)이 DEM 시스템을 더 시간 효율적이면서 정확한 ROM으로 교체하여 연구 속도를 높이는 데 도움을 줄 수 있을까요?
워크플로우
작업을 3단계로 진행해보았습니다.
이 모든 것을 완료하는 데 9시간도 채 걸리지 않았습니다!
romAI 트레이닝에 필요한 데이터를 생성하기 위해 EDEM에서만 수행되는 DEM 시스템으로 5가지 시나리오를 실행했습니다. 각 시나리오에서 “X, Z” 변위 및 “θ” 버킷 각도는 각각의 속도와 함께 적절한 범위의 움직임을 커버하기 위해 약간 변경되었습니다.
그런 다음 데이터를 csv 파일에 저장하고 동적 ROM 생성을 위해 romAI GUI에 데이터를 입력했습니다.
시스템에 대한 입력은 이미 언급된 변위, 각도 및 속도이며 출력은 “X” 및 “Z” 방향에 따른 힘과 “Y”축 주위의 토크를 더한 값입니다. 버킷에 있는 재료의 질량은 동적 시스템의 상태를 나타내며 동시에 추가적인 출력값을 나타냅니다.
다음으로 동일한 입력에 대한 출력을 EDEM 모델과 비교하여 romAI 모델을 검증합니다.
생성된 ROM을 검증했으면 romAI를 휠 로더 모델과 연결하고 Activate 내에서 Co-Simulation을 실행합니다.
마지막으로 비교 검증을 위해 동일한 거동에서 EDEM과 함께 Co-Simulation을 실행합니다.
이러한 하중 시나리오에서는 액추에이터의 적절한 크기를 지정하기 위해 필요한 액추에이터 힘을 추정하는 것이 중요합니다. 아래는 이러한 움직임을 수행하기 위한 유압의 결과입니다. 최대 힘의 차이는 1.4% 이하입니다!
휠 로더에서 가장 중요한 구성 요소 중 하나는 버킷에서 프레임 및 유압 액추에이터로 하중을 전달하는 역할을 하는 붐입니다. MotionSolve의 Flex Body Modal 분석 방식을 사용하여 피로 상태에 있는 부품의 수명 주기를 계산하는 데 사용되는 붐의 응력을 계산할 수 있습니다.
오리지널 모델과 romAI 탑재 모델의 크리티컬 요소에 대한 최대 Von Misses 응력의 차이는 겨우 2% 미만입니다!!
결론
AI와 결합된 시스템 시뮬레이션에 대한 자세한 내용을 알고 싶다면?
원문은 (여기)에서 보실 수 있습니다.