Anterior: Detector LIGO Siguiente: Escáner EUV

El Pistón que se Talla a Sí Mismo — Diseño Generativo

Diseño generativo · h. 2020

El Pistón que se Talla a Sí Mismo — Diseño Generativo

Preparando la exposición…

Operar

Avanzar calcula una iteración del optimizador: una resolución completa por elementos finitos, que puede tardar decenas de segundos. Reiniciar empieza una nueva ejecución desde el campo uniforme y borra el historial; el volumen objetivo se conserva.

VOLUMEN OBJETIVO DE MATERIAL

El objetivo se aplica a partir de la siguiente iteración. Los objetivos más bajos eliminan más material y hacen la pieza menos rígida; el umbral de aviso de tensión máxima es ilustrativo.

Inspeccionar

HISTORIAL DE ENTRENAMIENTO

Arrastre para examinar campos de densidad anteriores del historial de optimización.

Cómo funciona

Este optimizador SIMP minimiza la flexibilidad estructural con una restricción de volumen de material. El campo de densidades y el posprocesamiento de tensiones son resultados numéricos con fines educativos, no el diseño certificado de un componente.

Paso SIMP	Analogía con el aprendizaje automático
variables de densidad x[e]	parámetros entrenables
cálculo de tensiones mediante FEA	propagación hacia delante
sensibilidades dc/dx	gradiente / retropropagación
actualización de densidades OC	paso de descenso del gradiente
restricción / aviso de tensión	inestabilidad / incumplimiento de la restricción

ESTADO DEL OPTIMIZADOR

Iteración / épocaVolumen / materialFlexibilidad / pérdidaVon Mises máximo (unidades del modelo)

CONVERGENCIA

flexibilidad (escala logarítmica)fracción de volumen, objetivo discontinuo

MATERIAL ⇄ INDICADOR DE RIGIDEZ

Material (fracción de volumen) frente a rigidez relativa (primera flexibilidad analizada dividida entre la flexibilidad actual).

ESTADO

.museum-body--immersive { overflow: auto !important; } .museum-main--fill, .museum-runtime { height: auto !important; min-height: 100vh; overflow: visible !important; } .museum-runtime > .exhibit-root, .museum-runtime > :not(#mw-about):not(noscript):not(script) { display: none !important; } .museum-runtime #mw-about { display: block !important; position: static; width: min(100%, 800px); margin: 24px auto; padding: 24px; box-sizing: border-box; } .museum-runtime [data-about-close], .museum-runtime #mw-about > h2 { display: none !important; }

h. 2020 · Diseño generativo

El Pistón que se Talla a Sí Mismo — Diseño Generativo

Un optimizador de estilo neuronal esculpe un bloque macizo en un esqueleto biológico de rutas de carga — observa cómo aprende el metal.

Cada gramo de metal en una pieza de motor está ahí para soportar una carga — y un algoritmo de diseño generativo puede determinar exactamente cuáles son esos gramos. Esta exhibición ejecuta ese algoritmo en vivo: comienza con un bloque macizo de metal que rellena la envolvente del pistón y, una y otra vez, pregunta dónde fluye realmente el estrés, luego elimina el metal que no está haciendo su trabajo. Lo que queda es un esqueleto biónico de puntales portantes — el mismo proceso que produjo los pistones topológicamente optimizados e impresos en 3D que ahora aparecen en motores de alto rendimiento.

Nada aquí está esculpido a mano. Cada paso es una resolución real de elementos finitos seguida de la actualización de densidad SIMP que usan realmente los ingenieros estructurales: el pistón se divide en una rejilla de pequeños elementos, cada uno con una «densidad» entre vacío y sólido; el solucionador calcula cómo se flexiona toda la estructura bajo la carga de combustión que presiona sobre la corona mientras los apoyos del bulón la sujetan; y cada elemento aprende si está ganándose su masa. Los vóxeles brillan de azul — desperdiciado, baja tensión — a rojo, una ruta de carga crítica, y se disuelven donde no son necesarios. Es exactamente el ritmo de cuatro tiempos de entrenar una red neuronal: un pase directo (la resolución de estrés), una pérdida (la deformación de la estructura), un gradiente (qué gramos importan), y un paso que ajusta el diseño — por eso esta sala está junto al Laboratorio de Neuronas. Presiona demasiado el presupuesto de material y un puntal se sobrecarga y fractura: la versión estructural del sobreajuste.

Pulsa «Revelar el ideal» y el bloque del cálculo en vivo se resuelve en la pieza acabada, lisa y hueca hacia la que converge el optimizador — un pistón aligerado con su galería de refrigeración y orificios del bulón, cada superficie siguiendo el flujo de fuerza. El diseño generativo, el descenso de gradiente y la lógica que puedes cablear puerta a puerta en el Logic Lab de DigiSim son la misma idea: deja que una regla simple, aplicada sin descanso, descubra una estructura que nadie dibujó a mano.

Especificaciones

Método: Optimización topológica basada en densidad SIMP
Física: Resolución de estrés por elementos finitos en vivo en el bucle
Analogía: La optimización topológica como descenso de gradiente
Simulado: Campo de densidad de vóxeles + mapa de calor de tensión de von Mises

Todas las exhibiciones

Operar

Inspeccionar

En el número actual