Hacimsel pikselleme yöntemi ile üç boyutlu nesne tanımlama ve gerçek zamanlı sonlu elemanlar analizi yapabilen derin öğrenme algoritması geliştirilmesi

Abstract

Sonlu elemanlar analizi, yapıların fiziksel davranışlarını tespit etmek için bilgisayar ortamında tasarlanan ve belirli formülasyonlar ile çözülen simülasyon yöntemidir. Problemin büyüklüğüne veya karmaşıklığına göre hazırlık ve çözüm süresi artmaktadır. Sonlu elemanlar analizi için olması gerekenler, geometri ve sınır koşullarıdır. SEA'nın zor ve yorucu olmasının sebebi hazırlık aşamasının çok fazla girdi istemesidir. Ayrıca SEA yapabilmek için ileri düzeyde mühendislik bilgisi de gereklidir. Üç boyutlu yazıcı kullanımının artması da SEA'ya olan ihtiyacı arttırmıştır. Cep telefonu ve tabletlerin işlem gücünün gelişmesi ile sonlu elemanlar analizinin, girdiye ihtiyaç duymadan telefon kamerası ile yapılabilirliğinin mümkün kılınması adına altyapı oluşturulmuştur. Basit analizlerin otomatik olarak yapılabilmesi için derin öğrenme algoritmaları tasarlanmıştır ve eğitilmiştir. Hayatımızın her alanına giren yapay zekânın, sonlu elemanlar analizi alanında ne gibi çözümler sunacağı incelenmiştir ve gerekli yöntemler için farklı algoritmalar yazılmıştır. Bu çalışmada, görüntü işleme yöntemi ile, analiz edilecek parçayı tanımlayan ve malzemesini sınıflandırabilen bir algoritma oluşturulmuştur ve yüksek başarı oranı ile çalışmıştır. Üç boyutlu geometrilerin sınıflandırılabilmesi için özelleştirilmiş bir evrişimli sinir ağı tasarlanmıştır. Üç boyutlu geometrilerin sinir ağlarına öğretilmesi için katı pikselleme yöntemi kullanılmış ve sinir ağı başarı ile eğitilmiştir. Sonlu elemanlar analizinin hızlandırılması ve geometrilerin sınıflandırılarak SEA'ya girdi sağlaması için 3888 farklı analiz sonucu yapay sinir ağlarında eğitilmiş ve doğruluk oranları tayin edilmiştir. Sonlu elemanlar analizi ile çözüm süresi 48 saati geçen problemler, yapay sinir ağı ile 10 saniye içinde %91 doğrulukla sonuç vermiştir.

Finite element analysis is a simulation method which is designed in a computer environment to determine the physical behavior of structures and solved with certain formulations. Depending on the size or complexity of the problem, preparation and solution time increases. The requirements for finite element analysis are geometry and boundary conditions. The FEA is difficult and tiring because the preparatory phase requires too much input. In addition, advanced engineering knowledge is required to perform FEA. The increase in the use of three-dimensional printers has increased the need for FEA. With the development of the processing power of mobile phones and tablets, an infrastructure was established to enable the feasibility of finite element analysis with telephone camera without the need for input. Deep learning algorithms are designed and trained in order to perform simple analysis automatically. The solutions of artificial intelligence in all areas of our lives in the field of finite element analysis have been investigated and different algorithms have been written for the necessary methods. In this study, an algorithm that identifies the material to be analyzed and classifies its material has been created by the image processing method and has worked with high success rate. A customized convolutional neural network was designed to classify three-dimensional geometries. In order to teach three dimensional geometries to neural networks, solid pixelation method was used and neural network was successfully trained. In order to accelerate the finite element analysis and classify the geometries and provide input to the FEA, 3888 different analysis results were trained in artificial neural networks and accuracy rates were determined. Finite element analysis showed that the problems with a solution time exceeding 48 hours yielded 91% accuracy in 10 seconds with artificial neural network.