אסטרטגיה איתנה לעדכון מודל FE של לוחות קומפוזיט באמצעות מסגרת אופטימיזציה משולבת בתיווכי ANN‑SMA

מדוע כיול מבנים וירטואליים חשוב

מהנדסים נשענים יותר ויותר על מודלים ממוחשבים כדי לחזות כיצד גשרים, חלקי מטוסים וכנפי טורבינות רוח ירעדו ויתאמו בתפעול. אך המודלים הללו טובים רק ככל שהערכים שמוזנים אליהם מדויקים. עבור חומרים רב‑שכביים קומפוזיטיים, אשר נפוצים כיום בתעשיות התעופה והימיה, קבלת הערכים הנכונים קשה במיוחד. מאמר זה מראה כיצד ניתן לשלב ניסויים מעבדתיים, בינה מלאכותית ושיטת חיפוש בהשראת טבע כדי לכוונן מודל מחשב של לוח קומפוזיט כך שיתנהג כמעט בדיוק כמו המבנה האמיתי.

מניסויים מעבדתיים אל תאומים דיגיטליים

המחקר מתחיל עם לוח קומפוזיט מזכר זכוכית אמיתי, שנבנה מעשרה שכבות בד דקות הידבקות באפוקסי. במעבדה, הלוח נתמך בקצוותיו ומוכה בעדינות בפטיש מצויד תוך כדי שמאיצים זעירים רושמים כיצד הוא מתנדנד. בעיבוד מדידות אלו החוקרים מפיקים תכונות רטט מרכזיות: התדרים העצמיים של הלוח (הגונים שבהם הוא מעדיף להתנדנד) וצורות הכיפוף המתלוות. טביעות אצבע ניסיוניות אלה משמשות כתקן זהב שעליו המודל הממוחשב חייב להתאים.

בניית ובדיקת המודל הראשון

במקביל, הצוות יוצר גרסה וירטואלית מפורטת של אותו לוח באמצעות כלי הנדסי סטנדרטי לדימוי מבנים. הלוח הוירטואלי מחולק לאלמנטי שול (shell) רבים כך שהטבע הרב‑שכבתי והנוקשות בכיוונים שונים מיוצגים. כאשר הם מחשבים את התדרים העצמיים וצורות הרטט שלו, הם מגלים שהתחזיות קרובות אך לא מושלמות: חלק מהתדרים שונים מתוצאות המעבדה ביותר מ‑10 אחוז. השוואה מדוקדקת יותר של הצורות מראה כי, למרות שהדפוסים הכלליים דומים, הם אינם זהים. אי‑התאמה זו מאשר שחלק מהתכונות המניחות במודל הוירטואלי — כגון נוקשות, עובי או צפיפות — סטיות מעט מהמציאות.

לימוד תחליף מהיר לחיקוי המודל

כיוון שכוונון פרמטרים והרצה חוזרת של סימולציות מלאות אלפי פעמים יהיה איטי מדי, המחברים מציגים "מודלים תחליפיים": תחליפים מתמטיים מהירים שלומדים לחקות את הסימולציה היקרה. הם מדגמים באקראי מאות צירופי עובי, נוקשות וצפיפות בתחום מציאותי, מריצים עבור כל אחד את הסימולציה המלאה ואוספים את התדרים ותוצאות מדדי התאמת הצורות. שלושה סוגי תחליפים מאומנים על מערך נתונים זה: משטח פולינומי פשוט, שיטה סטטיסטית הנקראת קריגינג (Kriging) ורשת עצבית מלאכותית. מבחנים מראים שרשת העצבים לוכדת בצורה הטובה ביותר את היחסים המורכבים בין הקלטים לתגובת הרטט תוך שמירה על מהירות חישוב גבוהה, ומקטינה כל חיזוי משניות לשברים של שנייה.

נתינת חופש לאצות ריר לחפש בחלל העיצוב

עם רשת העצבים שמשמשת כמנבא כמעט מידי, האתגר הבא הוא לחפש בתוך ים הצירופים האפשריים את אלה שגורמים ללוח הוירטואלי להתיישר עם הלוח האמיתי. לשם כך החוקרים משתמשים באלגוריתם בהשראת האופן שבו יצורים של אצות ריר (slime mould) מתפרשים כדי לחקור את סביבתם ואז נסוגים לעבר מקורות מזון עשירים. באופטימיזציה, כל "אורגניזם" מייצג קבוצה מועמדת של תכונות לוח. מונחים על‑פי מדד אי‑התאמה בין התדרים החזויים לאלו הנמדדים, האצות הווירטואליות משנות את מיקומן, מאזנות בין חקירה רחבה לחדות מיקוד. חיפוש מלאכותי זה רץ כולו על התחליף, כך שניתן להשלים אלפי ניסיונות במהירות.

התאמה חדה וחישוב מהיר יותר

האסטרטגיה המשולבת של רשת עצבית ואלגוריתם אצות הריר משפרת בצורה משמעותית את הלוח הדיגיטלי. לאחר העדכון, ארבע מתוך חמשת התדרים העצמיים הראשונים שונות מערכי המעבדה בפחות מאחוז אחד, ואפילו המוד הקשוח בתדר גבוה משתפר במידה ניכרת בהשוואה למודל המקורי. ההתאמות הנדרשות סבירות פיזיקלית: הקטנה מתונה של נוקשות אפקטיבית ושינויים קלים בעובי ובצפיפות, תואמים לסטיות ייצור בעולם האמיתי. כאשר אותו תחליף של רשת עצבית מזווג עם שיטות חיפוש מבוססות יותר המדמות להקות ציפורים או אבולוציה גנטית, גישת אצות הריר החדשה עדיין מתכנסת באמינות רבה יותר וקוצצת את זמן החישוב בכ‑7 עד 30 אחוזים. במונחים מעשיים, משמעות הדבר היא שמהנדסים יכולים להשיג "תאומים דיגיטליים" מהימנים יותר של מבנים קומפוזיטיים מהר יותר, תומכים בהחלטות עיצוב טובות יותר ומערכות ניטור בריאות בעלות רגישות גבוהה יותר.

ציטוט: Kouhi, M., Mojtahedi, A. & Lotfollahi-Yaghin, M.A. A robust strategy for FE model updating of composite panels using a combined ANN-SMA surrogate-assisted optimization framework. Sci Rep 16, 10343 (2026). https://doi.org/10.1038/s41598-026-40583-7

מילות מפתח: מבנים קומפוזיטים, עדכון מודל אלמנטים סופיים, מידול תחליפי (surrogate), רשתות עצביות מלאכותיות, אופטימיזציה מטא‑היוריסטית