Прогнозирование обратной упругости из данных для изогнутых металлических секций в системах витражных фасадов

Почему изогнутый металл в облицовке зданий важен

Стеклянные фасады часто опираются на длинные изогнутые металлические ребра, удерживающие элементы на месте. Когда эти алюминиевые детали формуют, они склонны слегка возвращаться в первоначальную форму, как только прессы и зажимы отпускают. Это небольшое возвращение может нарушить посадку тысяч деталей на сложном фасаде, задерживая строительство и увеличивая затраты. В этом исследовании рассматривается более быстрый, основанный на данных подход к прогнозированию поведения таких изогнутых металлических секций, чтобы проектировщики и производители могли попасть в требуемую форму с первого раза.

Как современные фасады используют изогнутый металл

Многие современные системы витражных фасадов оборачивают здания плавными, текучими линиями вместо простых плоских панелей. Чтобы получить эти формы, производители изгибают алюминиевые профили в U‑, S‑образные или более сложные трехмерные конфигурации. В процессе формовки каждая деталь испытывает сочетание растяжения, изгиба и кручения. Когда внешние силы снимаются, металл частично возвращает исходную форму — это явление называют обратной упругостью. Даже отклонения на уровне миллиметров в длине хорды или высоте дуги могут снизить точность сборки и испортить задуманный архитектурный эффект.

Ограничения традиционных виртуальных испытаний

Инженеры давно полагаются на подробные компьютерные симуляции, называемые моделями конечных элементов, чтобы оценить величину обратной упругости. Эти модели могут быть точными, но они медленные и трудоемкие в настройке для каждой новой геометрии. В витражных фасадах может быть сотни или тысячи уникальных изогнутых деталей, каждая с разной длиной, толщиной и углами изгиба. Запуск полного моделирования для каждой вариации быстро становится непрактичным, особенно когда сроки сжаты, а конструктивные изменения часты.

Преобразование симуляций в задачу обучения

Авторы предлагают трехэтапную структуру, которая рассматривает прогнозирование обратной упругости как задачу с данными. Сначала они запускают тщательно откалиброванный набор симуляций для широкого диапазона размеров компонентов и схем гибки и проверяют эти результаты по измерениям от реального производителя витражных фасадов. Во‑вторых, они используют генеративную модель для создания дополнительных синтетических данных, похожих на результаты симуляций, расширяя покрытие редких форм без дополнительных дорогостоящих вычислений. В‑третьих, они обучают нейронную сеть, которая принимает простые входные данные, такие как размеры и углы изгиба, и прямо выдает ожидаемые показатели обратной упругости, например внутреннюю длину хорды, внешнюю длину хорды и стрелу прогиба.

Насколько хорошо работает обученная модель

Тесты показывают, что модель на основе данных воспроизводит тенденции обратной упругости, полученные в подробных симуляциях, с хорошей точностью для многих различных геометрий. На независимом тестовом наборе прогнозы тесно соответствуют измеренным значениям, с лишь небольшими средними отклонениями. Модель особенно эффективно работает при обогащении синтетическими данными, что полезно для шаблонов гибки, для которых было мало исходных симуляций. После обучения нейронная сеть выдает результаты почти в пять раз быстрее, чем запуск новых симуляций, преимущество, которое растет с увеличением числа и разнообразия деталей.

Что это значит для практики строительства

Для архитекторов и инженеров по фасадам исследование показывает, что надежные прогнозы обратной упругости можно встроить в цифровые инструменты проектирования без необходимости полного моделирования для каждого компонента. Обучаясь на сочетании тщательно верифицированных симуляций и сгенерированных примеров, компактная модель может быстро оценить, насколько изогнутая секция откатится после формовки. Такая скорость и точность могут помочь лучше формировать штампы, делать более точные допуски в чертежах и уменьшать количество доработок на месте, помогая сложным витражным фасадам точнее соответствовать задуманным проектам.

Цитирование: Jiang, W., Zhang, Y., Liang, Y. et al. Data-driven springback prediction of curved metal sections in curtain wall systems. Sci Rep 16, 14838 (2026). https://doi.org/10.1038/s41598-026-42002-3

Ключевые слова: системы витражных фасадов, обратная упругость, гибка алюминия, метод конечных элементов, моделирование нейронных сетей