Сьогодні поговоримо про Shape Optimization та Generative Design. А також про те чи завжди потрібна оця оптимізація, хоч у вигляді генеративного дизайну, хоч у вигляді чогось простішого.

Також визначимо, що таке генеративний дизайн в теорії та в розумінні Автодеска і чому є певні розбіжності між цими поняттями.
Також порівняємо генеративный дизайн та топологічну оптимізацію, поговоримо про переваги того, що автодеск називає генеративним дизайном та, якщо встигнемо, подивимось класичні маркетингові картинки. Вони демонструють, як генеративний дизайн допомагає у вирішенні різних задач.

текст базується на відео:

Зміст публікації:

• Визначення терміну “Генеративний Дизайн” (GD=Generative Design)
• Поівняння результату “ручної” оптимізації та “топологічної”
• Порівняння GD та TO (Topology Optimization)
• Переваги GD
• Приклади користувачів

Тож почнемо…

Визначення терміну “Генеративний Дизайн”

Частково прикладом корисності GD є вироб General Motors, продемонстрований якраз на початку публікації – тобто декілька деталей-збірка з, наскільки я пам’ятаю, 30 одиниць, більшість з яких виготовляється штампуванням, а сам виріб – збиранням.

Всі ці деталі були замінені на одну, яка може бути виготовлена або методом 3D друку або ливарним виробництвом. Це не тільки призвело до економії маси, але і значно спростило технологічну задачу  зі збирання цих об’єктів.

Що стосується переваг, які надають топологічна оптимізація та генеративний дизайн – їх дуже багато і давайте про них трошки поговоримо.

Коли ми займаємось проектуванням, в нас є три різних варіанти поведінки.

Ми можемо робити тільки абсолютний мінімум з того, що є необхідним і, по суті, це оформлювати 3D креслення чи 2D креслення та віддавати їх на виробництво. А там далі хай вони розбираються. Для цього нам достатньо AutoCAD, а може, навіть і звичайного Paint. І в принципі AutoCAD перших версій, який ще вміщався лише на дискети, був достатнім для того, щоб вирішувати подібні задачі. Звісно, на поточний момент AutoCAD є значно більш потужним. Тому це не спроба образити продукт компанії Autodesk. Але мова про те, що слово “AutoCAD” дуже часто асоціюється з кресленнями. І відповідно, якщо ми мінімізуємось на кресленнях або навіть на якихось простеньких 3D-моделях, то це мінімум. Абсолютний мінімум, того що потрібно.

Якщо ми рухаємось трошки вперед, якщо ми дивимось на потреби сьогодення і те, як відбувається процес проектування у багатьох компаніях, то треба розуміти: креслення – це вже те, що всі давно прийшли. Треба робити 3D моделі, треба тестувати, як вони складаються один з одним, треба виконувати певні розрахунки з працездатності ось всіх цих елементів конструкції. Але це виклики, які пропонує сьогодення. Це ми можемо відповісти на запити, які були вчора. Можливо, сьогодні, але не “сьогодні підвечір”, як то кажуть. І не “сьогодні” – в сенсі на завтра. І якщо ми говоримо про те, що нам потрібно прискорювати процес розробки, якщо ми говоримо, про те, що нам треба робити деталі більш екологічними, більш міцними і багато інших питань, то треба використовувати не тільки  ті можливості, які вже використовують всі.

Важливо також використовувати можливості, які поки що дають конкурентну перевагу, а завтра вже стануть інструментами, якими користуються всі. Тобто треба передбачувати потреби, треба робити Design of experiments або Design Exploration. Треба виконувати проектні дослідження і автоматизацію цих проектних досліджень, зокрема з урахуванням потреб виробництва.

Ось на цей запит реагує Generative Design як такий. 

Проте, коли ми говоримо про Generative Design, треба розуміти, що є купа різних додаткових термінів, на основі яких відбувається така собі певна “інсинуація”. На їх основі роблять такі дуже цікаві перетини і підміни понять з рекламними маркетинговими матеріалами.

Ці рекламні матеріали дуже круто все розповідають, але не завжди зрозуміло, про що йдеться.

Generative Design часто пов’язують з такими термінами, як Topology Optimization,  Shape Optimization, Bionic Design topology (тобто розробка таких форм, які схожі до природні)

Topology та Shape – це “оптимізація форми”. Topology – це, в принципі, математичний термін, який описує форму, в тому числі є parametric optimization (параметрична оптимізація), процедурна оптимізація… та багато іншого.

Різні компанії, залежно від того, який продукт вони роблять, пов’язують Generative Design з ось цими напрямами. І, в принципі, ці всі терміни дуже сильно пов’язані з глобальним терміном Generative Design. Також цей термін дуже активно пов’язаний з адитивними технологіями та технологіями 3D друку, оскільки зазвичай форми, які генеруються, особливо якщо ми говоримо про generative design у машинобудуванні – їх дуже складно виготовити якимось іншим чином. 

Хоча є варіанти і про це ми теж поговоримо. 

І дуже часто це пов’язано з HPC (high-performance computing), тобто з комп’ютерами високої потужності, великими обчислювальними можливостями та з хмарними рішеннями. Така потреба базується на тому, що це дуже місткі, ресурсоємні задачі, які потребують великої кількості ітерацій і напрямків, і, відповідно, на локальному комп’ютері це вирішувати дуже проблемно.

Тому або hpc з кластерами, або хмарні обчислення. Але це стосується “заліза”, на якому воно працює. Коли треба пояснити, яким чином працюють алгоритми з ось цією кількістю даних… то зазвичай використовують посилання на те, що є штучний інтелект,  є нейронні мережі глибокого навчання або якісь інструменти роботи з великими масивами даних.

Тобто Generative Design – це ось все це (всі слова слайда, які описані вище).

І, в принципі, навіть не дуже сильно обманюють ті компанії, які говорять про те, як працює все це.

Втім, тут є певні моменти.

Бо, як кажуть деякі люди, коли ми говоримо про штучний інтелект, то треба розуміти, що це просто ми купу разів виконуємо в програмуванні команду “if then else”. Ну, і цикли… хоча це не зовсім правда 

Все ж таки, певні підстави, щоб так сказати, є.

Тому треба все ж таки пояснити, чим є Generative Design.

У нас в Україні під словом “Дизайн” мається на увазі щось таке “красивеньке”, щось таке, що прикольно та стильно виглядає, і все інше.

Але, насправді, з англійської мови, звідки це пішло,  мається на увазі не “дизайн” в нашому розумінні – тобто суто зовнішній (і якийсь прикольний) “вигляд”. 

Натомість Design – це  процес розробки та процес проектування, i Generate – це створювати, але Generation – це покоління.

І от Generative Design – це ітераційний процес розробки чогось, заснований на поколіннях, де ми поступово створюємо об’єкти, наближаємось до того, що ми хочемо побачити.

Generative Design в принципі може бути не пов’язаний з машинобудуванням, він використовується і в веб-технологіях, і в графічному дизайні, і будь-де.

Питання в тому, що є певний алгоритми, є певна кількість випадкових речей, і ми –  генерація від генерації, ітерація до ітерації – розробляємо певну кількість результатів. Далі вказуємо, які результати нас цікавлять, і розвиваємо саме їх. І далі, до того моменту, поки не отримуємо щось таке, що нас влаштовує.

Тобто ми: генеруємо -> оцінюємо -> генеруємо -> оцінюємо ->…
і так в циклі.

Generative Design за класичним визначенням не пов’язаний з комп’ютером, не пов’язаний з високими технологіями. Це те, що в принципі можна виконати вручну на папері. Але, звісно, на папері це буде досить довго. Тому комп’ютерні програми, які використовують підходи Generative Design`у – вони є дуже ефективними. І якщо ми говоримо про машинобудування, то через те, що фізичні закони однакові, але їх реалізація для різних об’єктів, які працюють по-різному – вона трошки відрізняється. 

Через все Generative Design дуже часто пов’язують з генерацією або геометрії як такої, або геометрії на основі задач фізики. Для розрахунку задач фізики використовується метод скінченних елементів  та методи тої чи іншої оптимізації форми об’єкту. 

В машинобудування термін Generative Design активно впроваджувала компанія Autodesk із своїми інструментами. Для того, щоб пояснити, чим відрізняються (від конкурентів) ті інструменти, ті технології, які розробила саме компанія Autodesk, вона взяла за основу термін, який в машинобудуванні значно менше використовувався, ніж, наприклад, у комп’ютерній графіці чи в веб-дизайні.

Вона підійшла до цього, бо компанія Autodesk є багатопрофільною і мультимедіа задачі – це один з напрямів, вона дуже добре знає цю сторону дизайну. Відповідно, вони розробили інструменти, які мають певні ознаки ось цього самого “дженеративного дизайну” і назвали так свої інструменти.

У мене є більш детальна публікація про те як відрізняється Generative Design в описі компанії Autodesk від того, що він з себе представляє (на мою думку). 

Тут треба відразу сказати, що, коли компанія Autodesk розповідає про Generative Design, і коли потім розповідають про Generative Design компанії, які афільовані, так чи інакше, з компанією Autodesk, це трошки різні процеси.

Компанія Autodesk про Generative Design розповідає досить коректно і досить тактично, а от деякі компанії, що продають цей софт, або компанії, які використовують цей софт, іноді дозволяють собі значно більше вольностей. І через це ось публікації, про які я казав, вони є не стільки критикою компанії Autodesk, скільки критикою тієї думки, того образу, який утворився у терміна Generative Design. І це, з моєї особистої точки зору, є дуже важливим. Бо коли ти від технології очікуєш те що, вона не може дати – це, все ж таки, не дуже добре. 

Поівняння результату “ручної” оптимізації та “топологічної”

Перш ніж перейти безпосередньо до порівняння Generative Design та топологічної оптимізації, яке є дуже важливим, я наведу приклад конкурсу. Він проводився 10 років тому (приблизно) на порталі GrabCAD від компанії Autodesk. 

Була геометрія, яку продемонстрировано справа. Це захват робота, який повинен працювати на Місяці. Він має бути виготовлений зі сталі, в нього є запас міцності, в нього є початкова вага.

І саме тому, що його хочуть використовувати на Місяці, треба було зробити його максимально легким та простим до виробництва з використанням програмного продукту Autodesk Sim360, який по суті є пращуром того, що ми зараз називаємо Fusion 360 Simulation.

Тобто це розрахунки у хмарі. Початкова вага була 130 кг, і ось тут можна побачити певні приклади конструкції, які згенерували користувачі. Про деякі з них, зокрема лівий, можна одразу сказати, що це був результат топологічної оптимізації в якомусь іншому програмному продукті, потім відображений (повторений) в Sim360.

Є ще такі варіанти, взагалі їх було більше 100 (120…130).

Причому близько 100 принципово різних рішень.

Зліва тут продемонстрирована картинка – це результат Дмитра  Мухіна, з яким він отримав друге місце в цьому конкурсі.

І це без урахування того, що на той момент він був тільки студентом, а багато тих, хто брав участь у конкурсі, були вже інженерами з великим досвідом.

Тобто мова не про те, що навіть студенти можуть багато чого зробити, хоча і це так. Мова про те, що гарна освіта дає досить непогані можливості з оптимізації.

Так от, більшість варіантів рішень мала вагу приблизно 50-80 кг, тобто економія близько двократної. Десь 30% розробок дали економію більше як трикратну, і найкращий варіант важив приблизно 19 кг.

Там було три варіанти такої ваги – від 18.6 до 19.2. Тобто це зменшення майже семикратне. Середня економія по усім проектам десь 3,7 раз. Ще раз нагадаю, що здебільшого це варіанти, розроблені вручну, без використання інструментів оптимізації, без використання інструментів генеративного дизайну.

Порівнюємо з такою ж задачею (приклади, на основі яких можна вивчити, що таке Shape Optimization і Generative Design у Fusion).

Ця задача перетворилася на “класичну”, отже ми побачимо, що ось це в нас варіант, який в два рази менше важить ніж початковий.

Тут можна сказати (особливо якщо не знати, як працюють інструменти топологічної оптимізації) що, в принципі навіть дуже прості варіанти зменшення полегшили конструкцію більше ніж в два рази, а з цим впоралося більше 50% користувачів.

А от інструмент топологічної оптимізації – “зміг тільки полегшити вироб вдвічі”.

Насправді тут не все так просто. Коли ми відправляємо конструкцію на топологічну оптимізацію, ми кажемо, наскільки повинна менше важити наша конструкція. І “в два рази” тут якраз було задано. Якщо б було задано три чи п’ять, то алгоритм би теж впорався б, і він би згенерував іншу конструкцію, причому вона може бути зовсім не схожою на поточну конструкцію.

До цієї задачі ми ще трошки пізніше повернемося на одному прикладі.

А сьогодні ми поговоримо про ось ці самі типи “оптимізації форми” .

Їх (методів оптимізації форми) дуже багато:

• Density Based
• Level-set
• Node-Based
• Lattice base
• Signed Distanse Function
• Sizing
• Toponometry
• Topography
• Topology

Є найбільш використовуваний, це Density Based (зміна щільності). Це коли ми говоримо, що ми хочемо зменшити вагу на 50%, відповідно в нас щільність зменшується до 50%, а потім перерозподіляється по конструкції. Так, щоб десь було 100%, десь було майже нуль. І ми отримає о отримуємо ось ці місця з дуже низькою щільністю і місця з ребрами жорсткості. Але проблема в тому, що щільність там не пропадає насправді, що завжди є щільність і результати топологічної оптимізації через це треба перевіряти.

Level-Set Based це також на основі щільності, але трошки по-іншому. Ми змінюємо поведінку нашої конструкції за рахунок того, що створюємо попередні “дірки” з значно меншою щільністю, і воно їх потім перерозподіляє. Цей підхід має свої переваги та недоліки, він може згенерувати різні варіанти конструкції, в той час як Density Based оптимізація при одних і тих самих налаштуваннях буде видавати одні і ті ж результати.

Окрім того є переміщення вузлів (Node-Based) на “базі часток” (Lattice Based), тобто на базі того як змінюється заповнення, наприклад, при 3D друці.

Є перехід між різними типами форм: з ребрами жорсткості/без (Signed Distance Function).

Є зміна товщини, є топонометрична, топографічна та топологічна оптимізація, є купа різних методів оптимізацій, які використовуються, коли говорять про оптимізацію форми. 

Але найбільш використовуваним і таким, що  впроваджено (з моєї особистої точки зору) в інструментах компанії Autodesk, є Density Based – тобто зміна щільності.

Коли ми говоримо про зміну щільності, то треба розуміти, що ми говоримо, в першу чергу, про Structural Design (у Autodesk Fusion Generative Design), тобто про розробку механічних задач.

Бо коли ми говоримо про Fluid Path, тобто про потік, то там трошки інша геометрія, трошки інші задачі і  трошки інші підходи.

З моєї особистої точки зору Fluid Path вже, в принципі, працює… але… але поки що я б не рекомендував їм користуватися. З моєї, ще раз, особистої точки зору, як людини, яка, зокрема, займалася питаннями оптимізації і потім перевіряла все це неодноразово як в житті так і на комп’ютері результати оптимізації, як би компанії не казали інакше і не рекламували, що, в принципі, немає потреби це перевіряти, результати таких оптимізацій завжди потребують перевірки.

На поточний момент в межах Fusion 360 відсутні інструменти для перевірки газодинамічних розрахунків, відсутні інструменти для CFD розрахунків. Відповідно, користуватися Fluid Path, з моєї особистої точки зору – поки краще не треба, хоча вам ніхто не забороняє.

Тому ми зосередимось на Structural Design, тобто на розробці механічних компонентів. 

Порівняння GD та TO

І ось тут, відповідно, можна зрозуміти, що і Generative Design, і Топологічна Оптимізація роблять приблизно одне й те саме – вони генерують геометрію, яка має меншу масу  порівняно з тим, що було раніше.

Так яка різниця між цими технологіями? 

Якщо ми подивимось на опис з точки зору компанії Autodesk, то основні риси, які ми отримуємо, які прописані всюди, це: 

• ми отримуємо безліч результатів. Іноді використовується саме це слово. Хоча я б сказав, що ми отримуємо багато результатів (не безліч). Хоча це (по факту), один результат. Про це ми поговоримо трошки пізніше;
•  ці результати можуть враховувати процес виробництва, вони залежать від того, які налаштування за типом виробництва ми обрали. Хоча здебільшого, як каже компанія Autodesk, topology optimization це не враховує;
•  ми завжди отримуємо геометрію, яка придатна до редагування в ручному режимі після “генеративки”. В той час, як з інструментом топологічної оптимізації ми виконуємо лише одну задачу: ми можемо тільки полегшити, ми отримуємо лише один варіант оптимізації, який дуже сильно залежить від щільності сітки.

При цьому ми повністю ігноруємо процеси виробництва.

Від нас topology optimization (з точки зору Autodesk) потребує експерта для того, щоб повністю поставити задачу і вирішуємо ми лише одну задачу – полегшити. Отримуємо лише один варіант, який ігнорує методи виробництва, а в кінці ми отримуємо сітку.

Generative Design з точки зору, знов таки, Autodesk, використаний майже будь-ким (іноді саме так це і говориться), має декілька варіантів, які ми можемо отримувати. Причому там завжди є є варіанти для додаткової оптимізації за ефективністю, за різними цілями і все таке. Ми отримуємо купу різних результатів, враховуємо обмеження на методи виробництва і готову геометрію. 

Тобто ось така різниця.

І з цієї точки зору Generative Design, звісно що, перемагає по всіх напрямках.

Тепер давайте все ж таки зупинимось. Я не просто так сказав тут, що це “з точки зору Autodesk”. По-перше, ми вже сказали, що Generative Design – це загальний термін і по суті Topology Optimization повністю підпадає під визначення Generative Design (з точки зору класичного визначення) тому, що ми маємо ітерації, в межах яких у нас покращується конструкція. “Generation” до “Generation”, тобто від “Покоління” до “Покоління”. Це перший момент. І тут питання лише в тому, як ми сформулювали цю задачу. З моєї особистої точки з зору, і я це можу довести, і це доводиться в публікації (про проблеми GD Autodesk, тут буде одна картинка з тієї публікації), Generative Design використовує ту саму топологічну оптимізацію, тільки з додатковими налаштуваннями. 

Чому я це кажу? 

По-перше, і там, і там використовується облегшення, а все інше – це додаткові речі, які падають потім на користувача. І ось тут одразу питання про те, що потребує експерта, чи ні.

Будемо чесними, рівень розуміння задачі, з моєї особистої точки зору, як для топологічної оптимізації, так і для генеративного дизайну, потрібен однаковий.Ба більш, якщо ви не розумієте, як розраховувати вашу конструкцію, як проектувати вашу конструкцію з використанням, наприклад, “Fusion 360 Simulation” -> “Static Structural Analysis”, то лізти до Generative Design чи до Topology Optimization – просто неможливо. Для того, щоб спроектувати конструкцію, ви повинні пояснити, як вона має працювати. 

Ви повинні її правильно закріпити, правильно навантажити.

Це і є основа Static Structural розрахунків. Все ж таки, певний рівень розуміння тут потрібний. Що стосується ось цієї “безлічі”, результатів не безліч. Ми отримуємо певну кількість результатів, яка чітко залежить від наших налаштувань. У нас є налаштування, в яких ми обираємо, з яких матеріалів може бути виготовлена конструкція, методи виробництва. Комбінація методу виробництва та матеріалу нам дає один варіант конструкції. Відповідно, ми можемо отримувати приблизно 50 варіантів конструкцій в яких з одних матеріалів ми виготовляємо одним чином, з інших ми виготовляємо інакше. З одного матеріалу виробляємо декількома способами, одним методом виробляємо з різних матеріалів.

Але ще раз – це обмежена кількість.

І для кожного окремого випадку у нас генерується одна задача. Це не погано, це дуже прикольно, але це є все ж таки є певним обмеженням. І треба розуміти, що, наприклад,  якщо ми будемо виготовляти деталь з пластику, то, скоріш за всього – ми будемо виготовляти її 3D друком. Ми не будемо її фрезерувати. А якщо ми будемо виготовляти, наприклад, з алюмінія, то це може бути ливарне виробництво, 3d друк, механічна обробка. Скоріше за всього це буде  саме механічна обробка як найбільш простий варіант.

Тобто ось ця фраза, що ми отримуємо безліч варіантів… половина з цих варіантів нам в принципі не є дуже потрібними. Хоча і прикольними, бо вони можуть дати певну інформацію, коли ми говоримо про “робити компроміси”: між ефективністю та вартістю, між різними цілями.

Питання в тому, що ці цілі не використовуються під час оптимізації. Ми отримуємо результати, ці результати мають певні характеристики і ці характеристики ми можемо додатково проаналізувати. І вже користувач може їх обрати (ми трошки далі побачимо приклад цього). Це все одно круто.

Це дуже круто. це дуже корисно, але це не означає, що ми можемо оптимізувати, наприклад, за ціною, бо ціна не приймає участі в оптимізації (не є параметром чи критерієм оптимізації). Це ми вже робимо після оптимізації, обираючи ті чи інші результати. Користувачам це дуже корисно, але це – не зовсім “оптимізація”.

Що стосується обмеження методів виробництва…

Компанії дають можливість зробити Shape Optimization з використанням таких самих методів обмеження виробництва. І знов таки: алгоритми, які лежать всередині Generative Design, з моєї точки зору, є дуже-дуже близькими. Просто налаштування інше.

Відповідно, це просто компанія Autodesk “рознесла” ці два інструменти, і, насправді, у кожного з них є свої плюси та переваги, які ми можемо отримати. 

Було б дуже круто якби ми отримали можливість це взяти і змішати, бо це б видало ще більше інформації для тих, хто розуміє. Але це потребує трошки більшого розуміння

Ну і останній момент, щодо придатної до редагування геометрії.

По-перше, не завжди Generative Design генерує придатну до редагування “сітку” (Form, FreeForm в термінології Fusion). Такі проблеми бувають не дуже часто і здебільшого він все ж таки справляється, але певні проблеми є. Кожного року компанія Autodesk покращує Generative Design, і те, що раніше не спрацьовувало, зараз працює значно краще. Але все ж таки певні проблеми час від часу з’являються. І не просто так там (у GD) є опція експортувати не готову геометрію, а сітку, бо іноді це теж потрібно. 

По друге, інструменти від інших компаній іноді створюють аналогічну геометрію за результатами топологічної оптимізації, яку можна редагувати. Іі та сітка, яку генерує “Fusion 360 Simulation” під час топологічної оптимізації, вона може бути імпортована у Fusion. Зараз є дуже потужні інструменти для перетворення цієї сітки на “геометрію”. Іі це дуже круто тому, що ми можемо отримати на основі сітки, створеної за результатами топологічної оптимізації, геометрію. Просто воно потребує трошки більше кроків, ніж отак от, в “один клік”  у GD: або отримала автоматично геометрію, або, в принципі, не отримала, проте, та геометрія, яка є, придатна до редагування. Вона дуже “прикольна”, бо залежно від того, як ми налаштували, ми можемо отримати або ескізи та операції 

з історією побудови цієї деталі, або ось цю сплайнову сітку “subdivision”, в якій дуже плавні геометричні форми  і яку ми можемо теж відредагувати. 

Хоча чесно скажу, що редагувати таку “сітку” ще та собі розвага. 

І ось це в нас приклади того, як може генерувати Generative Design результати. І ми одразу можемо побачити ті ж самі алгоритми, ті ж самі проблеми, як і в топологічній оптимізації.

Ми бачимо шматки, які ведуть в нікуди або висять у повітрі,  незрозумілі дірки в конструкції. Це пов’язано якраз з тим, що інструмент Generative Design використовує топологічну оптимізацію на основі Density Based (тобто на основі щільності). І тому насправді там, де немає геометрії, вона насправді є, тільки її трошки обрізали.

Нажаль, в Generative Design немає додаткових інструментів, щоб це проаналізувати  або виправити. Тобто або ми автоматом отримали геометрію, або ні. 

Ну, може про це і йде фраза про “експертність” 

Що, мовляв, якби в нас була можливість доналаштувати, це потребувало б більше експертності. А так у нас просто нема результату. Працювати, відповідно, не треба. 

Проте ось ці результати з певними проблемами геометрії зустрічаються не дуже часто, тому ми можемо зупинитися на перевагах оптимізації засобами Генеративного Дизайну.

Переваги GD

І в першу чергу це питання пов’язано з тим, що ми можемо дуже круто, дуже сильно врахувати можливості виробництва. Так, у інших компаній це теж присутнє, але, в принципі, можна сказати, що на поточний момент  компанія Autodesk це прокачала якщо не до максимуму, то до одного з найкращих варіантів.

Є дуже багато різних типів виробництва, які можна врахувати при підготовці геометрії.

Тут продемонстровані якраз різні варіанти порівняння з тим варіантом, який згенерували спочатку люди. На наступній ілюстрації можна побачити порівняння не тільки за вагою, але і за коефіцієнтом запасу з точки зору міцності, ціни на виробництво, що теж є дуже-дуже важливим.

Ось ці відомості про ціну, про коефіцієнт додаткового запасу та інші моменти, вони відображаються в дуже різних варіантах в системі вибору ауткомів (outcome), тобто в системі виборі результатів.

 Ии можемо обрати саме ті варіанти, які нас цікавлять. Ми можемо зрозуміти, в яких межах для кожного з матеріалів змінюється коефіцієнт запасу, маса, можемо проаналізувати, відсортувати і візуалізувати наші результати за дуже багатьма напрямками, зокрема дуже потрібними для проектування (наприклад та сама ціна).

Відповідно, ось це є дуже крутим інструментом, який присутній, м’яко кажучи, не у кожного. Більше того, майже ні у кого з тих хто робить інструменти, які називаються топологічна оптимізація, цього інструменту немає.

У деяких інших компаній які називають свої інструменти, в тому числі Generative Design, іноді схожі інструменти є в наявності. але не завжди це дуже крутий інструмент, який дозволяє не просто отримати купу рішень і зробити перевірку того, що, зокрема, непокоїть людей.

Повертаємось до питання класичного проектування і порівняння з генеративним дизайном.

В межах класичного проектування ми генеруємо на етапі ескізного проектування та на етапі конструкторського проопрацювання купу концептів, більшість яких є тупиковими, але нам все одно треба їх пропрацювати.

І нам треба це зробити повністю в ручному режимі з моделюванням геометрії, з перевіркою на міцність, та з усім іншим.і Все це ми робимо ручками, після чого обираємо декілька варіантів на яких ми зупиняємось. Ми їх в тому числі продовжуємо опрацьовувати, робити нові ітерації, ми розробляємо варіанти, які є раціональними з точки зору конструкції, після чого їх починаємо адаптувати до виробництва. І після того, як перейшли на виробництво, вже перевіряємо, наскільки вони є працездатними.

Відповідно, це займає купу часу. 

Якщо ми використовуємо інструменти генеративного дизайну, то якраз можна розглянути питання, чому англійською такий тип проектування називають  “predictive” чи “передбачення” в якомусь сенсі.

Це тому, що в нас може значно скоротитися ітераційна фаза.

Комп’ютер нам вже може генерувати велику кількість таких варіантів, які ми хотіли б розробити. Він сам їх перевірить, принаймні на “проектувальних” розрахунках, і зокрема він вже врахує технології для виробництва. 

Тобто він ось одразу це зробить і, замість того, щоб вибрати певні варіанти рішень і робити наступні ітерації, потім знов обирати варіанти та робити наступні ітерації, а потім підготовлювати до виробництва, ми одразу це отримуємо вже на початку. 

І ми можемо зробити значно більшу кількість цих варіантів.

Якщо ми будемо декілька разів моделювати різні генеративні дизайни з різними налаштуваннями, з різними додатковими елементами, ми отримуємо велику кількість проектів, які ми можемо швидко оцінити та які можна буде значно простіше проаналізувати

Відповідно, ми можемо перейти на етап виробництва набагато швидше.

Я не дуже згодний з тим, що тут не потрібна валідація(перевірка проєктів більш точними розрахунками та експериментами) і з тим, що тут не потрібно доопрацювання.  Що ми одразу можемо від генеративного дизайну перейти до виробництва. 

Навіть тут показано що, все ж таки, за цими “ітераціями” нам потрібно витратити певний час. І цей час потрібно витратити на те, щоб оптимізувати методи виробництва,  конструкцію, перевірити на інші питання, які поки що не вирішує той самий generative design, на те, щоб валідувати та верифікувати наш проєкт.

Але з урахуванням того що, кожна з ітерацій в нас скорочується і розпаралелюється, і ми можемо одразу побачити “мертві гілки”, дійсно цей час буде дуже-дуже скорочений, як мінімум на третину.

Тепер, коли ми зрозуміли, що generative Design, по суті, нам генерує купу варіантів і надає додаткові інструменти для розуміння проектних цілей, є питання: навіщо тоді залишили інструмент Shape optimization?

Shape optimization може бути корисний як до оптимізації, але в принципі це значно рідше, так І після генеративного дизайну.

Наприклад, знизу продемонстровані дві картинки, це “повний” “матеріал” та матеріал, трошки обрізаний, тобто видалені дірки.

Окрім того, якщо порівняти праву картинку з тою, що була трошки раніше, можна побачити певну різницю. 

В результаті Shape optimization ми отримуємо розподілення щільності по конструкції і можемо дослідити, “погравшись” “повзунком”, яким чином в нас виникають ось ці отвори з непотрібного матеріалу, де нам можна збільшити певну кількість матеріалу, щоб покращити поведінку конструкції і все інше.

На жаль, інструменти генеративного дизайну не дають таких можливостей. Вони дають можливість оцінити, де будуть підвищені напруження, вони дають змогу подивитися, як відбувався ітераційно процес зміни форми, але це не зовсім те ж саме.

Тобто ітераційна зміна форми не завжди дає ті відомості, які нам потрібні. Хоча вона може дати додаткову інформацію, коли ми розуміємо, як в нас виглядає певна структура, в тому числі отримана за результатами Generative Design.

Потім можемо зробити ще топологічну оптимізацію, якщо, наприклад, ми будемо потім це друкувати. І ми будемо використовувати для додаткової економії ваги меншу щільність через всі заповнення не на сто відсотків. Якраз Generative Design нам не дасть цієї інформації. Він не дасть інформацію, де можна зменшити щільність, принаймні, на поточний момент і, принаймні в інструментах від компанії Autodesk. Проте, якщо його вирішити через Shape optimization, ми отримуємо цю інформацію: про те, як і де можна змінити щільність, щоб ще полегшити конструкцію. Але це теж треба перевіряти, бо чим більше ми оптимізуємо конструкцію, тим більше проблем у нас може бути з коефіцієнтом запасу. Нажаль, на пустому місці він не з’являється.

Ми можемо виготовити ці конструкції і подивитися на приклади реальних результатів 

від реальних компаній.

Навіть ось ця фонова картинка – це один з результатів оптимізації.

Одразу видно, що він був надрукований на 3d-принтері  через друк лазером по металлу.

Приклади користувачів

Є компанія Edera, яка перше у світі (за їх словами),  розробила систему ротаційного захисту хребта.

Вона це зробила з використанням Generative Design.Я, чесно кажучи, за їх картинками не дуже розумію, що саме вони тут генерували та оптимізували і як вони дійшли до цього. Але, скоріше за все, продемонстровано не результат генеративного дизайну безпосередньо, а результат переосмислення (результату застосування) Генеративного Дизайну в реальний пристрій.

Тобто результати топологічної оптимізації та генеративного  дизайну можна використовувати не тільки напряму, але як дуже корисну інформацію для проектування своїх виробів.

Ось тут якраз продемонстровані силові елементи, які убезпечують людину від надмірного обертання і, відповідно, від проблем, які можуть бути пов’язані з пошкодженням хребта.

Інша компанія – це не виробник, це компанія інженерного консалтингу. Вони за запитом розробили певні конструкції, які в рамках тієї ж ваги забезпечували значно більшу міцність. І плюсом для них (бо вони робили ці штуки в невеликій кількості) була адаптація до 3D друку, оскільки він дозволяє дуже швидко виготовити реальну конструкцію, навіть дуже складну, яку майже неможливо виготовити іншим чином. І, між іншим,  швидко задовольнити інтереси замовників, яким потрібно у максимально стислі строки отримати рішення їх проблем.

Claudius Peters – це незалежний інженер, який займається питаннями оптимізації. Він розробляв охолоджувач і об’єкт який буде це тримати.

Він звітував, що зміг на 60% покращити показник маси. Розробку було виконано у Autodesk Fusion за допомогою інструменту Generative Design конструкції, які потім Петерс доопрацьовував у більш зручному для нього інструменті – в Inventor.

Він побачив всі місця, які є слабкими,зміг адаптувати ці об’єкти до того виробництва, яке в нього було.

Раніше ці штуки виготовлялися десь,а він зміг допомогти повернути виробництво цих речей до своєї країни.

Це теж є дуже важливим результатом для декого. І нам, коли ми будемо піднімати нашу економіку, це теж потрібно буде робити.

Ще один приклад – це дуже цікаве крісло, в якого є додаткові силові елементи, що вирішують окремі задачі.

Інструменти генеративного дизайну дозволили перетворити дизайнерський малюнок (за словами розробників) на дуже красиву і прикольну конструкцію, яка менша на 30% ніж інші варіанти, що малювалися окремо. 

Відповідно, вони змогли “влізти” в обмеження, в яке хотіли, тобто розробити всю конструкцію, яка буде менше 15 кг і може бути розміщена в автівці.

Наостанок хотів би нагадати: Generative Design – це лише інструмент, і бажано його використовувати з розумінням. Тобто вивчати, як він працює. І його теж треба перевіряти, як і себе. 

Чекаю На Ваші питання та коментарі