Когда цвет имеет значение

На прошлой неделе пост про целлюлозу зашел. Так вот вам еще ссылка по это теме. Тут коллеги проводили испытания разных сортов и цветов целлюлозы. Выводы для нас не утешительны: цвет материала может изменить его отклик на нагрузку в 2 раза. Так что, если вам нужно сделать что-то из штампованной целлюлозы, то без экспериментов вам не обойтись.

https://journals.sagepub.com/doi/10.1177/1558925020908271

Alfonso крошит ваши кости

Alfonso - это очень интересная разработка компании Lifespans Ltd. Это ПО предназначенное для моделирования взаимодействия костной ткани с всевозможными хирургическими винтами и эндопротезами. Пару лет назад коллеги делали свои расчеты в Abaqus при помощи традиционного SPH. Но кажется, за время, прошедшее с тех публикаций, они придумали что-то свое. А еще мне очень нравится их идея "грубой силы". Они не парятся с созданием эффективной гомогенизированной модели материала костной ткани. Они просто берут трехмерную структуру ткани (произвольно сгенерированную или восстановленную из КТ) и выполняют расчет напрямую на ней. А еще ребята явно умеют в маркетинг и визуализацию данных - все выглядит ну очень хорошо.

https://www.youtube.com/watch?v=z_3oWJxKJwk

КЭ расследование крушения поезда

31 января 2003 года пассажирский поезд G7 из Тангары с четырьмя вагонами, следовавший с Центрального железнодорожного вокзала Сиднея в Порт-Кемблу, сошел с рельсов примерно в 2 километрах к югу от железнодорожной станции Уотерфолл. Машинист и шесть пассажиров погибли, многие пассажиры получили серьезные травмы.

Расследование должно было почти полностью полагаться на технический анализ, чтобы обеспечить фактическую основу для выводов о том, что произошло.
В своем блоге Leading Engineering Application Providers рассказывает как благодаря заказу от Департамента транспорта NSW они проводили моделирование данной аварии в LS-DYNA.

https://www.finiteelementanalysis.com.au/fea/crash-simulation-waterfall-train-disaster/

Картинка из мира HPC и AI

Можно ли считать краш тесты на Raspberry Pi?

Коллеги из Altair успешно собрали и запустили OpenRadioss на Raspberry Pi 5 (а там процессор ARM Cortex A76 64-битный процессор с 4 ядрами и 8 Гб RAM). В видео разобрана процесс сборки решателя, а также запуска тестовой задачи. И это конечно замечательная новость в рубрике #simulationfriday. Но вот если бы кто-то занялся портированием
OpenRadioss на GPU...

https://youtu.be/fN7Enn9siyU

PYCAD - сегментация медицинских данных

По заявлениям на сайте, компания PYCAD специализируется на разработке передовых конвейеров машинного обучения, адаптированных к сложной сфере медицинской визуализации. Наш опыт заключается в преодолении разрыва между передовыми технологиями ИИ и важнейшими потребностями сектора здравоохранения. Кажется, что это стандартный манифест еще одного модного/молодежного стартапа.

Но вы просто зайдите на их YouTube канал. Там обучающие лекции от CEO по нескольку часов каждая!!! Прокачай себе питон и ИИ!

https://www.youtube.com/channel/UCdYyILlPlehK4fKS5DiuMXQ

У этой версии Ansys и у меня совпадают года релиза. Даешь винражные фотки CAD/CAE софта в коментах!

SoilMODELS - сайт для моделирующих геоматериалы

Проект SoilModels был основан как "проект soilmodels.info" во время сентябрьской встречи 2007 года ассоциации ALERT в Оссуа, Франция, группой международно признанных исследователей в области моделирования механических геоматериалов. Сейчас на сайте есть большая коллекция публикаций по теме и вспомогательная документация по моделям. LS-DYNA и Ansys нет... Но есть Abaqus.

https://soilmodels.com/

Чем учить цифровой двойник мельницы?

Недавно в открытом коде Blaze GEM сделали модель для обучения цифрового двойника мельницы самоизмельчения. Одна видеокарта обсчитывала 8M треугольников геометрии (для прямого учета износа), 8M миллионов частиц (видимо DEM для породы), 16 миллионов частиц (видимо SPH для жидкости). На моделирование 64 секунды процесса требуется 32 часа расчета. Показатели нормальные, но вот визуализация авторам особенно удалась.

https://www.linkedin.com/posts/activity-7200202045738352641-tYcX/

Где спит твоё сердце

Создание вычислительной модели сердца являет настоящей проверкой прочности для самых суровых кодов. Как правило, в таких моделях задействуется несколько областей физики, решаемые совместно: механика, гидродинамика и электрофизиология. Но, что делать, если вы хотите начать работу в данном направлении?

В 2020 году группа ученых из King’s College London под руководством Марины Строкки (Marina Strocchi) создала и опубликовала в статью "A publicly available virtual cohort of four-chamber heart meshes for cardiac electro-mechanics simulations". Коллеги создали 24 модели 4-х камерного сердца на основе результатов компьютерной томографии и опубликовали их в открытом доступе. Модели пригодны для выполннения КЭ расчетов, так как представляют собой неплохие сетки из линейных TET элементов. Кроме того, в моделях есть информация об ориентации мышечных волокон. В архивах вы можете найти модели в форматах, читаемых Paraview.

Кстати, Ansys при создании моделей сердца в LS-DYNA, использовал именно модели Марины Строкки, о чем есть правильные референсные ссылки. Я думаю, что у Abaqus модели из этой же статиь.

https://doi.org/10.1371/journal.pone.0235145 - научная статья
https://zenodo.org/records/3890034 - архив моделей

GIBBON

The Geometry and Image-Based Bioengineering add-On - это набор инструментов MATLAB с открытым исходным кодом, разработанный Кевином М. Моерманом (Kevin M. Moerman), включающий в себя визуализацию и сегментацию медицинских изображений и геометрии, генерацию сеток при помощи открыть инструментов вроде TetGen и решение задач механики при помощи FEBio или Abaqus.

P.S.
На страничке есть даже примеры моделирования нелинейного поведения женской груди при одноосном сжатии:)

https://www.gibboncode.org/

"бесплатные" источники академических знаний

Нашел занятный пост в LinkedIn, и привожу его перевод. У меня довольно противоречивое отношение к платнымым научным публикациям. Нарушать авторские права плохо, но публиковаться в OpenAccess не у всех есть деньги. Хотя мое субъективное мнение, что если уж вы написали действительно классную статью с прорывными результатами, то и пара тысячь доллоров в бюджете вашей научной орнанизации на оплату OpenAccess публикации найдется.

1. Unpaywall --> https://unpaywall.org/
Установите это расширение для браузера Chrome и читайте статью прямо на сайте журнала легально и бесплатно.

2. Open Access Button (OAB) --> https://lnkd.in/ex2kAJ7v
Скопируйте и вставьте ссылку на статью или DOI на сайте OAB. Статья будет доступна на следующей странице. Легально.

3. PaperPanda --> https://paperpanda.app/
Как и Unpaywall, это расширение для Chrome позволяет получить доступ к миллионам научных работ в один клик.

4. DOAJ --> https://doaj.org/
Как следует из названия, DOAJ (Directory of Open Access Journals) предоставляет бесплатный доступ к миллионам научных работ со всего мира.

5. OA[.]mg --> https://oa.mg/
Подобно Google, этот сайт был создан специально для поиска научных статей. Доступно более 250 миллионов статей.

6. Core --> https://core.ac.uk/
Крупнейшая в мире база данных научных работ, содержащая более 298 миллионов работ со всего мира, доступ к которым можно получить бесплатно.

7. arXiv --> https://arxiv.org/
Специально для любителей естественных наук и экономики этот сайт предоставляет бесплатный доступ к 2,4 миллионам научных работ.

8. Tandfonline --> http://www.tandfonline.com
Доступ к 200++ открытым журналам можно получить одним щелчком мыши.

9. JSTOR https://www.jstor.org/
JSTOR предоставляет доступ к тысячам академических журналов, книг и первоисточников по различным дисциплинам. Не будучи полностью бесплатным, JSTOR предлагает ограниченный доступ к контенту без подписки, что делает его частичной альтернативой Sci-Hub.

10. Zenodo https://zenodo.org/.
Разработанный в рамках европейской программы OpenAIRE и управляемый ЦЕРНом, Zenodo является универсальным репозиторием с открытым доступом. Он позволяет исследователям размещать научные работы, наборы данных, исследовательское программное обеспечение, отчеты и другие материалы, связанные с исследованиями.

11. Wosonhj.com
Wosonhj.com - менее известная, но развивающаяся платформа, предоставляющая доступ к академическим ресурсам. Это платформа, которая призвана упростить поиск научных статей и книг.

12. ResearchGate https://lnkd.in/eKm-D6Jm
ResearchGate - это социальная сеть для ученых и исследователей, где они могут делиться своими работами, задавать вопросы и отвечать на них, а также находить соавторов. В отличие от Sci-Hub, ResearchGate работает в рамках правового поля, предоставляя доступ к обширному хранилищу статей, загруженных самими авторами. Удобный интерфейс и интерактивная платформа делают его отличным ресурсом для ученых.

13. Google Scholar https://lnkd.in/gJgcCm34
Google Scholar предлагает простой способ широкого поиска научной литературы. Он индексирует статьи из различных онлайновых научных журналов, обеспечивая легальный доступ к исследованиям. Хотя Google Scholar не такой всеобъемлющий, как Sci-Hub, он является мощным инструментом для исследователей.

Оригинальный пост https://www.linkedin.com/posts/engrdrvicky_sci-activity-7198341936720605184-OkzU/

pymoo: Multi-objective Optimization in Python

Фреймворк предлагает современные алгоритмы одно- и многоцелевой оптимизации, а также множество других функций, связанных с многоцелевой оптимизацией, таких как визуализация и принятие решений. pymoo доступен на PyPi. Список алгоритмов:
- GA: Genetic Algorithm
- BRKGA: Biased Random Key Genetic Algorithm
- DE: Differential Evolution
- PSO: Particle Swarm Optimization
- Nelder Mead
- Pattern Search
- CMA-ES
- ES: Evolutionary Strategy
- SRES: Stochastic Ranking Evolutionary Strategy
- ISRES: Improved Stochastic Ranking Evolutionary Strategy
- G3PCX: A Computationally Efficient Evolutionary Algorithm for Real-Parameter Optimization
- NSGA-II: Non-dominated Sorting Genetic Algorithm
- R-NSGA-II: Reference Point Based Multi-Objective Optimization Using Evolutionary Algorithms
- NSGA-III
- U-NSGA-III
- R-NSGA-III
- MOEA/D
- C-TAEA
- AGE-MOEA: Adaptive Geometry Estimation based MOEA
- AGE-MOEA2: Adaptive Geometry Estimation based MOEA
- RVEA: Reference Vector Guided Evolutionary Algorithm
- SMS-EMOA: Multiobjective selection based on dominated hypervolume
- D-NSGA-II: Dynamic Multi-Objective Optimization Using Modified NSGA-II
- KGB-DMOEA: Knowledge-Guided Bayesian Dynamic Multi-Objective Evolutionary Algorithm

https://github.com/anyoptimization/pymoo-data/raw/main/animation.gif

https://www.pymoo.org/

Turbodesigner
Turbodesigner - это инструмент, который, задавая такие параметры, как соотношение давлений и массовый расход, может генерировать конструкции с использованием среднелинейного проектирования (mean-line design), анализа обтекания лопаток и, в конце концов, создавать CAD-модель, которую можно экспортировать в файлы STL и STEP.

В настоящее время он генерирует осевые компрессоры, а при дальнейшей доработке - осевые турбонасосы для жидкостных ракетных двигателей.

Переведено с помощью www.DeepL.com/Translator (бесплатная версия)

https://github.com/OpenOrion/turbodesigner

TexMind Braider

Я уже много раз рассказывал про специализированный CAD софт для моделирования структуры композитных изделий путем намотки. Но сегодня у нас еще более диковинная система. Сегодня софт для проектирования оплеток! При этом данное ПО может взаимодействовать и с LS-DYAN, и с Abaqus. Говорят, что можно это все и в SpaceClaim выгрузить.

https://youtu.be/CMiGnN9YWjI

HPC рекомендации MicroConsult для Ansys Mechanical II

Хотите посмотреть на людей, которые могут решить нелинейную статическую задачу на 500 MDOF в APDL? А что если я скажу, что они решают такие задачи прямым Sparse решателем in-core?!?!?! Вторая часть доклада MicroConsult про эффективное использования HPC для Ansys Mechanical еще интереснее чем первая. Одно из открытий для меня, что hybrid-mpp режим в APDL помогает обойти ограничения кластера по памяти.
https://www.youtube.com/watch?v=YXhK_m6fQJk

FVmat и мета материалы с ИИ в Ansys

Да, опять неправильное использование термина ИИ, но такое сейчас время, а я устал бороться за чистоту терминологии. FVmat кажется сделали эффективный материал, который может имитировать теплопроводность более сложной геометрической структуры. Получается что-то вроде концепции представительного элемента объема, но только с учетом локальной структуры материала в каждой точки, а не среднего значения по всей модели. Звучит криво, и я пока не придумал, как это четко и лаконично описывать. Кстати, такой подход для моделирования композитов уже внедрен в LS-DYNA R14 в модели *MAT_DMN_COMPOSITE_FRC. Там подход нахвали Deep Material Network.

А есть что с "ИИ" моделями материалов у других CAE вендоров?

https://fvmat.com/heatbeta/

Particleworks про движение автомобилей вброд

В связи с дождями в пару недель назад - это оказалось актуальной для Германии задачей.

https://www.youtube.com/watch?v=9mDipw8wMD4