Digitaalinen kaksonen väsymismurtumien sijainnin ja etenemisen ennustamisessa

Abstract

Väsymismurtumat ovat merkittävä ongelma metallirakenteissa, jotka voivat johtaa vakaviin onnettomuuksiin. Tämä tekee niiden ennustamisesta ja arvioimisesta erityisen tärkeää. Perinteiset menetelmät väsymismurtumien ennustamiseen ovat rajallisia, koska ne perustuvat yksinkertaistettuihin oletuksiin, eivätkä ota huomioon kaikkia tilannekohtaisia epävarmuustekijöitä. Tässä kontekstissa digitaalinen kaksonen nousee esiin lupaavana teknologiana, joka voi tarjota ratkaisuja näihin haasteisiin.

Työn tavoitteena on tutkia millä tavoin digitaalista kaksosta voidaan hyödyntää metallien väsymismurtumien sijainnin ja etenemisen ennustamiseen. Työssä esitellään digitaalisen kaksosen konsepti ja soveltaminen käytännön esimerkillä. Lisäksi työssä esitellään metallien murtumismekaniikkaa ja syvennytään väsymismurtumien muodostumiseen ja etenemiseen.

Digitaalisen kaksosen käyttöä ja toimivuutta väsymismurtumien sijainnin ja etenemisen ennustamiseen tutkitaan perehtymällä kahteen tutkimukseen. Lisäksi näiden tutkimusten avulla havainnoidaan digitaalisten kaksosten eroavaisuuksia ja tämän teknologian joustavuutta. Tutkimusten perusteella digitaalinen kaksonen osoittautui lupaavaksi vaihtoehdoksi väsymismurtumien ennustamiseen, mutta se vaatii vielä kehittämistä. Digitaalinen kaksonen mahdollistaa reaaliaikaisen datan keräämisen ja analysoinnin, mikä tekee ennustuksista tarkempia. Lisäksi se parantaa käyttöturvallisuutta havaitsemalla potentiaaliset ongelmat hyvissä ajoin.

Epävarmuustekijät koostuvat tapauskohtaisista asioista, joista yleisimmät liittyvät materiaalin mikrorakenteen poikkeavuuksiin, koejärjestelyn mittavirheisiin tai väärin oletettuihin lähtöarvoihin. Osa näistä epävarmuustekijöistä on aluksi tuntemattomia. Epävarmuustekijöiden vaikutusta voidaan vähentää suorittamalla alustavia mittauksia sekä kalibroimalla digitaalisen kaksosen hyödyntämiä malleja. Epävarmuustekijät arvioidaan kuormittamalla fyysistä mallia, kunnes murtuma syntyy tai etenee. Tästä muodostetaan kalibrointidataa koneoppimisalgoritmeille, joiden avulla pystytään vähentämään epävarmuustekijöiden vaikutusta tuloksiin. Lisäksi digitaalisen kaksosen hyödyntämät koneoppimisalgoritmit nopeuttavat laskentaprosessia, mikä on olennaista reaaliaikaisen simuloinnin kannalta.