Show simple item record

dc.contributor.advisorLuczkowski, Marcin
dc.contributor.advisorRønnquist, Anders
dc.contributor.authorKalleberg, Silje Knutsvik
dc.contributor.authorKunnas, Magnus
dc.contributor.authorNedland, Hilde Iden
dc.date.accessioned2021-10-21T18:20:02Z
dc.date.available2021-10-21T18:20:02Z
dc.date.issued2021
dc.identifierno.ntnu:inspera:78584794:15940238
dc.identifier.urihttps://hdl.handle.net/11250/2824708
dc.descriptionFull text available on 2024-06-29
dc.description.abstractI denne masteroppgaven utforskes automatisering av mesh-generering for FE-analyser. Dette gjøres i sammenheng med Algorithms-Aided Design, en designtilnærming der modeller er representert med algoritmer og parametere. Gjennom syv forskjellige eksempelstudier er det gitt en oversikt over forskjellige aspekter ved automatisk mesh-generering i et algoritmisk miljø. Anvendeligheten av kunstig intelligens utforskes gjennom genetiske algoritmer og maskinlæring. Implementeringen av eksempelstudiene resulterte i to forskjellige programvarepakker: Grasshopper-programvareutvidelsen SmartMesh inneholder forskjellige verktøy for generering og optimalisering av mesh. Python-pakken smartmeshpy inneholder funksjoner for å lære et nevralt nettverk å lage mesh; herunder data-generering, forbehandling, opplæring av nevrale nettverk, og prediksjon. Det er vist at mesh av høy kvalitet har mindre varians ved FE-analyser enn mesh av lavere kvalitet. Genetiske algoritmer brukes til å utføre kvalitetsoptimalisering av mesh og adaptiv meshing av strukturerte mesh. Dette oppnås med både single-objective-optimalisering og multi-objective-optimalisering. En metode for å lage semi-strukturerte mesh av 3D objekter er utviklet, og tydeliggjør nytten av kontinuerlig tilbakemelding under FE-analyser som det algoritmiske miljøet tilrettelegger. En Grasshopper-komponent som utfører re-meshing (basert på Q-Morph-algoritmen) av ustrukturerte trekant-mesh er implementert. Selv om det er vist at de re-meshede firkant-meshene har høy kvalitet, er ikke komponenten robust og bør ikke brukes for noe annet enn demonstrasjon-formål. Et konseptutprøving for å forutsi mesh-kvalitet på enkle mesh med bruk av maskinlæring er implementert i Grasshopper via maskinlæringsrammeverket ML.NET. Resultatene antyder at å bare bruke koordinatene til nodene i et mesh for å forutsi mesh-kvalitet ikke er nok. To nevrale nettverk ble opplært til å plassere noder inne i en kontur og ble koblet sammen ved hjelp av Delaunay-triangulering. De resulterende maskinlærings-modellene ble integrert i Grasshopper.
dc.description.abstractIn this master's thesis, automation of mesh generation for finite element analysis is explored. This is done within the context of Algorithms-Aided Design, a design approach where models are represented by algorithms and parameters. Through seven different study cases, an overview of different aspects of meshing in an algorithmic environment is given. The applicability of artificial intelligence is explored through genetic algorithms and machine learning. The implementations of the study cases resulted in two distinct software packages: The Grasshopper plug-in SmartMesh contains various tools for mesh generation and optimization. The Python package smartmeshpy contains functions for teaching a neural network to mesh; data generation, pre-processing, training of neural networks, and prediction. It is shown that high quality meshes have smaller variance of FE solutions than lower quality meshes. Genetic algorithms are utilized to perform quality optimization and adaptive meshing of structured meshes. This is achieved with both single-objective optimization and multi-objective optimization. A scheme for creating semi-structured meshes of solid objects is developed, revealing the utility of the continuous feedback during FEA that the algorithmic environment facilitates. A Grasshopper component performing quad re-meshing (based on the Q-Morph algorithm) of unstructured triangle meshes is implemented. Although the re-meshed quad meshes are shown to have high quality, the component itself is not robust and should not be used beyond demonstration. A proof-of-concept for predicting mesh quality of simple meshes with machine learning is implemented in Grasshopper using ML.NET. The results suggest that using the coordinates of a mesh to predict mesh quality is not viable. Two neural networks were trained to place nodes inside of a contour and meshed using Delaunay triangulation. The resulting models were successfully integrated into Grasshopper.
dc.languageeng
dc.publisherNTNU
dc.titleAutomatic Mesh Generation for Finite Element Analysis in Algorithms-Aided Design
dc.typeMaster thesis


Files in this item

FilesSizeFormatView

This item appears in the following Collection(s)

Show simple item record