MakeItFrom — еще одна онлайн база данных свойств материалов
Бесплатная база данных, доступ к которой возможен без регистрации. Доступны свойства основных классов материалов — металлы, сплавы, полимеры, резины, древесина и керамики. Библиотека содержит механические, физические, тепловые, электрические и некоторые другие свойства, а так же ссылки на источники. Для многих материалов доступны данные с учетом термической обработки.
С помощью MakeItFrom возможно осуществлять подбор материала по интересующим свойствам и сравнивать материалы между собой.
Чем эта база данных лучше остальных? У нее простой и понятный интерфейс.
https://www.makeitfrom.com/
#MakeItFrom #material #properties
https://wp.me/p9vWYY-2vU
by Ян Поженько
Бесплатная база данных, доступ к которой возможен без регистрации. Доступны свойства основных классов материалов — металлы, сплавы, полимеры, резины, древесина и керамики. Библиотека содержит механические, физические, тепловые, электрические и некоторые другие свойства, а так же ссылки на источники. Для многих материалов доступны данные с учетом термической обработки.
С помощью MakeItFrom возможно осуществлять подбор материала по интересующим свойствам и сравнивать материалы между собой.
Чем эта база данных лучше остальных? У нее простой и понятный интерфейс.
https://www.makeitfrom.com/
#MakeItFrom #material #properties
https://wp.me/p9vWYY-2vU
by Ян Поженько
Подбор констант для нелинейных моделей материалов — MCalibration
Большинство пакетов КЭ-моделирования имеет возможность калибровать простые модели материалов, такие как гиперэластичность и линейная вязкоупругость. Если речь идет о сложных моделях материалов, то КЭ-программы либо не умеют под них калиброваться, либо имеют достаточно ограниченный функционал.
А MCalibration умеет! Он умеет «чистить» экспериментальные данные, содержит кучу функций для калибровки, библиотеку уже откалиброванных моделей материалов и может калибровать большую часть моделей материалов Abaqus, ANSYS и библиотеку PolyUMod. Это означает, что можно очень быстро откалибровать эти модели, даже не используя КЭ-решатель.
Интересен тот факт, что в разработке ПО участвовал тот самый Йорген Бергстрем (вы же знали?:)), который и разработал модель Бергстрема-Бойса.
https://www.veryst.com/what-we-offer/polymer-modeling
#material #MCalibration #non_linear #properties
https://wp.me/p9vWYY-2Ae
by Ян Поженько
Большинство пакетов КЭ-моделирования имеет возможность калибровать простые модели материалов, такие как гиперэластичность и линейная вязкоупругость. Если речь идет о сложных моделях материалов, то КЭ-программы либо не умеют под них калиброваться, либо имеют достаточно ограниченный функционал.
А MCalibration умеет! Он умеет «чистить» экспериментальные данные, содержит кучу функций для калибровки, библиотеку уже откалиброванных моделей материалов и может калибровать большую часть моделей материалов Abaqus, ANSYS и библиотеку PolyUMod. Это означает, что можно очень быстро откалибровать эти модели, даже не используя КЭ-решатель.
Интересен тот факт, что в разработке ПО участвовал тот самый Йорген Бергстрем (вы же знали?:)), который и разработал модель Бергстрема-Бойса.
https://www.veryst.com/what-we-offer/polymer-modeling
#material #MCalibration #non_linear #properties
https://wp.me/p9vWYY-2Ae
by Ян Поженько
ANSYS Material Designer 2019 R2
Инструмент по проведению прямой КЭ гомогенизации на основе представительной ячейки материала. Работает как для композитов, так и для ячеистых структур из аддитивки. А скоро, очень скоро, у него будет еще больше крутых функций.
#ANSYS #Material_Designer
https://wp.me/p9vWYY-2ES
by GlukRazor
Инструмент по проведению прямой КЭ гомогенизации на основе представительной ячейки материала. Работает как для композитов, так и для ячеистых структур из аддитивки. А скоро, очень скоро, у него будет еще больше крутых функций.
#ANSYS #Material_Designer
https://wp.me/p9vWYY-2ES
by GlukRazor
Прямая КЭ гомогенизация средствами ANSYS Material Designer
#ANSYS #composite #Material_Designer #padtinc
by GlukRazor
#ANSYS #composite #Material_Designer #padtinc
by GlukRazor
Свойства материалов при комнатных, повышенных и криогенных температурах
#ANSYS #CFD #FEM #material #properties
by Ян Поженько
#ANSYS #CFD #FEM #material #properties
by Ян Поженько
Выбор оптимального материала на ранних этапах проектирования
#ANSYS #CAE #Granta_Design #GRANTA_Selector #material #properties
by Ян Поженько
#ANSYS #CAE #Granta_Design #GRANTA_Selector #material #properties
by Ян Поженько
Как выбрать оптимальный материал на ранних этапах проектирования?
#CAE #material #properties
by Ян Поженько
#CAE #material #properties
by Ян Поженько
Artificial Intelligence for Material Models
Еще одно применение AI для CAE в области материаловедения - на этот раз от DYNAmore. Коллеги вписались в исследовательский проект "Искусственный интеллект для моделей материалов" (Artificial Intelligence for Material Models, AIMM), который состоит в том, чтобы дополнить и/или заменить классические реологические модели материалов на модели, построенные AI при анализе большого числа экспериментов. Основное внимание в AIMM будет уделяться более быстрому внедрению новых материалов посредством ускоренного описания для приложений CAE, разработки связанных с ними новых экспериментальных концепций для генерирования необходимых обучающих данных, а также сокращению фазы характеризации и моделирования посредством автоматизации процессов.
Спонсором проекта является TÜV Rheinland (https://ru.wikipedia.org/wiki/TÜV_Rheinland_Group). В проекте также задействованы Mercedes-Benz AG, ElringKlinger AG, GOM GmbH и renumics GmbH.
Вообще, тема DYNAmore очень здорово пересекается с уже имеющимися у ANSYS LST наработками по использованию нейронных сетей для моделирования микроструктуры материалов (https://www.lstc-cmmg.org/deep-material-network).
#ansys #dynamore #ls-dyna #lstc #machine_learning #material
https://tinyurl.com/yf6xk86t
by GlukRazor
Еще одно применение AI для CAE в области материаловедения - на этот раз от DYNAmore. Коллеги вписались в исследовательский проект "Искусственный интеллект для моделей материалов" (Artificial Intelligence for Material Models, AIMM), который состоит в том, чтобы дополнить и/или заменить классические реологические модели материалов на модели, построенные AI при анализе большого числа экспериментов. Основное внимание в AIMM будет уделяться более быстрому внедрению новых материалов посредством ускоренного описания для приложений CAE, разработки связанных с ними новых экспериментальных концепций для генерирования необходимых обучающих данных, а также сокращению фазы характеризации и моделирования посредством автоматизации процессов.
Спонсором проекта является TÜV Rheinland (https://ru.wikipedia.org/wiki/TÜV_Rheinland_Group). В проекте также задействованы Mercedes-Benz AG, ElringKlinger AG, GOM GmbH и renumics GmbH.
Вообще, тема DYNAmore очень здорово пересекается с уже имеющимися у ANSYS LST наработками по использованию нейронных сетей для моделирования микроструктуры материалов (https://www.lstc-cmmg.org/deep-material-network).
#ansys #dynamore #ls-dyna #lstc #machine_learning #material
https://tinyurl.com/yf6xk86t
by GlukRazor