Методика анализа и интерпретации результатов расчета SCAD++ с помощью внешнего постпроцессора

Введение. Одним из ключевых аспектов решения любых задач численными методами является интерпретация полученных результатов с целью их дальнейшего использования. Современные расчетные комплексы, реализующие метод конечных элементов, имеют в своем составе так называемый постпроцессор — модуль, предназначенный для облегчения визуализации и интерпретации результатов выполненных вычислений. Однако, каким бы продвинутым не был встроенный в программный комплекс постпроцессор, его функционал может быть недостаточен для решения конкретной инженерной задачи. Один из способов оптимизации соответствующих этапов работы — применение сторонних программных продуктов и разработка самописных пользовательских расширений.

Материалы и методы. Определение требуемых параметров армирования монолитных железобетонных конструкций сложной геометрической формы выполнено в вычислительном комплексе SCAD++, но дальнейшая их обработка встроенными средствами затруднительна. В рамках предложенной методики интерпретации и анализа полученных в SCAD++ результатов армирования монолитной железобетонной плиты с широкими балками применялись свободно распространяемый программный продукт Gmsh и пользовательский скрипт на языке программирования Python.

Результаты. Реализация предложенного алгоритма обработки данных, полученных из SCAD++, позволила преодолеть ограничения стандартных средств проектно-вычислительного комплекса в части визуализации результатов выполненных расчетов, а также сформировать исходные сведения для их дальнейшего использования в процессе инженерно-строительного проектирования.

Выводы. Предложенная методика удобна для применения в инженерной практике и предоставляет широкие возможности для эффективного анализа результатов расчетов, выполненных методом конечных элементов, и их дальнейшей обработки. Ее использование позволит повысить эффективность принимаемых решений, оптимизировать процесс проектирования геометрически сложных конструкций и их элементов, а также оптимизировать материальные затраты на приобретение программного обеспечения.

1. Ma J., He Yu., Zhao Zi.L., Xie Yi.M. Topology Optimization of Ribbed Slabs and Shells // Engineering Structures. 2023. Vol. 277. P. 115454. DOI: 10.1016/J.ENGSTRUCT.2022.115454. EDN PXNBJR.

2. Цветкова А.А., Агафонов С.А., Горячева А.О., Маслак Т.В. Работа монолитного железобетонного ребристого перекрытия при наличии приопорных усадочных трещин в ребрах // Инженерные исследования. 2023. № 1 (11). С. 11–19. EDN OCVMVQ.

3. Xu J., Shu X., Qiao P., Li S., Xu J. Developing a Digital Twin Model for Monitoring Building Structural Health by Combining a Building Information Model and a Real-Scene 3D Model // Measurement. 2023. Vol. 217. P. 112955. DOI: 10.1016/j.measurement.2023.112955

4. Никитин К.Е., Кирсанов О.А. Сравнительное исследование конечно-элементных методик расчета ребристых железобетонных перекрытий // Строительная механика инженерных конструкций и сооружений. 2022. Т. 18. № 3. C. 242–254. DOI: 10.22363/1815-5235-2022-18-3-242-254. EDN VXEZDR.

5. Мозголов М.В., Козлова Е.В. К вопросу создания верификационной модели для расчета кессонного железобетонного перекрытия в вычислительном комплексе SCAD // Вестник НИЦ Строительство. 2022. № 1 (32). С. 128–140. DOI: 10.37538/2224-9494-2022-1(32)-128-140. EDN BKAJGQ.

6. Czumaj P., Dudziak S., Kacprzyk Z. Computational Models of Reinforced Concrete Ribbed Floor // MATEC Web of Conferences. 2018. Vol. 196. P. 01051. DOI: 10.1051/MATECCONF/201819601051

7. Tan Y., Xu W., Chen P., Zhang S. Building Defect Inspection and Data Management Using Computer Vision, Augmented Reality, and BIM Technology // Automation in Construction. 2024. Vol. 160. P. 105318. DOI: 10.1016/j.autcon.2024.105318

8. Jin R., Zhong B., Ma L., Hashemi A., Ding L. Integrating BIM with Building Performance Analysis in Project Life-Cycle // Automation in Construction. 2019. Vol. 106. P. 102861. DOI: 10.1016/J. AUTCON.2019.102861

9. Kunieda Y., Codinhoto R., Emmitt S. Increasing the Efficiency and Efficacy of Demolition through Computerised 4D Simulation // Engineering, Construction and Architectural Management. 2019. Vol. 26. Issue 10. Pp. 2186–2205. DOI: 10.1108/ECAM-11-2018-0492

10. Leonardi M.L., Granja J., Oliveira D.V., Azenha M. Scalable BIM Based Open Workflow for Structural Analysis of Masonry Building Aggregates // Computers & Structures. 2024. Vol. 297. P. 107321. DOI: 10.1016/J. COMPSTRUC.2024.107321

11. Ghosh S., Dashti F., Nagae T., Uta H. Numerical Simulation of the 2010 4-Story Reinforced Concrete Structure Tested on the E-Defense Shake Table // Engineering Structures. 2024. Vol. 306. P. 117769. DOI: 10.1016/J. ENGSTRUCT.2024.117769

12. Vishtak O., Golova T., Vishtak N., Shtyrova I., Мikheyev I. Software Module for Automating the Calculation of Building Structures // Procedia Computer Science. 2022. Vol. 213. Pp. 301–306. DOI: 10.1016/J. PROCS.2022.11.071

13. Rasoulzadeh S., Senk V., Königsberger M., Reisinger J., Kovacic I., Füssl J. et al. A Novel Integrative Design Framework Combining 4D Sketching, Geometry Reconstruction, Micromechanics Material Modelling, and Structural Analysis // Advanced Engineering Informatics. 2023. Vol. 57. P. 102074. DOI: 10.1016/J.AEI.2023.102074

14. Andersen M.E.M., Poulsen P.N., Olesen J.F., Hoang L.C. Strength-Based Material Layout Optimization of Solid Reinforced Concrete // Computers & Structures. 2023. Vol. 276. P. 106941. DOI: 10.1016/J.COMPSTRUC.2022.106941

15. Lee S.H., Oh B.K., Choi J., Hong D.H., Hong T., Lee D.E. et al. Eco-Friendly and Economically Optimal Design Model (EEODM) to Reduce the CO2 Emissions and the Cost of Long-Span Waffle Slabs // Journal of Cleaner Production. 2021. Vol. 296. P. 126367. DOI: 10.1016/J.JCLEPRO.2021.126367

16. Teodosio B., Wasantha P.L.P., Yaghoubi E., Guerrieri M., Fragomeni S., van Staden R. Environmental, Economic, and Serviceability Attributes of Residential Foundation Slabs: A Comparison between Waffle and Stiffened Rafts Using Multi-Output Deep Learning // Journal of Building Engineering. 2023. Vol. 80. P. 107983. DOI: 10.1016/J.JOBE.2023.107983

17. Ženíšek M., Pešta J., Tipka M., Kočí V., Hájek P. Optimization of RC Structures in Terms of Cost and Environmental Impact — Case Study // Sustainability. 2020. Vol. 12. Issue 20. P. 8532. DOI: 10.3390/SU12208532

18. Guzmán C.F., Mouton T., Habraken A. Using Gmsh as a Mesh Generator and Post-Processor for LAGAMINE // 1st International Workshop on the Finite Element Code LAGAMINE. 2013. DOI: 10.13140/RG.2.2.19824.00002

19. Geuzaine C., Remacle J.F. Gmsh: A 3-D finite element mesh generator with built-in pre- and post-processing facilities // International Journal for Numerical Methods in Engineering. 2009. Vol. 79. Issue 11. Pp. 1309–1331. DOI: 10.1002/NME.2579

20. Damyanova M., Sabchevski S., Zhelyazkov I. Pre- and Post-Processing of Data for Simulation of Gyrotrons by the GYREOSS Software Package // Journal of Physics: Conference Series. 2010. Vol. 207. P. 012032. DOI: 10.1088/1742-6596/207/1/012032

21. López J., Anitescu C., Rabczuk T. CAD-Compatible Structural Shape Optimization with a Movable Bézier Tetrahedral Mesh // Computer Methods in Applied Mechanics and Engineering. 2020. Vol. 367. P. 113066. DOI: 10.1016/J.CMA.2020.113066

22. Lima P., Shauer N., Villegas J.B., Devloo P.R.B. DFNMesh: Finite Element Meshing for Discrete Fracture Matrix Models // Advances in Engineering Software. 2023. Vol. 186. P. 103545. DOI: 10.1016/J.ADVENGSOFT.2023.103545

23. Alavi H., Bortolini R., Forcada N. BIM-Based Decision Support for Building Condition Assessment // Automation in Construction. 2022. Vol. 135. P. 104117. DOI: 10.1016/J.AUTCON.2021.104117

24. Seidenschnur M., Kücükavci A., Fjerbæk E.V., Smith K.M., Pauwels P., Hviid C.A. A Common Data Environment for HVAC Design and Engineering // Automation in Construction. 2022. Vol. 142. P. 104500. DOI: 10.1016/J.AUTCON.2022.104500