⚡ electrical engineering

TimoDS: A comprehensive and synthetically generated dataset of Timoshenko steel beams with general elastic supports and responses to elementary unit load cases

Dit artikel introduceert TimoDS, een uitgebreide synthetische dataset van 60.000 Timozenko stalen balkinstanties met algemene elastische steunpunten en elementaire belastingsgevallen, die dient als een gevalideerde benchmark voor het trainen van machine learning-surrogaten in de structurele mechanica.

Oorspronkelijke auteurs: Youssef Derrazi, Diego Hernán Peluffo-Ordóñez, Juan Carlos Torres Cantero

Gepubliceerd 2026-08-13

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Youssef Derrazi, Diego Hernán Peluffo-Ordóñez, Juan Carlos Torres Cantero

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een architect of een ingenieur bent die een brug, een wolkenkrabber of zelfs een simpele boekenplank probeert te bouwen. Voordat je ook maar één druppel beton stort of één balk last, moet je voorspellen hoe het zich zal gedragen. Zal het te veel doorbuigen? Zal het breken? Zal het wankelen in de wind? Traditioneel gebruiken ingenieurs krachtige computerprogramma's om deze scenario's te simuleren. Deze programma's zijn als ongelooflijk gedetailleerde video game-engines die de fysica van elk afzonderlijk stuk metaal berekenen. Ze zijn accuraat, maar ze zijn ook traag. Als je een miljoen verschillende ontwerpen wilt testen om het perfecte ontwerp te vinden, of als je wilt weten hoe een gebouw zal reageren op een aardbeving in realtime, dan is wachten tot de computer de getallen verwerkt voor elke enkele poging, alsof je elk zandkorreltje op een strand probeert te tellen door ze één voor één op te pakken.

Om dit te versnellen, zijn wetenschappers "surrogaatmodellen" gaan gebruiken. Denk aan deze als superintelligente afkortingen. In plaats van de fysica telkens vanaf nul te berekenen, train je een computerbrein (een machine learning-model) op een enorme bibliotheek van voorbeelden. Eenmaal getraind, kan dit brein het antwoord bijna onmiddellijk raden. Maar hier zit de crux: om dit brein te onderwijzen, heb je een enorme, perfecte bibliotheek van voorbeelden nodig. In de echte wereld is het verkrijgen van echte gegevens duur en gevaarlijk (je kunt niet zomaar een gebouw laten neerstorten om te zien wat er gebeurt). Daarom moeten onderzoekers deze bibliotheken creëren met behulp van simulaties. De grote uitdaging is geweest om ervoor te zorgen dat deze gesimuleerde bibliotheken divers genoeg zijn om elke mogbare situatie te dekken — van een balk die aan de uiteinden los hangt tot een balk die stevig is vastgeklemd — en dat ze fysiek correct zijn, zodat de afkorting niet tot een ramp leidt.

Hier komt een nieuwe dataset genaamd TimoDS om de hoek kijken. Het is als een enorme, synthetische receptenboek voor stalen balken, volledig door computers gecreëerd maar ontworpen om zo realistisch mogelijk te zijn. Het artikel introduceert TimoDS, een collectie van 60.000 verschillende "wat als"-scenario's voor stalen balken. De onderzoekers hebben niet zomaar willekeurige getallen gekozen; ze hebben een geavanceerde, geautomatiseerde pijplijn gebouwd om deze scenario's te genereren. Ze simuleerden balken gemaakt van standaard Europees staal (specifiek IPE, HEA en HEB profielen) en testten ze onder zes verschillende soorten basis "duwen" en "draaien" (eenheidslasten en momenten). De magie van TimoDS is dat het het hele spectrum beslaat van hoe een balk wordt ondersteund. In plaats van alleen balken te testen die ofwel volledig vrij zijn of volledig vastzitten, test TimoDS balken die worden ondersteund door "elastische steunen" — stel je de uiteinden van de balk voor die rusten op veren die zo zacht als een matras kunnen zijn of zo hard als een rots. Dit stelt hen in staat om het volledige middengebied van TimoDS te dekken.

Voor elke van de 60.000 balken legt de dataset exact vast hoe de balk reageert. Het geeft niet alleen één getal zoals "het boog 5 centimeter". In plaats daarvan brengt het het hele verhaal van de beweging, kracht en energie van de balk in kaart op 21 verschillende punten langs de lengte. Dit creëert een enorme output van 253 datapunten voor elke individuele balk, waarbij alles wordt vastgelegd van de mate van draaiing tot de hoeveelheid energie die erin is opgeslagen. De onderzoekers hebben geverifieerd dat hun computersimulaties de wetten van de fysica perfect naleven, waarbij ze controleerden of de krachten in evenwicht waren en de energie behouden bleef. Ze hebben zelfs een kleine fout in de software die ze gebruikten opgelost om ervoor te zorgen dat de energienummers 100% accuraat zijn.

Om te bewijzen dat deze dataset daadwerkelijk nuttig is, trainden de auteurs een eenvoudig machine learning-model op slechts één van de zes belastingsgevallen. De resultaten waren indrukwekkend: het model leerde hoe de balk zou buigen en draaien met een hoge nauwkeurigheid. Nog beter nog, ze lieten zien dat het model het principe van "superpositie" kon gebruiken om te achterhalen hoe een balk zou reageren op een complexe mix van belastingen die het nog nooit eerder had gezien, simpelweg door de antwoorden van de basisgevallen bij elkaar op te tellen. Dit suggereert dat TimoDS niet alleen een statische verzameling getallen is; het is een krachtig hulpmiddel dat ingenieurs kan helpen AI te trainen om in de toekomst veiligere en efficiëntere constructies te ontwerpen, waardoor een trage, zware berekening wordt omgezet in een razendsnelle gok die nog steeds de wetten van de fysica respecteert.

Technische Samenvatting: TimoDS Dataset

Probleemstelling

De ontwikkeling van datagestuurde surrogaatmodellen voor de structurele mechanica wordt momenteel belemmerd door een tekort aan hoogwaardige, publiek toegankelijke trainingsdata. Bestaande experimentele datasets zijn vaak kostbaar, beperkt in reikwijdte en slagen er niet in de volledige parametrische ruimte te dekken die vereist is voor generalisatie. Bovendien lijden veel bestaande synthetische datasets aan verschillende beperkingen: ze richten zich vaak op geïsoleerde elementen met standaard randvoorwaarden (bijv. simpel ondersteund of volledig ingeklemd) in plaats van het continuüm van intermediaire elastische opleggingen dat in echte constructies voorkomt; ze worden vaak gegenereerd via ad hoc procedures die geen volledige automatisering en reproduceerbaarheid kennen; en ze bieden doorgaans alleen scalaire outputs in plaats van volledige ruimtelijke distributies van structurele responsen. Deze hiaten beperken het nut van datasets voor geavanceerde architecturen zoals Physics-Informed Neural Networks (PINNs) en Graph Neural Networks (GNNs) die opereren op ruimtelijk verdeelde velden.

Methodologie

Het artikel presenteert TimoDS, een synthetisch gegenereerde dataset bestaande uit 60.000 instanties van Timoshenko-stalen balken met algemene elastische opleggingen. Het generatieproces is een volledig geautomatiseerde, reproduceerbare pipeline die wordt uitgevoerd binnen de Grasshopper parametrische modelleringsomgeving met de Karamba3D finite element plug-in.

Mechanisch Model

De dataset is gebaseerd op een lineair statisch Timoshenko-balkmodel van lengte $L$ met een constante doorsnede $\Sigma$ . Het model houdt rekening met:

Materiaal: Isotoop lineair elastisch staal ( $E = 210$ GPa, $\nu = 0,33$ ).
Doorsneden: Europese stalen profielen uit de IPE, HEA en HEB families (66 verschillende secties).
Randvoorwaarden: Algemene elastische opleggingen aan beide uiteinden (A en B), gedefinieerd door 12 stijfheidsparameters (3 translationele $k$ en 3 rotationele $c$ per uiteinde). Deze parameters beslaan een continuüm van vrij tot quasi-ingeklemd, gesampled in een logaritmische ruimte ten opzichte van de karakteristieke stijfheid van de balk.
Belastinggevallen: Zes elementaire eenheidslastgevallen worden onafhankelijk beschouwd: drie eenheid puntbelastingen ( $\vec{F} = \vec{e}_x, \vec{e}_y, \vec{e}_z$ ) en drie eenheid puntmomenten ( $\vec{C} = \vec{e}_x, \vec{e}_y, \vec{e}_z$ ). Elke belasting wordt toegepast op een relatieve positie $\alpha$ langs de as van de balk.

Datageneratie Pipeline

Sampling: Latin Hypercube Sampling (LHS) met een vaste seed (2) wordt gebruikt om een uniforme dekking van de 1d-dimensionale inputruimte te garanderen (balklengte, belastingspositie, sectiekeuze en 12 dimensieloze stijfheidsvermenigvuldigers).
Simulatie: Voor elke van de 60.000 instanties assembleert een parametrische graaf in Grasshopper/Karamba3D de balk, past de specifieke randvoorwaarden en de eenheidslast toe, en lost het lineair statische probleem op.
Output Extractie: De pipeline haalt kinematische grootheden (verplaatsingen en rotaties) en interne krachten (axiale kracht, dwarskrachten, torsie, buigmomenten) op bij 21 gelijkmatig verdeelde posities langs de as van de balk. Het berekent ook de totale elastische vervormingsenergie.
Correctie: Een systematische discrepantie in de interne energie-output van Karamba3D (die de energie in steunveren bij rigide opleggingen verwaarloost) wordt aangepakt. De dataset bevat een gecorrigeerde vervormingsenergie ( $\hat{U}_D$ ) die opnieuw is berekend via numerieke integratie van de interne krachtvelden om aan het werk-energiebeginsel te voldoen.

Belangrijkste Bijdragen

Omvattende Dataset: TimoDS biedt 60.000 volledig gedefinieerde balkproblemen met algemene elastische opleggingen, die een breed scala aan geometrische en randvoorwaardelijke parameters dekken.
Ruimtelijke Resolutie: In tegen tegenstelling tot veel datasets die scalaire outputs bieden, levert TimoDS volledige ruimtelijke distributies van 12 fysieke grootheden gesampled op 21 punten, wat resulteert in een outputvector van 253 grootheden per instantie.
Reproduceerbaarheid: De gehele dataset wordt gegenereerd via een deterministische, zelfsturende pipeline met een vaste random seed, wat exacte regeneratie mogelijk maakt. De code en scripts zijn publiekelijk beschikbaar.
Superpositie Mogelijkheid: Door responsen te leveren op elementaire eenheidslastgevallen, fungeert de dataset als een discrete invloedfunctie-bibliotheek. Vanwege de lineariteit van het Timoshenko-model kunnen responsen op willekeurige belastingsverdelingen worden gereconstrueerd via superpositie zonder aanvullende berekeningen.
Fysieke Consistentie: De dataset ondergaat strikte validatie, waarbij evenwichtsresiduen tot op machineprecisie worden bevestigd en de energiebalans wordt geverifieerd via de gecorrigeerde vervormingsenergiewaarde.

Resultaten en Validatie

Statistische Karakterisering: De inputruimte vertoont een effectieve decorrelatie tussen geometrische, belastings- en randvoorwaardeparameters. De outputruimte vertoont verwacht fysiek gedrag, zoals de dominantie van buiging boven axiale vervorming en de invloed van sectiefamilies (IPE versus HEA/HEB) op torsie- en buigflexibiliteit.
Fysieke Consistentie: Evenwichtstoetsen bevestigen dat kracht- en momentresiduen binnen machineprecisie liggen ( $\sim 10^{-16}$ tot $10^{-15}$ ). De gecorrigeerde vervormingsenergie $\hat{U}_D$ voldoet aan de energiebalansvergelijking $2\hat{U}_D = W_{ext} - W_k$ over 22 grootheden.
Baseline Machine Learning Experiment: Een feedforward neuraal netwerk werd getraind op Load Case 2 (eenheid dwarsbelasting) om de responsvelden te voorspellen.
- Het model behaalde hoge $R^2$ -scores voor interne krachten ( $V_y, M_z$ ) en buigrotatie ( $\theta_z$ ).
- De dwarsverplaatsing ( $u^G_y$ ) vertoonde een lagere relatieve nauwkeurigheid in quasi-ingeklemde regimes vanwege het brede dynamische bereik van de data, hoewel de algehele $R^2$ hoog bleef (0,9945).
- Cruciaal is dat het getrainde model succesvol de responsen naar gecombineerde belastingsscenario's (twee gelijktijdige puntbelastingen) reconstrueerde via superpositie, wat aantoont dat een model getraind op elementaire gevallen kan generaliseren naar complexe belasting zonder hertraining.

Betekenis en Claims

Het artikel positioneert TimoDS als een levensvatbare benchmark voor surrogaatmodellering, physics-informed learning en operator learning in de structurele techniek. De primaire betekenis ligt in het adresseren van het gebrek aan diverse, hoogwaardige en reproduceerbare synthetische data in het vakgebied. Door volledige ruimtelijke responsvelden te bieden en een continuüm van elastische randvoorwaarden te dekken, maakt de dataset de training van modellen mogelijk die kunnen generaliseren over variërende structurele configuraties. De auteurs stellen expliciet dat de dataset is ontworpen om de ontwikkeling van datagestuurde modellen te faciliteren die kunnen dienen als invloedfunctie-bibliotheken, waardoor de reconstructie van responsen naar willekeurige belastingsverdelingen mogelijk wordt. Het werk is bescheiden in zijn reikwijdte en erkent beperkingen zoals de restrictie tot lineair materiaalgedrag, enkelvoudige overspanningen van prismatische balken en het verwaarlozen van wervelingseffecten (warping) in torsie, waarbij deze worden gepresenteerd als gebieden voor toekomstige uitbreiding in plaats van huidige mogelijkheden.