تطبيق التوأم الرقمي القائم على FEA واختيار منصة المحاكاة Abaqus/ANSYS وتصميم صياغة المركب بمساعدة الذكاء الاصطناعي واستشارات ضغط دورة التطوير لسوق التوأم الرقمي للإطارات البالغ 0.5 مليار دولار - مساعدة الشركات المصنعة على الانتقال من دورة النموذج الأولي المادي التقليدية من 18 إلى 36 شهراً إلى التكرار الرقمي السريع.
$0.5B
سوق التوأم الرقمي
حجم سوق برامج المحاكاة والتوأم الرقمي الخاص بالإطارات في عام 2024
18–36
أشهر - الدورة الحالية
مدة دورة تطوير الإطارات التقليدية القائمة على النموذج الأولي المادي
FEA
المنهجية الجوهرية
تحليل العناصر المحدودة كمقاربة المحاكاة الأساسية لتطوير التوأم الرقمي للإطارات
بمساعدة الذكاء الاصطناعي
تصميم الصياغة
التعلم الآلي المطبَّق على تحسين صياغة المركب، كما أرسى ذلك ZC Rubber Tian Gong AI
يتبع تطوير الإطارات التقليدي دورة نموذج أولي مادي: يطور مُركِّبو المركب مركبات مرشحة في المختبر وتُنتج دفعات مختلطة ويُبنى نماذج أولية وتُرسَل إلى مضامير الاختبار وآلات الأسطوانة الداخلية لتقييم الأداء. تستغرق هذه الدورة - من مفهوم المركب الأولي إلى بيانات أداء الإطار المُتحقَّق منه - عادةً 18 إلى 36 شهراً لمنتج جديد، وتستلزم ثلاثة إلى ستة تكرارات للنموذج الأولي المادي قبل أن يحقق توليفة المركب والبنية جميع مواصفات الأداء المستهدفة في آن واحد. تتجاوز التكلفة الإجمالية لبرنامج تطوير إطار جديد واحد بموجب هذه المنهجية، بما يشمل خلط المختبر وبناء النموذج الأولي ووقت مضمار الاختبار والاختبار الآلي الداخلي، مليون إلى ثلاثة ملايين دولار للإطارات ذات الأداء المعقد.
يضغط التوأم الرقمي والتطوير القائم على المحاكاة هذه الدورة باستبدال بعض أو كل تكرارات النموذج الأولي المادي بمحاكاة حاسوبية - باستخدام تحليل العناصر المحدودة (FEA) للتنبؤ بالسلوك الهيكلي للإطار ومقاومة الدحرجة وتوزيع إجهاد مساحة التلامس والتوحيد بالسرعة العالية قبل بناء أي نموذج أولي مادي. وصل سوق التوأم الرقمي للإطارات العالمي إلى 0.5 مليار دولار في 2024، مركّزاً في مصنعي الدرجة الأولى ذوي قدرات المحاكاة الراسخة، لكن ينتشر بسرعة مع توسيع منصات FEA الميسورة والحوسبة السحابية وأدوات الصياغة بمساعدة الذكاء الاصطناعي قدرات المحاكاة لمصنعي الدرجة الثانية والثالثة. منصة Tian Gong AI من ZC Rubber - أبرز مثال على تطبيق الذكاء الاصطناعي في صياغة الإطارات - أظهرت إمكانية التعلم الآلي في توليد صياغات مركب عالية الأداء من بيانات التدريب بدلاً من الخلط المادي التكراري.
التوأم الرقمي للإطار هو نموذج رياضي لهيكل الإطار وخصائص المركب وظروف التشغيل يمكنه التنبؤ باستجابات أداء الإطار - شكل مساحة التلامس وتوزيع الضغط وتوليد القوة الشعاعية والجانبية ومعامل مقاومة الدحرجة وتوزيع الإجهاد في الهيكل والحزمة - دون اختبار مادي. أضغ التطبيق الأكثر نضجاً تحليل العناصر المحدودة (FEA)، حيث يُجزَّأ الإطار إلى آلاف العناصر المحدودة، يُسنَد إلى كل منها خصائص مادة المركب أو التعزيز في ذلك الموقع، ويُحَل النموذج المُجمَّع عدديًا للتشوه واستجابة الإجهاد للأحمال المطبَّقة وضغط الضخ.
يُعد Abaqus (داسو سيستيمز) وANSYS Mechanical منصتَي FEA المهيمنتين المستخدمتين في تطوير التوأم الرقمي للإطارات. تاريخياً، كان يُفضَّل Abaqus في تطبيقات الإطارات لمعالجته المتينة للسلوك المادي للمطاط مفرط المرونة كبير الإجهاد، ويوفر وحدة Abaqus/Tire أدوات مخصصة لتحليل دحرجة الإطار في الحالة المستقرة. يوفر ANSYS بيئة محاكاة أكثر تكاملاً تجمع قدرات التحليل الهيكلي وديناميكيات الموائع (لتفاعل الإطار-الطريق وتدفق الهواء) والتحليل الصوتي.
إعداد نموذج Abaqus/Standard وAbaqus/Explicit لمحاكاة الضخ في الإطار وتحليل مساحة التلامس والدحرجة في الحالة المستقرة والديناميكيات بالسرعة العالية - يشمل توليد الشبكة وتطوير بطاقة المادة والتحقق مقابل بيانات الاختبار المادي.
استراتيجية تطبيق نموذج إطار ANSYS Mechanical للشركات المصنعة التي تفضّل بيئة ANSYS - طوبولوجيا النموذج وتعريف التلامس والدمج مع ANSYS Fluent للتحليل الديناميكي الصوتي الهوائي.
تطوير بطاقة مادة مطاط مفرط المرونة باستخدام دوال طاقة الإجهاد Mooney-Rivlin أو Neo-Hookean أو Yeoh مُلاءَمة لبيانات التحليل الميكانيكي الديناميكي (DMA) لمركب واختبارات الشد لتمثيل مادة FEA الدقيق.
بروتوكول التحقق المادي-الرقمي الذي يقارن مقاومة الدحرجة المتنبأ بها بـ FEA وهندسة مساحة التلامس وتباين القوة الشعاعية مقابل قياسات النموذج الأولي المادي - لتأسيس فترات ثقة نموذج المحاكاة.
منصة Tian Gong AI من ZC Rubber - المُعلَن عنها في 2023 والتي تمثل أبرز تطبيق عام للذكاء الاصطناعي في تطوير مركب الإطارات - تستخدم نماذج تعلم آلي مدرَّبة على بيانات صياغة المركب واختبار الأداء للتنبؤ بأداء صياغات المركب المرشحة وتوليد صياغات محسَّنة تستهدف ملامح أداء محددة. يستبدل هذا المسار بعض خلط الإطار المادي وتكرار الاختبار بالتنبؤ الحاسوبي، مما يتيح لمُركِّبي المركب تقييم مئات الصياغات المرشحة افتراضياً قبل الالتزام بالخلط المادي.
يتطلب مسار صياغة الذكاء الاصطناعي مجموعة بيانات تدريب جوهرية - وصفات المركبات وقياسات الأداء المادي المقابلة لها - لتطوير نماذج تنبؤ بدقة كافية لتكون مفيدة في توجيه قرارات الخلط المادي. للشركات المصنعة ذات قواعد بيانات المركب التاريخية الواسعة (المتراكمة على مدى عقود من التطوير) ميزة كبيرة في تطبيق صياغة الذكاء الاصطناعي. يجب على الشركات المصنعة التي تفتقر إلى هذه القاعدة البيانية الاستثمار في برامج جمع بيانات منهجية قبل أن تستطيع الصياغة بمساعدة الذكاء الاصطناعي تحقيق قيمة. ترسم Radial Insights خرائط متطلبات البيانات وتبني حالة العمل لاستثمار منصة صياغة الذكاء الاصطناعي بناءً على خفض تكلفة دورة التطوير المتوقع.
تقييم خيارات منصة صياغة المركب بمساعدة الذكاء الاصطناعي بما يشمل ZC Rubber Tian Gong والتطوير الداخلي الخاص والمنصات الخارجية - يشمل متطلبات البيانات ودقة التنبؤ وتكلفة التطبيق.
تدقيق أصول بيانات صياغة المركب والأداء الحالية لتقييم كفاية بيانات تدريب منصة الذكاء الاصطناعي - تحديد فجوات البيانات ومشكلات جودة البيانات والاستثمار اللازم في جمع البيانات المنهجية.
تطوير نموذج التعلم الآلي للتنبؤ بأداء المركب يشمل مقاومة الدحرجة (tan δ عند 60°C) والإمساك بالأرض الرطبة (tan δ عند 0°C) ومعدل التآكل والصلابة - باستخدام تعزيز التدرج وهياكل الشبكات العصبية.
تصميم سير عمل لفرق تطوير المركب للعمل بفاعلية مع تنبؤات صياغة الذكاء الاصطناعي - تحديد التقسيم بين المرشحين المُولَّدين بالذكاء الاصطناعي والتقييم والاختيار من قِبَل الخبراء البشريين.
إمكانية التوأم الرقمي والذكاء الاصطناعي في ضغط دورة تطوير الإطارات من 18 إلى 36 شهراً حقيقية لكنها مشروطة. يمكن للمحاكاة بشكل موثوق تقليل عدد تكرارات النموذج الأولي المادي - من 5 أو 6 إلى 2 أو 3 في أفضل التطبيقات - لكنها لا تستطيع إلغاء الاختبار المادي كلياً. التأهيل التنظيمي (تحمل ECE R30 وFMVSS 139) يتطلب نتائج اختبار مادي لا تنبؤات محاكاة. تأهيل الشركات المصنعة للمعدات الأصلية يتطلب نماذج أولية مادية على مضامير الاختبار. يتطلب ثقة المستهلك في الأداء المطالَب به - لا سيما الإمساك بالأرض الرطبة والتحكم - بيانات التحقق المادي.
أكثر التطبيقات تأثيراً للمحاكاة في ضغط دورة التطوير هو في تصفية مرشحات التصميم في المرحلة المبكرة: استخدام FEA لاستبعاد التصميمات التي لن تحقق مقاومة الدحرجة المستهدفة أو التوحيد قبل بناء أي نماذج أولية مادية. وحدها هذه الوظيفة التصفوية يمكنها توفير 2 إلى 4 تكرارات للنموذج الأولي، مما يمثل 4 إلى 8 أشهر من وقت التطوير و400,000 إلى 800,000 دولار من تكاليف النموذج الأولي والاختبار. تصمم Radial Insights خرائط عملية التطوير التي تحدد بالضبط أين سيُحقق إدراج المحاكاة أكبر تقليص لوقت الدورة والتكلفة في سير عمل التطوير المحدد لكل شركة مصنعة.
تحليل خريطة عملية التطوير الحالية لتحديد تكرارات بناء النموذج الأولي والاختبار المادي التي يمكن للمحاكاة استبدالها بأكبر فاعلية، والاختبار المادي المتبقي الذي تستلزمه المتطلبات التنظيمية لدى الشركات المصنعة للمعدات الأصلية.
التحديد المالي لمنافع ضغط دورة التطوير - خفض التكلفة من إلغاء النموذج الأولي وزيادة الإيرادات من سرعة الوصول إلى السوق والاستثمار الرأسمالي في بنية المحاكاة التحتية اللازمة لتحليل الاسترداد.
تصميم برنامج تطوير هجين يدمج محاكاة التوأم الرقمي وصياغة الذكاء الاصطناعي والتحقق المادي المستهدف - تقليل تكرارات النموذج الأولي مع الحفاظ على قاعدة الأدلة المادية المطلوبة لاعتماد الشركات المصنعة للمعدات الأصلية والتنظيم.
تصميم دورة تكرار رقمي أسبوعية مقابل دورة النموذج الأولي المادي الشهرية - مما يتيح استكشاف المركب والبنية بسرعة تكشف فرص تمايز الأداء غير المتاحة في التطوير المادي الخالص.
استثمرت كل من Bridgestone وMichelin وContinental وSumitomo والشركات المصنعة الكورية الكبرى في قدرات محاكاة FEA الخاصة بها على مدى العقدين الماضيين. بالنسبة لهذه الشركات المصنعة، التوأم الرقمي ليس تطلعاً مستقبلياً بل مكوناً راسخاً في سير عمل البحث والتطوير. تمثل قواعد بيانات مواد المركب لديها ومكتبات نماذج FEA المُتحقَّق منها وأدوات التنبؤ بمساعدة الذكاء الاصطناعي حواجز دخول لا تستطيع مصنعو الدرجة الثانية والثالثة استنساخها بين عشية وضحاها.
غير أن تحرير منصات FEA (أصبح ترخيص Abaqus أكثر يسراً من خلال النشر السحابي) وظهور شركات برامج محاكاة إطارات مخصصة (Endurica للتنبؤ بعمر الإجهاد وCoesus لتحسين مقاومة الدحرجة) وتوفر أدوات صياغة الذكاء الاصطناعي خارج البيئات الخاصة لمصنعي الدرجة الأولى تغيّر الفجوة في القدرة. يمكن لمصنعي الدرجة الثانية الذين يستثمرون استراتيجياً في قدرة المحاكاة من 2025 إلى 2030 سد فجوة كفاءة البحث والتطوير بشكل ملحوظ - حتى لو لم يستطيعوا تحقيق ميزة قاعدة البيانات المادية العميقة لعقود لدى مشغلي الدرجة الأولى.
تقييم قدرة المحاكاة والذكاء الاصطناعي لدى Bridgestone وMichelin وContinental وSumitomo - يشمل تطور نموذج FEA ونضج أدوات صياغة الذكاء الاصطناعي وأداء دورة التطوير مقارنةً بالدرجة الثانية.
تقييم Endurica (عمر الإجهاد) وCoesus (تحسين مقاومة الدحرجة) وغيرها من أدوات محاكاة الإطارات المخصصة كاستثمارات بديلة أو مكملة لتطبيق Abaqus/ANSYS الكامل.
استراتيجية نشر Abaqus وANSYS السحابي للشركات المصنعة التي تفتقر إلى بنية HPC محلية واسعة النطاق - تشمل نماذج الترخيص وأمن البيانات وتكلفة الحوسبة لكل تشغيل محاكاة وهيكل تقنية المعلومات.
خارطة طريق قدرة المحاكاة من 3 إلى 5 سنوات من الحالة الراهنة إلى الحالة المستهدفة - مع مراحل الاستثمارات في المنصة والبيانات والأشخاص والعملية عبر برنامج يُحقق تحسيناً قابلاً للقياس في دورة التطوير في كل مرحلة.
يمثل التحول إلى تطوير الإطارات القائم على المحاكاة أهم تغيير في منهجية بحث وتطوير الإطارات منذ الانتقال من بناء الإطار المحيط إلى الشعاعي في سبعينيات القرن الماضي. الشركات المصنعة التي تستثمر استراتيجياً في قدرة التوأم الرقمي منذ 2025 ستضغط الجداول الزمنية للتطوير وتقلل تكاليف النماذج الأولية وتصل إلى صياغات مركب عالية الأداء بسرعة أكبر من المنافسين الذين لا يزالون يعملون ضمن دورات النموذج الأولي المادي التقليدية من 18 إلى 36 شهراً.
لمناقشة خارطة طريق التطوير الرقمي لديك أو استكشاف حالة العمل للاستثمار في المحاكاة أو مراجعة تطبيق FEA الحالي لديك مقابل قدرة المعيار من الدرجة الأولى، تواصل مع فريق التكنولوجيا وتطوير المنتجات لدينا على sales@radialinsights.com. نجلب خبرة FEA الخاصة بالإطارات واستخبارات منصة صياغة الذكاء الاصطناعي وتحليل اقتصاديات التطوير إلى كل مشاركة استشارية للتوأم الرقمي.
يجلب فريقنا في التكنولوجيا وتطوير المنتجات خبرة محاكاة FEA واستخبارات منصة صياغة الذكاء الاصطناعي وتحليل اقتصاديات دورة التطوير إلى كل مشاركة استشارية للتوأم الرقمي.
ناقش خارطة طريق التوأم الرقمي الخاصة بك