Modeliranje I Simulacije 1.kol FSB

Fakultet strojarstva i brodogradnje P1.
Tehnički sustavi, procesi i informacije
Sveučilište u Zagrebu
Fakultet strojarstva i brodogradnje
MODELIRANJE I SIMULACIJE
P1. Informacije i procesi u tehničkim sustavima
Ak. god. 2019/2020

Smjer: Inženjerstvo materijala
Zavod za materijale
Prof. dr. sc. Darko Landek
1. Uvod: od podataka do znanja

Podatak je u osnovi poruka koja se može iskoristiti za komuniciranje,
interpretaciju i daljnju obradu uz pomoć ljudi ili strojeva.
U inženjerstvu pod pojmom podatka se misli na činjenice predočene u
formaliziranom obliku (npr. brojem, riječi, slikom, elementom crteža, zvukom)
na temelju koje se oblikuje informacija.
Informacija je element znanja ili podatak koji se može točno i jednoznačno

prenijeti i sačuvati te zbog svog značenja predstavlja neosporivu činjenicu.
Znanje, svojstveno tehničkim znanostima, podrazumijevati strukturiranu i

sistematiziranu cjelinu podataka, informacija, modela i teorija utemeljenu na
racionalnim i empirijskim metodama istraživanja.
ŠTO ?  KAKO ?  ZAŠTO ?
D. Landek: Modeliranje i simulacije,

autorizirana predavanja, FSB, 2020 1
1.1. Podaci  informacije  (novo) znanje
Udžbenici, priručnici, monografije,

Laboratorijska ispitivanja, analize, studije
znanstveni i stručni radovi,…
Istraživanje tržišta Vlastiti teorijski modeli i računalne simulacije

(ankete, WEB stranice,...)
Izvještaji, tehnička dokumentacija Vlastita eksperimentalna istraživanja
PODACI
Analiza i povezivanje podataka: vizualni

prikazi, statistički modeli, modeli strojnog
učenja
Upotpunjavanje
fonda podataka o poznatim INFORMACIJE
činjenicama i slučajevima
Upotreba podataka u
predviđanju nepoznatih
činjenica i slučajeva
Analiza i povezivanje informacija: postavljanje i
potvrđivanje hipoteza, postavljanje i validacija modela, opis
i primjena novih znanstvenih spoznaja
Pohrana i prijenos znanja

(znanstveni radovi, priručnici,
udžbenici, internet, računalni ZNANJE (novo)
programi, ekspertni sustavi, )
3
1.1.1 Primjer: Diplomski rad – od podataka do novog znanja
Zadatak rada:
Kako primjena dubokog hlađenja utječe na krivulju popuštanja kaljenog brzoreznog čelika
PM S390 MC ?
Rješavanje zadatka – izrada rada

1. PRIKUPLJANJE PODATAKA
1.1 Analiza literature i rezultata
prijašnjih pokusa
 Informacija o utjecaju
DH za određene specifične
temperature popuštanja, ali
nedovoljno podataka za
cijelu krivulju popuštanja

1.2 Provedba vlastitih pokusa
 Podaci o tvrdoći nakon

kaljenja, dubokog
hlađenja i popuštanja
čelika PM S390 MC
prema zadanom planu
pokusa
2. STVARANJE INFORMACIJE:
analiza i otkrivanje zakonitosti iz
podataka npr. pomoću grafičkog
prikaza eksperimentalnih vrijednosti
(, HRC) za različita polazna stanja
čelika
 Informacija o utjecaju DH
5
na krivulju popuštanja
3. STVARANJE NOVOG ZNANJA

povezivanje i usporedba informacija iz
vlastitih pokusa s informacijama iz
literature i zaključivanje o dobivenim
rezultatima, njihovim posljedicama i
tehničkoj primjeni
3.1 Diskusija rezultata i zaključak o
provedenim ispitivanjima
3.2 Objava rada u pisanoj ili
elektroničkoj formi
3.3 Prijenos znanja usmenim
izlaganjem ili posterom

1.1.2 Primjena analize i sinteze informacija iz podataka
• Analiza poslovanja, proizvodnje, tržišta

• Analiza poslovnih partnera, stranaka
• Predviđanje izvanrednih događaja
• Trgovina, marketing, vojne analize, ...
• Znanstvena istraživanja i razvoj:
• materijali
• proizvodni procesi
• medicina (dijagnostika, prognoza, odlučivanje)
• farmacija (procesi, planiranje lijekova)
• genetika (određivanje funkcija i mreže gena)
• ekologija, ...
• Brojna druga područja:
– internet (npr. Google...), ...
– obrazovni sustav (npr. studentska anketa),... 7
1.1.3 Analiza i razumijevanje podataka
ŠTO ?  KAKO ?  ZAŠTO ?

– Što znače pojedinačni podaci i njihove vrijednosti?
– Da li je uređaj/osoba za prikupljanje podataka pouzdan/uvježban?
– Jesu li podaci točni i precizni? Koliki je šum?
– Kakva je raspodijela podataka? Da su podaci iz iste raspodjele?
– Jesu li podaci međusobno povezani?
– Kakva je povezanost ulaznih i izlaznih podatka (varijabli) sustava?
– Što znače nepoznate vrijednosti?
– Je li uzorak podataka statistički dovoljno velik?
– Imaju li podaci isto značenje? Koji podaci se signifikantno razlikuju?
– Ako sastavljamo model predviđanja: što želimo predviđati i iz čega?
– Što možemo, a što ne možemo primjeniti u modelu? Zašto ne možemo?

Primjer 1.
a) Precizni ali netočni podaci mjerenja električnog napona
b) Točni ali neprecizni podaci

mjerenja električnog napona
Točna vrijednost

Primjer 2.
Pogreška računske veličine c, ako su poznate pogreške mjerenja veličina a i b
Računska Računska Apsalutna Relativna pogreška,
operacija veličina, pogreška, Δ𝑐
c c 𝑐
Zbrajanje a+b a + b Δ𝑎 + Δ𝑏 (1.3.a-c)

𝑎+𝑏
Oduzimanje a-b a - b Δ𝑎 + Δ𝑏 (1.4.a-c)
𝑎−𝑏
Množenje ka n  a Δ𝑎 (1.5.a-c)
koeficijentom 𝑎
Množenje ab ab - ba Δ𝑎 Δ𝑏 (1.6.a-c)

+
𝑎 𝑏
Dijeljenje 𝑎 𝑏Δ𝑎 + 𝑎Δ𝑏 Δ𝑎 Δ𝑏 (1.7.a-c)
𝑏 +
𝑏2 𝑎 𝑏
Kvadriranje a2 2aa 2Δ𝑎 (1.8.a-c)
𝑎
Potenciranje an na n-1a nΔ𝑎 (1.9.a-c)
𝑎
Kvadriranje 1 Δ𝑎 1 Δ𝑎 (1.10.a-c)
𝑛
√𝑎
𝑛 𝑛√𝑎𝑛 −1 𝑛 𝑎 10


Primjer 3.
Prilagođavanje normalne razdiobe f(xi) skupu eksperimentalnih podataka xi
f(x)
11
Normalna (Gauss-ova) razdioba

Primjer 4
Izbor matematičkog modela ovisno o grupiranju eksperimentalnih rezultata i koeficijentu
korelacije (r)
12


Primjer 5
Primjeri polinomnih regresijskih modela za eksperimentalne rezultate s r > 0,95
Linearni model Parabolni model (II. reda)
13
Hiperbolni model Parabolni model (III. reda)
1.1.4 Osnova načela pripreme podataka
• Koji atributi nas zanimaju?

– Odstrani atribute, koji nisu povezani s problemom
– Odstrani atribute, koje nije moguće upotrijebiti
– Odstrani atribute, koji su nepouzdano mjereni, imaju previše
manjkavih vrijednosti...
– Po potrebi odstrani “duplikate” atributa
• Možemo li “odgonetnuti” nepoznate ili pogrešne vrijednosti?
– Umjesto nepoznatih vrijednosti umetnimo najvjerojatnije vrijednosti
ili vrijednosti predskazane iz drugih vrijednosti
– Pogrešne vrijednosti lako otkrijemo vizualno
• Koji primjeri nas zanimaju?
– Odstrani nerelevantne primjere
– Odstrani nepouzdane primjere (šum, manjkajuće vrijednosti)
– Uvijek oblikuj čim objektivniji kriterij odabira ispred odabiranja.
14

1.1.5 Stvaranje informacija iz podataka

Traženje skrivenih veza
Grupiranje
podataka
Sinteza podataka
Postavljanje hipoteza
Korelacijska
Zbirne analiza
tablice
Pretraživanje
podataka
Analiza
varijance
Teorijsko
modeliranje
Vizualizacija
Deskriptivna
Virtualna stvarnost statistika Strojno učenje
(umjetne neuronske
mreže, genetički
algoritmi, …)
Plan
Računalne simulacije pokusa Eksperimentalno modeliranje
Osnovne metode za analizu podataka, vrednovanje informacija te postavljanje 15

i provjeravanje hipoteza o povezanosti podataka
Kvaliteta podataka:
Standardiziranost podataka
Podudarnost podataka
Životni ciklus informacije Verifikacija podataka
Proširivost podataka
16
Promjena vrijednosti informacije tijekom životnog ciklusa

1.1.5.1 Otkrivanje i tumačenje zakonitosti iz podataka statističkim metodama
Primjer 1.
Izbor regresijskog modela i aproksimacija
raspodjele podataka
Aproksimacija progiba savojne opruge ovisno o sili savijanja primjenom linearnog 17

regresijskog modela
1.1.5.2 Otkrivanje zakonitosti iz podataka strojnim učenjem
Primjer 2.
Kontinuirani TTT dijagram
analiza
podataka
neuronskom Izotermički TTT dijagram
mrežom
Analogija biološkog neurona i umjetne neuronske mreže
Predviđanje izotermičkog TTT dijagrama primjenom neuronske mreže

18
( __ eksperimentalni podaci; ,,... krivulje izračunate primjenom neuronske mreže)

1.1.5.3 Usporedba metoda za otkrivanje zakonitosti u skupu podataka
• Statistika
– matematička disciplina
– ograničen izbor modela (po značajnosti, ne po broju!)
– zna provjeriti unaprijed sastavljene hipoteze, ne zna ih sastavljati
• Strojno učenje
– neuronske mreže, genetički algoritmi, genetičko programiranje
– zamršeniji modeli (po izražajnosti, ne po tumačenju ili provedbi)
– sastavlja (“traži”) hipoteze, ne zna ih provjeriti
• Vizualizacija
– prikazuje podatke na čovjeku razumljiv oblik (tablice, dijagrami, karte
svojstava, crteži, mape, sheme, animacije, računalne simulacije, virtualna
stvarnost)
– ne sastavlja modele i ne provjerava ih
– najprostija, najučinkovitija i najlakše zavaravajuća tehnika 19
1.2 Modeli i simulacije (M&S) tehničkih sustava
OPIS: RAZVOJ
Fenomena, SIMULACIJA
Procesa, MODELA
Objekta,
Sustava, …
Logika,podaci, Metode, računalni

znanje jezici i alati
Sustavni pristup modeliranju i simulacijama

20

1.2.1 Definicija sustava

“Sustav” je uređena cjelina (skup) međusobno povezanih elemenata s:
1) poznatim odnosima između ulaza, izlaza i promjena stanja,
2) poznatom granicom prema okolini ili drugom nadsustavu,
3) određenom svrhom i ciljevima
Ulaz, izlaz i stanja sustava djelovanja

pripadaju kategoriji materije, energije i
informacija.
Struktura sustava određena je vrstom

elemenata i njihovim međusobnim vezama.
Granica sustava može se postaviti kao

materijalna ili apstraktna s određenom
propusnošću materije, energije i informacija.
21
Struktura općeg sustava djelovanja
Sustav se smatra opisanim kad se definiraju njegovi:

- ciljevi (prema kojima je usmjeren ili zamišljen)
- elementi
- atributi: svojstva (ulaza, izlaza) i stanja: tvari, energije, informacija u prostoru i vremenu
- procesi (za transformaciju ulaznih i početnih stanja u izlaze i završna stanja)
- hijerarhija (skup pripadajućih podsustava)
- struktura (relacije i veze između podsustava)
22
Osnovi tipovi funkcijskih veza između elementa sustava ili podsustava

1.2.2 Osnovni koncepti u opisu sustava
Tvar Informacije Granica nadsustava

(M) (I) Granica sustava
ULAZI Energija
(E)
NADSUSTAV
(Xi) SUSTAV
Granica SUSTAV 1
sustava
Podsustavi
Yj 1 Stanje SUSTAV
Vrijeme 2
Prostor 3 ...
Xi i, j = 1,2, ..., N
SUSTAV 2
IZLAZI
(Yj)
Energija
(E')
Tvar Informacije
(M') (I')
Funkcijski koncept Hijerarhijski Strukturni

sustava koncept sustava koncept sustava
23
1.2.3 Opća načela dinamike sustava

1. Načelo povezanosti i međusobne ovisnosti. Sustav čine međusobno ovisni i povezani
elemenati i procesi. Promjena jednog elementa sustava izaziva neizravne promjene i u
ostalim elementima sustava.
2. Načelo sveukupnosti (holističko načelo). Djelovanje elemenata sustava kao funkcionalne
cjeline značajno je više od čistog zbroja djelovanja pojedinačnih elemenata.
3. Načelo svrhovitosti (teleološko načelo). Elementi sustava organizirani su s određenom
svrhom, a procesi u sustavu orijentirani su ostvarenju zadanog cilja ili grupe ciljeva.
4. Načelo interakcije s okolišem (načelo postojanja ulaznih i izlaznih veličina sustava).
Sustav je u stalnoj interakciji s okolišem iz kojeg crpi elemente nužne za svoj opstanak i
razvoj (materiju, energiju i informacije) i u koji predaje rezultate svog djelovanja
(materijale, energiju i informacije).
5. Načelo transformacije. U sustavu može istovremeno djelovati jedan ili više procesa u
kojima se obavlja pretvorba ulaznih veličina u izlazne u različitim prostorno-vremenskim
skalama.
6. Načelo entropije. U dinamici sustava uvijek se pojavljuju djelovanja nesavršenosti,
pogrešaka, kašnjenja, otpora i neizvjesnosti koja narušavaju uređenu strukturu i
svrsishodnu interakciju elemenata te dovode do starenja i na poslijetku uništenja sustava.
7. Načelo ravnoteže. Svi sustavi teže stanju ravnoteže.
8. Načelo regulacije. Za ostvarenje zadanih ciljeva i održavanje stabilnosti rada sustava
24
nužno je uspostavljanje i djelovanje mehanizama povratne veze.

9. Načelo hijerarhije. Sustav se promatra kao element nekog većeg sustava, a istovremeno
se i sam se sastoji od podsustava.
10. Načelo ekvifinaliteta: Do istog konačnog stanja sustava (ostvarenja ciljeva) može se
doći na različite načine.
11. Načelo specijalizacije (podjele rada). Elementi i podsustavi složenih sustava se
diferenciraju i specijaliziraju za obavljanje pojedinih funkcija a potom se integriraju u
novu strukturnu i funkcionalnu cjelinu.
12. Načelo evolucije i samoorganizacije: Složeni adaptivni sustavi (engl. Complex
Adaptive Systems) mogu se razvijati prema složenijoj organizaciji samo ako u sustavu
postoji višak slobodne energije. Također mogu održavati dinamiku stabilnog stanja, ako je
protok energije kroz sustav konstantan ili mogu početi propadati ako se tijek energije
zaustavi ili smanji.
13. Načelo akumulacije znanja. U razvoju i djelovanju složenih adaptivnih sustava se
uspostavlja kontinuirani protok informacija i stvara se novo znanje.
14. Načelo znanstvene spoznaje. Dobar model sustava u sebi sadrži značajke i zakonitosti
svih ostalih sličnih sustava.
15. Načelo samospoznaje. Složeni i adaptivni sustavi mogu samostalno kreirati modele
samospoznaje.
16 Načelo inženjerstva. Struktura i svojstva dinamičkih sustava mogu se poboljšavati
povećanjem intenziteta protoka energije, materijala i informacija. Međutim preveliko
povećanje složenosti može dovesti do nestabilnosti i kolapsa sustava. 25
1.2.4 Struktura tehničkog sustava
26
Blok shema tehničkog sustava

1.2.5 Klasifikacija procesa u tehničkim sustavima

Podjela procesa u tehničkim sustavima
Kriterij podjele Vrsta procesa

A Djelovanje procesa na
transformaciju ulaz/izlaz:
1. tvari (materijalna proizvodnja) 1. procesi promijene 2. procesi 3. procesi pohrane
2. energije (energetika) (pretvorbe) prijenosa (skladištenja)
3. informacija (informatika)
B Međusobna povezanost 1. linearni procesi 2. nelinearni procesi
ulazno/izlaznih varijabli
C Ovisnost parametara procesa 1.vremenski nepromjenljivi 2. vremenski promjenljivi
(stanja sustava) o (stacionarni) (nestacionarni)
vremenskom toku
D Ovisnost varijabli procesa o 1. statički procesi 2. dinamički procesi

vremenskom toku
E Način odvijanja procesa 1. tekući 2. isprekidani 3. pojedinačni
(kontinuirani) (diskontinuirani, (komadni)
šaržni)
F Ovisnost varijabli procesa o 1. usredotočeni 2. raspodijeljeni
prostornim koordinatama (koncentrirani) procesi (distribuirani) procesi
G Stupanj određenosti veza
između ulaznih i izlaznih 1. deterministički procesi 2. stohastički procesi
varijabli 27
• LINEARNI – NELINEARNI (prema međusobnoj povezanosti varijabli);
u1, u2 y1, y2
Primjeri linearnih procesa
Kod linearnih procesa vrijedi princip superpozicije !

28

• VREMENSKI NEPROMJENJIVI – PROMJENLJIVI

(prema ovisnosti parametara procesa o vremenu);
u(t) y(t)
Promjena izlazne varijable kod vremenski nepromjenjivog i

vremenski promjenjivog procesa 29
• STATIČKI – DINAMIČKI
(prema ovisnosti ulaznih i izlaznih varijabli procesa o vremenu);
u(t) y(t)
Veličine i značajke dinamičkih procesa
Naziv veličine i značajke (s objašnjenjem) Oznaka
1. Osnovne dinamičke 1.1. potencijal (pokretačka sila za pretvorbu, gibanje ili E
veličine prijenos): naprezanje, tlak (hidrostatički, dinamički),
visina razine tekućine, brzina strujanja tekućine,
koncentracija otopine, sila, moment, kutna brzina,
električni napon, temperatura.
1.2 protok (brzina prijenosa pohranjivane veličine): protok T
mase, protok molarne mase, snaga, brzina gibanja, jakost
električne struje
1.3 akumulacija (pohranjivana veličina): masa, energija, A
moment količine gibanja, impuls, količina naboja.
2.Izvedene dinamičke 2.1 ubrzanje (prijenosa pohranjivane veličine) U
veličine 2.2 brzina (promjene potencijala) VE
3.Dinamičke značajke 3. 1 koeficijent inercije(mjera promjene potencijala koja će I
izazvati jedinično ubrzanje toka)
3.2 koeficijent otpora (mjera promjene potencijala potrebna R
za jediničnu promjenu toka)
3.3 koeficijent kapaciteta (mjera promjene akumulirane C
veličine uslijed koje će nastupiti jedinična promjena veličine
potencijala) 30

• KONTINUIRANI – ISPREKIDANI DISKRETIZIRANI)

(prema načinu promjene parametara tijekom vremena postojanja procesa);
1. Kontinuirani procesi 2. Diskretizirani procesi

zavisna
z a v is na
va r ija b la
varijabla
vr ije m e
vrijeme
događaj
3. Kontinuirano-diskretizirani procesi
zavisna
varija bla
vrijem e
31
do gađaj
• KONCENTRIRANI – RAZDIJELJENI PARAMETRI

(prema ovisnosti parametara procesa o prostornim koordinatama);
Prostorno koncentrirani procesi Prostorno raspodijeljeni procesi

32

• DETERMINISTIČKI – STOHASTIČKI
(prema stupnju jakosti veza između varijabli procesa);
u(t) y(t)
Vremenski tijek izlazne varijable determinističkih i stohastičkih procesa
33
1.2.6 Faze razvoja tehničkog sustava
Četiri faze u razvoju tehničkog sustava
Primjer praćenja razvoja tehničkog Izvori rizika koji mogu dovesti do kašnjenja u 34
sustava primjenom Gantt-ove sheme realizaciji projekta tehničkog sustava

P2. Modeli i simulacije
2. Modeli i modeliranje
• Definicije modela
• Zadaci modeliranja
• Svojstva modela
• Ocjenjivanje modela
• Osnovne vrste modela

• Modeli u tehničkim sustavima
• Eksperimentalni i teorijski modeli
• Simulacije i simulacijsko modeliranje

1
2.1 Definicije modela
“Model” je ....
• svjesno konstruirana predodžba stvarnosti, oponašanje;

• uzorak, predodžba, obrazac po kojem se nešto planira ili radi;
• nadomjestak nekog konkretnog sustava ili objekta (opreme);
• reprodukcija ili shema (uređaja, stroja, građevine...); za razvoj
objekata ili procesa (povećanih, umanjenih ili u prirodnoj
veličini);
• idealizacija kojom se najčešće uzima u obzir povezanost malog
broja najutjecajnijih čimbenika;
• idealizirani (simbolički) objekt ili koncept u kojem je realnost
prenesena u neki upotrebljiv i razumljiv oblik.

2.1 Definicije modela
“Model” je ....
• zapis kojim se odnosi između procesnih veličina,

geometrijskih i fizikalnih svojstava prostora u kojem se odvija
proces preslikavaju u matematičku strukturu;
• matematičkim simbolima opisana hipoteza o tijeku i
svojstvima promatranog procesa
• pojednostavljeni opis nekih aspekata realnog objekta ili
fizikalnog sustava s namjerom da se obuhvate bitni aspekti
sustava u što je moguće jednostavnijem obliku i da se po
mogućnosti matematički riješe u cilju razumijevanja,
optimizacije, predviđanja ponašanja ili vođenja sustava.
2.2 Zadaci i ciljevi modeliranja

Svrha primjene modela:
• Predodžba ideja, ovisnosti i sl.

• Objašnjenje promjena stanja i procesa
• Uvid u ponašanje nekog sustava
• Predviđanje ili prognoziranje stanja ili ponašanja sustava
• Analiza varijantnih rješenja objekta ili procesa u fazi
projektiranja
• Regulacija rada ili vođenje sustava
• Optimiranje strukture, ponašanja i funkcije sustava – traženje
optimalne varijante. (“optimum” – najpovoljnije u postojećim
uvjetima)
• Skraćenje vremena rješavanja problema nakon postavljanja i
simulacije modela
• Ušteda na eksperimentiranju u realnom svijetu 4

2.3 Modeli tehničkih sustava i procesa
EKSPERIMENTALNI (FIZIČKI) APSTRAKTNI (TEORIJSKI ) MODELI

MODELI
 identifikacija svojstava i tehničkih  (matematičko) modeliranje procesa
karakteristika procesa
 postavljaju se eksperimentom uz mjerenje
 postavljaju se teoretskim
signala ulaza i izlaza stvarnog procesa ili
razmatranjima uz primjenu
njegovog modela;
osnovnih prirodnih zakona
 grešku mjerenja ulaznih i izlaznih veličina očuvanja mase, energije i količine
stvarnog procesa ili njegova modela treba gibanja;
učiniti što manjom (promjenom
parametara ili strukture modela).
OKOLIŠ
SUSTAV
F W>0
Q>0
Granica sustava
F W<0
m = konst.
Q<0 l
6

7
Razvoj i ispitivanje identifikacijskog modela nepoznatog procesa mjerenjem i obradom podataka
EKSPERIMENTALNI MODELI TEORIJSKI MODELI
 zahtijevaju pretpostavljanje strukture  imaju strukturu izgrađenu na temelju

sustava unaprijed (definirana mjerna prirodnih zakona (i eventualno nužnih
mjesta, aktuatori, senzori, ulazna aproksimacija u fazi formalnog
pobuda procesa x(t)) ; zapisa)
 reproduciraju samo veze ulaza i  reproduciraju veze između ulaznih,
izlaza (model tipa “crne kutije”); izlaznih i internih varijabli procesa;
 daju parametre koji su brojčani  imaju parametre izravno povezane s
podaci nepovezani s fizikalnim fizikalnim veličinama, svojstvima
veličinama; materijala i karakteristikama procesa;
 vrijede samo za konkretnu  upotrebljivi su za niz kombinacija
kombinaciju radnih parametara u radnih parametara procesa i slične
konkretnom procesu u kojem je procese (ali često s nepotpunim
izvedeno mjerenje; podacima o veličinama procesa);
8

EKSPERIMENTALNI MODELI TEORIJSKI MODELI
 mogu se postaviti samo na  mogu se postaviti i analizirati u fazi

postojećim uređajima i planiranja i projektiranja procesa ili
postrojenjima; proizvoda ;
 primjenjuju se kad nisu poznati  mogu se primijeniti samo ako su
ili matematički opisivi interni poznati i matematički opisivi svi bitni
procesi u promatranom sustavu; interni procesi;
 jednom pripremljen program za  za novi proces postavljaju se svaki put
prikupljanje i obradu rezultata iz početka i na njih se uobičajeno
mjerenja može se lako i brzo mora utrošiti više vremena za
primijeniti na različite procese. pripremu od pripreme za postavljanje
eksperimentalnih modela.
Obje vrste modela se međusobno nadopunjuju !

9
2.4 Svojstva dobrog modela (kvaliteta modela)
 Preslikavanje: model je uvijek slika izvornika, tj. mora predstavljati

bitne karakteristike izvornika i omogućiti zaključivanje o njegovim
svojstvima.
 Analogija: izvornik i model moraju biti matematički analogni.
 Smanjenje i pojednostavljenje: model mora biti što jednostavniji, jer

je razvoj univerzalnog modela nemoguć, a razvoj prekompleksnog
modela nepraktičan i neekonomičan.
 Pragmatičnost: model mora predstaviti naše znanje o izvorniku u

primjerenom obliku (najrazumljivijem korisniku) na prenosivim
medijima (papir, računalni zapis) primjenom standardnih ispitnih
metoda na fizičkom modelu i uobičajenih numeričkih metoda i
računalnih programa za razradu teorijskog modela.
10

2.4 Svojstva dobrog modela

 Preslikavanje
Primjer raspodjele temperaturnog polja u disku kočnice 1,8 s nakon

naglog kočenja – primjer preslikavanja geometrije kočnice, rubnih i
početnih uvjeta u računalni model 11

 Analogija
L
y
c
F(t) C
m e (t) i
 R
d y 
1 t
m  c y  ky  F ( t ) L
di
 Ri   idt  e ( t )
dt dt C 0
Masa m Indukcija L
Konstanta opruge 1/k analogije
Kapacitet C
Prigušenje c Otpor R
Primjer preslikavanja i analogije mehaničkog i električnog sustava

kao podloge za modeliranje i simulaciju
12


 Smanjenje i pojednostavljenje
3D matematički model 3D matematički model 2D matematički

(1 zub zupčanika) (cijeli zupčanik) model (presjek zuba)
Primjer pojednostavljenja u matematičkom modelu za određivanje

zaostalih (uzdužnih) naprezanja u zupčaniku nakon cementiranja
13
Aerodinamički (fizički)
model vakuumske komore
2D matematički
model vakuumske 3D matematički model
komore vakuumske komore
Primjer izrade matematičkog i fizičkog modela radne komore u

suvremenoj vakuumskoj peći 14

2.5 Planiranje i razrada matematičkog modela
2.6 Definicija problema i modeliranog sustava:
2.7 Formulacija matematičkog modela
2.8 Analiza matematičkog modela
2.9 Računalne simulacije
15
2.5 Planiranje matematičkog modela i simulacije

Faze u definiranju teorijskog modela:
PRISTUP RAZVOJU MODELA
– Izbor procesa ili fenomena za iz početka (ab initio), fenomenološki,
proučavanje (makroprocesi, heuristički, empirički, ...
mikroprocesi, nanoprocesi)
– Preliminarno prikupljanje i analiza
podataka MATEMATIČKI MODEL
– Definicija problema Neovisne varijable
Ovisne varijable (varijable stanja)
Jednadžbe stanja
– Razvoj matematičkog modela procesa Jednadžbe evolucije strukture
– Oblikovanje matematičkog modela u Kinematičke jednadžbe
obliku prikladnom za programiranje Parametri
na računalu Validacija modela
– Validacija modela
– Razvoj i/ili primjena odgovarajućeg SIMULACIJA

numeričkog algoritma Početni i rubni uvjeti
– Pisanje simulacijskog programa Algoritmi i izrada računalnog programa
– Izvođenje računalnog eksperimenta Verifikacija računalne simulacije
– Verifikacija računalne simulacije
Matematičko modeliranje i računalna simulacija procesa u 16
tehničkom sustavu na temelju zakona očuvanja

A. Fenomenološka opažanja, analize i mjerenja promatranog procesa ili cijelog sustava
B. Definicija problema: utjecajne varijable, granice sustava, formalni opis problema
C. Formulacija matematičkog modela (makro i mikro procesi)
D. Analiza osjetljivosti modela na greške (podataka i računanja)
E. Validacija modela (teorijska, eksperimentalna)
Da/Ne Novi: model / definicija / opažanje
F. Računalna simulacija: F.1 Definiranje algoritma

F.2 Pisanje programskog koda
F.3 Provedba simulacije i analiza rezultata
G. Verifikacija i eksperimentalna provjera simulacije
H. Akreditacija modela i simulacije Da/Ne
17
2.6 Definicija problema
Elementi definicije:
 Identifikacija najznačajnijih utjecajnih čimbenika na

rješenje problema (Isikawa dijagrami, Pareto analiza,
logička analiza, ...);
 Opis modeliranog sustava: granice sustava; ulazno/izlazne
varijable; elementi sustava; tokovi informacija, materijala,
energije; klasifikacija procesa
 Formalni opis problema;
 Cilj (hipoteza, svrha) modeliranja
 Plan aktivnosti i kontrolnih točaka rada na modelu
18

2.6.2 Definicija problema – Formalni opis problema

1. Primjer modela procesa obrade odvajanjem čestica
O čemu ovisi kvaliteta obrade
odvajanjem čestica ?
Primjer identifikacije utjecajnih čimbenika na

karakteristike i kvalitetu obrade odvajanjem čestica 19
Definicija problema – Formalni opis problema
Hrapavost površine i parametri obrade
Neke od važnijih iskustvenih spoznaja o utjecaju geometrije alata

na karakteristične veličine procesa obrade odvajanjem čestica 20

Primjer Ishikawa dijagrama kao podloge za sustavni prikaz znanja o

promatranom procesu 21
Primjer definiranja utjecajnih čimbenika na

22
karakteristike i kvalitetu obrade odvajanjem čestica

Identifikacija parametara procesa obrade odvajanjem čestica 23
Primjeri formalnog opisa procesa obrade odvajanjem čestica
24

2.7 Formulacija matematičkog modela
Faze formulacije modela:
I. Izbor matematičkog modela prema vrsti modeliranog sustava i

dinamici procesa ili grupiranju eksperimentalnih rezultata;
II. Sastavljanje cjelovitog matematičkog modela (na temelju
formalnog zapisa modela):
 primijeniti zakone očuvanja: energije, mase, impulsa;
 opis dinamike sustava jednadžbama procesa i stanja;
 kod stohastičkih modela – faktorski plan pokusa.
III. Definiranje kriterija za provjeru suglasnosti izabranog modela s
promatranim sustavom i dinamikom njegovih procesa
 uključiti što više mjerljivih veličina u model;
25
2.7 Formulacija matematičkog modela – standardne pobudne funkcije

 Standardne funkcije uzbude i vremenski odziv tehničkih sustava
x(t) y(t)
26

2.7 Formulacija matematičkog modela – sastavljanje modela
 Elementi matematičkog modela:

•Skupovi (varijabli, koeficijenta, funkcija, operatora);
•Linearni (vektorski) prostori stanja: 1-D, 2-D, 3-D, n-D;
•Funkcije (preslikavanja): , F;
•Operatori (L) : diferencijalni, integralni, mješoviti;
•Operatorske jednadžbe: L (  ) = F
operator odziv(polje) pobuda (izvori, ponori)
skalarna vektorska
•Rubni uvjeti: Dirichletovi, Neumannovi, mješoviti, Cauchyjevi;

•Jednadžbe stanja, jednadžbe procesa. 27
Varijable (veličine) i koeficijenti (značajke) u jednadžbama procesa u tehničkim sustavima

Naziv veličine i značajke (s objašnjenjem) Oznaka
1. Osnovne dinamičke veličine 1.1. potencijal (pokretačka sila za pretvorbu, E
gibanje ili prijenos): naprezanje, tlak
(hidrostatički, dinamički), visina razine tekućine,
brzina strujanja tekućine, koncentracija otopine,
sila, moment, kutna brzina, električni napon,
temperatura.
1.2 protok (brzina prijenosa pohranjivane T
veličine): protok mase, protok molarne mase,
snaga, brzina gibanja, jakost električne struje
1.3 akumulacija (pohranjivana veličina): masa, A
energija, moment količine gibanja, impuls,
količina naboja.
2.Izvedene dinamičke veličine 2.1 ubrzanje (prijenosa pohranjivane veličine) U
2.2 brzina (promjene potencijala) VE
3.Dinamičke značajke (koeficijenti) 3. 1 koeficijent inercije (mjera promjene I
potencijala koja će izazvati jedinično ubrzanje
toka)
3.2 koeficijent otpora (mjera promjene potencijala R
potrebna za jediničnu promjenu toka)
3.3 koeficijent kapaciteta (mjera promjene C
akumulirane veličine uslijed koje će nastupiti
jedinična promjena veličine potencijala)
28


Varijable (veličine) i koeficijenti (značajke) u jednadžbama
procesa u tehničkim sustavima:
a) Osnovne veličine:
• akumulacijske (pohranjivane) veličine (A),
• veličine tijeka (protoka, strujanja) (T)
• potencijalne veličine ( E );
b) Izvedene veličine:
• brzina (VE = dE/dt)
• ubrzanje (U = dT/dt)
c) Dinamički koeficijenti:
• koeficijent kapaciteta (C),
• koeficijent otpora (R), Dinamički kvadrat
(“kvadrat stanja’’) 29
• koeficijent inercije ( I ).

Izvori jednadžbi matematičkog modela:
1. Zakoni očuvanja:
2. Konstitutivne jednadžbe (jednadžbe stanja);

3. Jednadžbe procesa izvedene na temelju ‘’kvadrata stanja’’:
•Newtonov zakon
•Fourierov zakon
•Fickov zakon
•Ohmov zakon
30

2.8 Validacija (vrednovanje) modela

• Točnost modela
– Koja je točnost podatka prihvatljiva?
– Da li su podaci izraženi u istom sustavu mjernih jedinica?
– Kakva je propagacija pogrešaka (računanja i zaokruživanja)?
• Stabilnost modela
– Kako se model ponaša u graničnim i ekstremnim situacijama?
– Kako model prihvaća standardne promjene vrijednosti podataka?
– Kako model prihvaća slučajne smetnje i šumove?
• Upotrebljivost modela
– Je li model upotrebljiv u praksi?
– Je li za to dovoljno precizan ili je previše pojednostavljen?
– Pretskazuje, što trebamo a što imamo?
• Smislenost modela
– Je li model sukladan s prije poznatim djelovanjima i zakonitostima?
– Ako nije - zašto:
• pogrešni podaci ?
• pogrešna interpretacija modela ?
31
• pogrešna “znana djelovanja i zakonitosti”?
2.9 Simulacijsko modeliranje
OPIS RAZVOJ RAČUNALNA

FENOMENA MODELA SIMULACIJA
Procesa,
Objekta,
Sustava
Logika,podaci, Metode, računalni

znanje jezici i programski alati
32

2.9.1 Definicije simulacije
“Simulacija” je:
 oponašanje stvarnih pojava u svrhu njihova ispitivanja koje se
obavlja se na modelima zbog jednostavnije, jeftinije, sigurnije ili
jedino moguće izvedbe;
 tijek specijalnog programa, kojeg je rezultat vremenski odziv
modela i opis ponašanja modeliranog procesa;
 metoda, koja omogućuje proučavanje ponašanja sustava
eksperimentiranjem na prikladnom modelu u realnom,
skraćenom ili produljenom vremenu;
 metoda, koja omogućuje zamjenu realnog procesa s
jednostavnim i jeftinim računalom, na kojem je moguće
eksperimentiranje bez rizika uz ilustrativne rezultate.
33
2.9.2 Simulacijsko modeliranje

Ne postoji jedinstvena, ”jaka” definicija simulacijskog modeliranja.
Jedna od mogućih definicija glasi:
“Simulacijsko modeliranje predstavlja širok skup aktivnosti vezanih uz
izgradnju modela nekog realnog sustava i ostvarenje simulacije
njegovog ponašanja i svojstava - uobičajeno primjenom računala”.
Metode
Problemi
Determinističke Stohastičke
Deterministički Numerička analiza Monte Carlo metoda
Stohastički Proračun vjerojatnosti Simulacijske tehnike
Primjer popularnih komentara vezanih uz simulacijsko modeliranje:

“You Cannot Study a System by Stopping It”
 dinamičke sustave nužno je promatrati u gibanju;
“Run it again.”
 stohastički sustavi zahtijevaju planiranje pokusa i ponavljanje simulacija;
“Is that some kind of game you’re playing?”
 simulatori leta zrakoplova, dugometražni filmovi, računalne igre, ...
34

Prednosti: Nedostaci:
• provjera modela u kratkom • simulacija ne može dati

vremenu; točne rezultate ako su ulazni
podaci pogrešni;
• primjena specijaliziranih
računalnih programa - ne • rješenja složenih problema
zahtijeva se visokostručno uobičajeno su složena;
znanje numeričkih metoda i
• simulacija ne može
programiranja
otkloniti problem, već samo
• jednostavna (vizualna, ukazati na njegovo rješenje.
animacijska) demonstracija
modela.
35
• Dobar računalni znanstvenik trebao bi imati neke od sljedećih

sposobnosti (kompetencija i vještina):
– Teorijski razviti nove pristupe i rješavati nove probleme;
– Primijenjeni matematičar, sposoban prevesti teoriju u
matematički oblik prikladan za razvoj na računalu;
– Računalni znanstvenik/programer treba napisati novi kod ili
promijeniti postojeći u skladu s stanjem softvera i hardvera;
– Eksperimentator treba biti sposoban odabrati i definirati
bitan dio tehničkog sustava za eksperimentalnu validaciju
modela;
Vrlo zahtjevne zadaće!

36

Analogija između provedbe laboratorijskog pokusa i računalne simulacije
Računalna simulacija
Laboratorijski pokus (računalni pokus)
• uzorak • matematički model

•laboratorijska oprema i uređaji •računalni program
•kalibracija uređaja i metode ispitivanja •testiranje programa
•ispitivanja i mjerenja •provedba simulacije
•analiza podataka •analiza podataka
37
2.9.3 Izbor računalnog programa i provedba simulacije
Razine matematičkog modeliranja

Metoda konačnih elemenata
3 D matematički modeli Metoda rubnih elemenata
Hibridne metode
Metoda kontrolnih volumena

2 D matematički modeli
Metoda konačnih diferencija
1 D matematički modeli Analitičke metode
Računalni programi
- opći matematički programi: MathCad, ...
- matematički programi s programskim jezikom i ‘radnim alatima’: Matlab, Scilab, Mathematica...
- FEM programi: Comsol Multiphysics, Sysweld, Ansys, Abacus, FreeFEM, ...
- BEM, FDM, FVM programi
38

2.9.3 Izbor računalnog programa i provedba simulacije
 Metoda konačnih
diferencija,
 Metoda kontrolnih
volumena,
 Metoda konačnih
elemenata,
 Metoda rubnih elemenata,
 Hibridne metode. ARe , AIe = f(
Aek+1 Aek
Le
k+1 k k+1 k
l
Le
y y Aek-1
k-1 k-1
x x
 39
2.9.4 Faze razvoja i provedbe računalne simulacije
1. Definicija simulacijskog algoritma primjerenog rješavanom problemu:

1.a – Definiranje vrste i povezanosti modeliranih fizikalnih procesa
1.b - Definiranje geometrijskih područja modela,
1.c - Definiranje jednadžbi simuliranih procesa i njihove povezanosti,
1.d - Zadavanje materijala u geometrijskih domenama,
1.e - Zadavanje rubnih i početnih uvjeta;
2. Diskretizacija geometrijskih domena, pridruživanje svojstava materijala i
koeficijenata volumenima ili čvorovima elemenata
3. Proračun karakterističnih matrica elemenata,
4. Objedinjavanje matrica elemenata u globalnu matricu mreže,
5. Dodjeljivanje rubnih uvjeta i vektora izvora/ponora polja u globalnu matricu
mreže,
6. Rješavanje globalne matrične jednadžbe za sve čvorove ili elementarne
volumene mreže numeričkim metodama,
7. Proračun sekundarnih i kontrolnih varijabli modela,
8. Prikaz i analiza rezultata proračuna. 40

2.9.5 Simulacijski algoritam

Primjer algoritma za rješavanje kvadratne jednadžbe zapisan u pseudo kodu
Učitaj: a,b,c
𝑎𝑥 + 𝑏𝑥 + 𝑐 = 0 Ako je a  0 onda
d  𝑏 − 4𝑎𝑐
−𝑏 ± 𝑏 − 4𝑎𝑐 Ako je d > 0 onda

𝑥 , = x1 
2𝑎
x2  ( )
Ispiši tekst: „Rješenja su”, x1, x2
Inače
Ako je d = 0 onda
−𝑏
𝑥=
2𝑎
Ispiši tekst: „Dvostruko rješenje je”, x
Inače
x1  (− +𝑗 )
x2  (− −𝑗 )
Ispiši tekst: „Rješenja jednadžbe su kompleksni brojevi ”, x1, x2
Inače
Ako je b  0 onda
x
Ispiši tekst: „Dvostruko rješenje je”, x
Inače
Ako je c = 0 onda
Ispiši tekst: „Rješenja su svi realni brojevi”
Inače 41
Ispiši tekst: „Nema rješenja”
2.9.6 Verifikacija simulacije

Konkretni
problem (realni
sustav i procesi)
Primjena rješenja Razrada
teorijskog modela
Validacija modela kao „bijele kutije”
Validacija modela kao „crne kutije”
Rješenje modela i Teorijski model

tumačenje Validacija
(koncepcijski i
rezultata podataka
formalni)
Programiranje
Eksperimentalna simulacijskog algoritma
provjera rješenja
Simulacijski
model
42
Validacija modela i verifikacija simulacije

P3. Analitičko modeliranje
3. ANALITIČKO MODELIRANJE
3.0 Karakteristike analitičkog modeliranja
3.1 Modeliranje ugrijavanja toplinski dobro vodljivog tijela
3.2 1D model provođenja topline
3.3 1D model pogljičavanja čelika
3.4 1D model nitriranja čelika
3.0 Karakteristike analitičkog modeliranja
- Analitičko modeliranje je postupak definiranja matematičkih jednadžbi

stanja sustava i dinamike procesa.
- Objekt promatranja može biti stvarni sustav ili proces, ali i njihove
idealizacije u obliku asimptotskih ili integralnih matematičkih modela.
- Izbor analitičkog matematičkog modela ovisi o vrsti modeliranog sustava i
dinamici procesa u sustavu;
- Za sastavljanje analitičkog matematičkog modela u pravilu se primjenjuju
zakoni očuvanja, jednadžbe kinetike procesa i stanja sustava.
- Točnost analitičkog matematičkog modela može se odrediti jedino
usporedbom izračunatih i eksperimentalnih vrijednosti istraživanih
parametara (proračun koeficijenata podudarnosti).

Primjeri procesa usredotočenih u prostoru:
- Procesi pohranjivanja mase (spremnici tekućina,

plinova i para);
- Procesi strujanja fluida (strujanja kroz cjevovode ili
parovode, strujanje iz sapnica, strujanje taline kroz
ulijevni sustav kalupa)
- Procesi zagrijavanja ili hlađenja toplinski dobro
vodljivih tijela (Bi < 0,5);
- Toplinski procesi u mješalištu fluida;
- Kemijske reakcije;
- Gibanja čestica, tijela, mehanizama i strojnih
elemenata;
- Provođenje električne struje, strujni krugovi i sklopovi;
- Elastično i elasto-plastično jednodimenzijsko
deformiranje materijala;
- Mikrostrukturne fazne pretvorbe u kontrolnom
volumenu materijala.
Primjeri procesa raspodijeljenih u prostoru:
- Transport rasutog materijala;

- Procesi strujanja i nastrujavanja fluida uz stjenke
čvrstih tijela s/bez izmjene topline;
- Procesi provođenja i prijelaza topline uz raspodjelu
temperature (1D, 2D, 3D);
- Procesi izmjene topline i mase u izmjenjivačima i
kemijskim reaktorima;
- Širenje valova i oscilacija;
- Prostiranje i absorpcija elektromagnetskih polja;
- Isparivanje, naparivanje i kondenzacija čestica i para;
- Nukleacija i izlučivanje kristala iz taline (otopine), rast
zrna;
- Difuzijski procesi (pougljičavanje, nitriranje,
boriranje,...);
- Elastično i elasto-plastično deformiranje strojnih
dijelova, alata, naprava ili predmeta (1D, 2D, 3D);
- Puzanje, lom i umor materijala;
- Korozijski procesi.

3.1 Modeliranje ugrijavanja toplinski dobro vodljivog tijela

– primjer modeliranja grijanja temperaturne sonde
ULAZNE IZLAZNE
KARAKTERISTIKE KARAKTERISTIKE
- OBRADAK - vrijeme ugrijavanja (tgr)

- najveća razlika temperatura
po presjeku obratka (max),
- mikrostruktura (%A),
- veličina austenitnih zrna,
- toplinska naprezanja (ij),
- kemijski sastav, struktura - utrošena snaga peći (P), ...
Procesi ugrijavanja su:
- PEĆ
- nelinearni (ali mogu se
- POSTUPAK linearizirati srednjim
vrijednostima svojstava na
zadanom intervalu temperatura),
- nestacionarni,
- kontinuirani ili kontinuirano-
diskretizirani,
- prostorno koncentrirani za
obratke sa značajkom Bi<0,5.
Pojednostavljeni prikaz tehničkog sustava „peć-obradak“ s utjecajnim varijablama i

parametrima procesa na vrijeme ugrijavanja obratka

Primjeri formalnog opisa problema određivanja vremena austenitizacije:
tgr = ft( , V/A, , , c, a, peć, zav , ...) .... formalni zapis funkcije za proračun vremena ugrijavanja
Termodinamički model ugrijavanja toplinski dobro vodljivog tijela
d As
   

cV
dt
... vremenska konstanta

Analitički oblik funkcije tgr za toplinski dobro vodljiva tijela određene prema metodi Newton:
c, , = f() !!
 = f(, p, q, V/A) !!
Podloge za analitički proračun vremena zagrijavanja sonde  12,5x66 mm od

čelika Inconel 600
c, , = f()
 = f(,V/A, ...)

1. način proračuna tgr 2. način proračuna tgr

- ugrijavanje kao kontinuirano-diskretizirani proces - ugrijavanje kao kontinuirani proces
pec = 850 oC
pec,5 = 850 oC
800
800 pec,4 = 800 oC
Temperatura, oC
Temperatura, oC
600
600 pec,3 = 600 oC
400
400 pec,2 = 400 oC
200
200 pec,1 = 200 oC t2 t3 t4 t5
 t2  t3 t4  t5
t1
t1 Vrijeme, s
Vrijeme, s t2=t1+t2
t2=t1+t2
t3=t2+t3 t3=t2+t3
t4=t3+t4 t4=t3+t4
t5=t4+t5
t5=t4+t5
- ugrijavanje kao kontinuirano-diskretizirani proces - ugrijavanje kao kontinuirani proces
1. algoritam proračuna tgr 2. algoritam proračuna tgr

Rezultati prema 1. načina proračuna tgr: Rezultati prema 2. načinu proračuna tgr:
Zaključak:
- vrijeme zagrijavanja je nerealno velikih vrijednosti, - vrijeme zagrijavanja je veće od očekivanog, ali
nije predugačko,
- tijek krivulje promjene temperature ne odgovara
procesu zagrijavanja u peći. - tijek krivulje promjene temperature odgovara
zagrijavanju u peći.
Promjena temperature u središtu mjerne sonde  12,5x66 mm od Inconel-a 600 određena

analitičkim modelom prema Newtonovoj metodi prema 1. odnosno 2. algoritmu proračuna
Ugrijavanje mjerne sonde u komornoj peći
Korekcija drugog algoritma proračuna tgr povećanjem koeficijenta prijelaza topline za faktor 3,25,
a=[23 35 48 75 90 125 150 162].*3,25;
daje vrijednosti vremena ugrijavanja

(tgr) slične eksperimentalno
određenim iznosima.
Eksperimentalna verifikacija promjene T=f(t) pri ugrijavanju sonde

, oC 100 200 300 400 500 600 700 800 850
tgr,rač, s
tgr,exp, s

3.2 Modeliranje provođenja topline – 1D model
Fourierov zakon
+ Fourierov zakon
+ početni uvjet:
+ rubni uvjeti:

Utjecaj izbora rubnih uvjeta na rješenje jednadžbe provođenja topline
Rješenje = f (rubni uvjeti, početni uvjeti)

1D model zagrijavanja “polubeskonačnog tijela”
- rubni uvjet III. vrste
Rješenje
Primjena
- rubni uvjet II. vrste


Primjena 1D modela zagrijavanja i hlađenja “polubeskonačnog tijela” na

površinsko kaljenje laserskim snopom

Primjer
3.3 1D 1.model
Jednodimenzijski analitički
pougljičavanja model pougljičavanja u plinskoj atmosferi
čelika
ULAZNE IZLAZNE
- vrijeme ugrijavanja (tgr)
OBRADAK
- %C = f(x,y,z),
- %C, %L.E. - efektivna dubina
- koeficijent difuzije ugljika (DC), pougljičavanja (CHD),
- oblik obratka, - ukupna dubina

pougljičavanja,
- volumen (V), ploština (A), ... KARAKTERISTIKE - veličina austenitnih zrna,
PROCESA
- utrošena snaga peći (P),
PEĆ ZA POUGLJIČAVANJE - C-potencijal atmosfere,
- utrošena količina plinova za
- aktivni medij za pougljičavanje, - %C na površini čelika, pougljičavanje, ...
- sastav plinske atmosfere ili kupke, - temperatura pougljičavanja,
- postupak pougljičavanja, - vrijeme pougljičavanja, Proces pougljičavanja je:
- vremenska konstanta regulacije, - režim grijanja, - nelinearan,
- raspored temperature u peći, - broj obradaka , - nestacionaran,
- instalirana snaga peći, ... - kontinuiran.

- raspored obradaka, ....
3.3.1 Definicija modela pougljičavanja u plinskoj atmosferi

ULAZNE IZLAZNE
- tgr =?
OBRADAK - %C = f(x),
- ugljični čelik s Cj = 0,2 %C - CHD= 0,8 + 0,4 mm
- koeficijent difuzije ugljika (DC),
- valjak  20x100 mm,
PEĆ ZA POUGLJIČAVANJE
KARAKTERISTIKE PROCESA
- plinska atmosfera: - Cpot = 1,15 %C,
CO, CO2, H2, H2O, - CR = 0,8 %C
- Carbomaag postupak, - C = 920 oC,
- koeficijent prijelaza ugljika (s - tc = 2 – 6 h,
plinske atmosfere u površinu
čelika): = 2,6*10-3 mm/s - kontinuirano grijanje na C,

3.3.2 Razrada 1D analitičkog modela pougljičavanja u plinskoj atmosferi
%C = f (Cj, DC, C, , Cpot, CR, tC) = ?
Matematički model pougljičavanja

II. Fickov zakon:
(1)
rubni uvjeti:
a) na granici plinska atmosfera – čelik:
(2)
b) u jezgri (difuzija u polubeskonačno tijelo):

(3)
%C = f (Cj, DC, C, , Cpot, CR, tC) = ?
Rješenjem jednadžbe (1) za rubne uvjete (2) i (3) dobiva se

analitički izraz (4) za ugljične čelike
(4)
Difuznost ugljika u austenitu određuje se jednadžbom (5)
(5)
T, temperatura, K
Za praktičnu primjenu još je važnije poopćenje modela (4) na legirane čelike
koje se izvodi uvođenjem termodinamičke aktivnosti ugljika u čeliku aC umjesto
%C. Pri tome matematička forma jednadžbe (4) ostaje nepromijenjena.

aC = f (Cj, DC, C, , Cpot, CR, tC) = ?
(6)
aC  aR  x 
 erf  
a j  aR  2 Dt 
(5)
(7)
(8)
3.3.3 Rezultati 1D simulacije pougljičavanja čelika u plinskoj atmosferi

Rezultati proračuna
Rezultati 1D simulacije ovisnosti

termodinamičke aktivnosti ugljika (ac) i
udjela ugljika (%C) o udaljenosti od
- %C = f(x), površine (x) tijekom pougljičavanja čelika
C20 na 920 oC za različita vremena
- Eht = 0,8 + 0,4 mm
pougljičavanja (M. Rakvin, FSB, 2009.)
 tC = 4 ... 5 h

3.4 Modeliranje nitriranja čelika

Dijagram stanja Fe-N
Primjer jednodimenzijskog modela difuzije N u
“polubeskonačno tijelo” sa stvaranjem površinskog sloja
Rezultati

P4. Modeliranje dimenzijskom analizom
4. MODELIRANJE PRIMJENOM DIMENZIJSKE ANALIZE
4.1 Primjena dimenzijske analize
4.2 Buckingh-ov teorem i teorem sličnosti
4.3 Postupak određivanja bezdimenzijskih veličina
4.4. Bezdimenzijska analiza toplinskih deformacija
4.5 Bezdimenzijska analiza proizvodnih postupaka
4.1 Primjena dimenzijske analize
Inženjerski problemi pogodni za primjenu dimenzijske analize:
traženje kriterijskih veličina sličnosti (bezdimenzijske

značajke) za eksperimentalna istraživanja na fizičkim
modelima,
pomoć pri izboru plana pokusa,
otkrivanje numeričkih pogrešaka nastalih zbog dimenzijske
nehomogenosti jednadžbi,
određivanje koeficijenata za preračunavanje jedinica iz
jednog mjernog sustava u drugi,
postavljanje matematičkih modela, koji se ne mogu riješiti
analitičkim metodama.

4.2 Buckingh-ov teorem i teorem sličnosti

Ako između fizikalnih veličina ai (i = 1,2,3,...,n) postoji zavisnost definirana
implicitnom jednadžbom (1)
(1)
f(a1, a2, a3, ..., an) = 0
onda se između ovih veličina može postaviti nova jednadžba oblika
F(1, 2, 3, ..., m) = 0 (2)
u kojoj varijable j (j = 1,2,3,...,m) predstavljaju bezdimenzijske veličine,

izvedene iz veličina ai (i = 1,2,3,...,n).
Mjerne jedinice (dimenzije) fizikalnih veličina ai u jednadžbi (1) sastavljene su

od r primarnih (osnovnih) mjernih veličina SI-sustava mjera.
L (duljina), T (vrijeme), M (masa),  (temperatura), ...
r 3
4.2.1 Buckingh-ov teorem
Buckingh-ov teorem: Svaka jednadžba koja opisuje neko fizikalno stanje ili
proces mora biti dimenzijski homogena.
tj.
Ako funkcija (1) sadrži n dimenzijskih veličina ai, koje su izmjerene

pomoću r osnovnih mjernih jedinica, tada se dimenzijskom analizom može
definirati
m = n-r (3)
nezavisnih bezdimenzijskih veličina j

4.2.2 Teorem sličnosti
Implicitnu jednadžbu (2) može se zapisati u eksplicitnom obliku (4)
m = (1, 2, 3, ..., m-1) (4)
Teorem sličnosti: Dva procesa, koji se mogu opisati istom -funkcijom,

međusobno su slični, ako su opisani pomoću istih m-1
bezdimenzijskih veličina
Opći uvjeti sličnosti:
1. Slični procesi moraju biti kvalitativno slični, tj. moraju biti slične
fizikalne prirode i moraju biti opisani diferencijalnim jednadžbama
sličnog oblika;
2. Uvjeti jednoznačnosti sličnih procesa moraju biti slični u svim odnosima,
ali numeričke vrijednosti konstanti sličnih procesa ne moraju biti
numerički iste;
3. Bezdimenzijske značajke sličnih procesa moraju biti numerički iste.
5
4.3 Postupak određivanja bezdimenzijskih veličina

Osnovne i dopunske Br Osnovna veličina Simbol Mjerna Dimenzijski

jedinica simbol
mjerne veličine SI sustava 1. Duljina l metar (m) L
2 Masa m kilogram (kg) M
3 Vrijeme t sekunda (s) T
4 Jakost električne struje I amper (A) I
5 Termodinamička temperatura T kelvin (K) 
6 Jakost svjetlosti I kandela (cd) J
7 Množina (količina) tvari n mol (mol) N
8 Kut u ravnini , radijan (rad) 
9 Prostorni kut  steradijan (sr) 
r Osnovna veličina Simbol Mjerna Dimenzijski

Primjeri dimenzionalnih jedinica simbol
veličina izvedenih iz 1. Brzina v m/s LT-1
2 Ubrzanje a m/s2 LT-2
osnovnih SI veličina 3 Gustoća  kg/m3 ML-3
4 Sila F N (kg m / s2) MLT-2
5 Hidrostatički tlak p N/m2 ML-1T-2
6 Mehanički rad W J (Nm) ML2T-2
7 Snaga P J/s (Nm/s) ML2T-3
8 Električni potencijal E V ML2A-1T-3
r Osnovna veličina Simbol Mjerna Osnovni Prošireni

Primjeri anizotropno jedinica dimenzijski dimenzijski simbol
raspodijeljenih dimenzionalnih simbol
veličina izvedenih na temelju 1. Površina A m2 L2 LxLy
2. Volumen V m3 L3 LxLyLz
proširenja sustava osnovnih SI 3 Brzina v m/s LT-1 LiT-1
veličina ( i = x,y,z) 4 Gustoća  kg/m3 ML-3 Mm Lx-1 Ly-1 Lz-1
5 Sila inercije Fi N MLT-2 MjLiT-2
6 Toplinska  W/mK LMT-3-1 Lx Ly-1/3Lz-1/3MiT-3-1
5/3
vodljivost
7 Toplina Q J L2MT-2 Lx 2/3Ly2/3Lz2/3MjT-2

4.3.1 Primjer - dimenzijska analiza putanje zrna

Domet topovskog zrna s ovisi o
početnoj brzini zrna v0, kutu
topovske cijevi , visini brda h i
gravitaciji g.
Primjenom dimenzijske analize
treba odrediti bezdimenzijske
parametre  i njihovu međusobnu
zavisnost F(1, 2, ...), prema
jednadžbi kosog hica.
10

11
4.3.2 Dimenzijska analiza otpora strujanju fluida
12

13
14

4.3.3 Dimenzijska analiza brzine taloženja kapljica
15
16

4.3.4 Primjer – Prijelaz topline na površini nastrujavanoj stlačenim plinom
17
4.3.5 Primjer – Prijelaz topline na površini nastrujavanoj stlačenim plinom

Bezdimenzijski model za proračun srednjeg
koeficijenta prijelaza topline na čelu ispitne epruvete
Vakumska komora za ispitivanje prokaljivosti

alatnih čelika gašenih u plinovima (IWT- Bremen)
18

Specimen's
1000 holder
Steel grade Still N2
EN-90MnCrV8
Ceramic
800 tube
t8/5 Specimen
Temperature, oC
600
0.3 mm
qe
400
End-cooling with N2
p = 3 bar, v = 70 m/s
200
Recored cooling curve

Simulated cooling curve
0
0 200 400 600
Time, s
19
4.4. Bezdimenzijska analiza toplinskih deformacija

4.4.1 Postavljanje modela
Problem: Predviđanje promjene srednje duljine valjaka od austenitnog

čelika X8CrNiS18.9 prilikom hlađenja s temperature žarenja 850 20
oC (tj. traženje modela toplinskih deformacija)

4.4.1 Postavljanje modela
21
4.4.2 Postavljanje modela s primjenom bezdimenzijske analize
22

? 23
4.4.3 Planiranje računalnih simulacija
24

4.4.4 Rezultati računalnih simulacija i regresijska analiza rezultata
25
1
95% confidence bounds
Relative change in length calculated by
2
R = 0,9474 0,8
regression model [µm/mm]
0,6
0,4
0,2
0
-0,6 -0,4 -0,2 0 0,2 0,4 0,6 0,8 1
-0,2
-0,4
-0,6
Relative change in length calculated by simulation
[µm/mm]
26

4.5 Bezdimenzijska analiza proizvodnih postupaka
Primjer – Slobodno kovanje valjka
b) Stvarno sabijanje
a) Idealno sabijanje
27
M: a1 + a2 + a3 + a4 + a5 = 0 (1)
L: a1 - a2 - a3 - a4 - a5 + a6 + a7 = 0 (2)
T: -2a1 - 2a2 - 2a3 - 2a4 - 2a5 = 0 (3)
28
= konst. (za isti materijal)

P5. Numeričko modeliranje
5. NUMERIČKO MODELIRANJE
5.1. Numeričke metode
5.2 Metoda konačnih razlika (MKR)
5.3 Metoda konačnih volumena (MKV)
5.4 Metoda konačnih elemenata

5.4.1 Osnovni tipovi konačnih elemenata
5.4.2 Formulacije konačnog elementa
5.5 FEM računalni sustav “COMSOL Multiphysics”
5.6 FEM računalni sustav “ABAQUS”
5.7. FEM računalni sustav “Sysweld”
5.8. Razine primjene numeričkog modeliranja

1
5.1 Numeričke metode
1. Metode linearne aproksimacije - primjenjuju se za pojednostavljenje

nelinearnih jednadžbi procesa (npr. običnih diferencijalnih jednadžbi)
koje se ne mogu riješiti egzaktnim analitičkim metodama ili su analitička
rješenja previše složena za primjenu.
Primjer: metoda tangentne aproksimacije (linearizacije) jednadžbe oko
ravnotežnog stanja procesa. Polazna nelinearna jednadžba procesa f(x)
razvija se u Taylorov ili Mac-Laurinov red linearnih funkcija i odbacuju
se svi viši (nelinearni) članovi reda.
a) Mac-Laurinov red:
𝑓 𝑥 =𝑓 0 +𝑓 0 + 𝑓 0 + 𝑓 0 +⋯
! !
b) Taylorov red:
𝑥−𝑥 𝑥−𝑥
𝑓 𝑥 =𝑓 𝑥 + 𝑥−𝑥 𝑓 𝑥 + 𝑓 𝑥 + 𝑓 𝑥 +⋯
2! 3!
D. Landek: Modeliranje i simulacije, FSB,

2021 1
2. Numeričke metode za rješavanje algebarskih jednadžbi - primjenjuju se za

rješavanje jednadžbi prikazanih u obliku neprekidne realne funkcije f(x)
definirane na zatvorenom intervalu [a, b] na kojem postoji samo jedno
rješenje
f(x) = 0 (1)
Primjer: Newtonova metoda tangenti u kojoj se pretpostavlja da je
promatrana nelinearna realna funkcija f(x) zajedno sa svojom prvom f’(x)
i drugom f’’(x) derivacijom neprekidna na cijelom intervalu [a, b]. Tada
se u okolini nultočke [a, b] polazna nelinearna funkcija f(x) razvija u
Taylorov red i zanemaruju se svi članovi reda viši od prvog.
𝑓 𝑥 =𝑓 𝑥 + 𝑥−𝑥 𝑓 𝑥 (2)
Ovim se nelinearna funkcija f(x) u intervalu [a, b] zamjenjuje linearnom

funkcijom fi(x) definiranom izrazom (2). Graf funkcije fi(x) je tangenta
na funkciju f(x) u točci xi-1 te se umjesto rješavanja jednadžbe (1)
rješava linearna jednadžba (3)
𝑓 𝑥 =0 (3)
3
Uz početnu pretpostavku da je x0 = b prvo rješenje jednadžbe (3) označit će se s x1:
𝑓 𝑥
𝑥 =𝑥 −
𝑓 𝑥
(4)
Postupak traženja rješenja se

iteracijski ponavlja primjenom
rekurzivne formule (5) dok se
postigne zadana točnosti rješenja.
𝑓 𝑥
𝑥 =𝑥 − n = 0, 1, 2, ... (5)
𝑓 𝑥
Traženje nultočke funkcije f(x) Newtonovom

metodom tangenti
4

2021 2
3. Metode numeričke derivacije primjenjuju se kad za „zadanu“ funkciju f(x)

treba naći njenu prve, druge ili više derivacije u zadanoj točci xk
a) prva konačna razlika unaprijed (engl. Forward Finite Difference)
𝑓 𝑥 = +𝑂 ℎ (6)
b) prva konačna razlika unazad (engl. Backward Finite Difference)
𝑓 𝑥 = +𝑂 ℎ (7)
c) prva centralna konačna razlika (engl. Central Finite Difference)
𝑓 𝑥 = +𝑂 ℎ (8)
5
razlika unaprijed razlika unazad centralna razlika
4. Metode numeričke integracije primjenjuju se u svim slučajevima u kojima

nije moguće analitički izračunati primitivnu funkciju F za zadanu funkciju
f pod integralom.
Primjer. numerička integracija trapeznim pravilom na zatvorenom
intervalu a, b. Funkcija f se interpolira polinomom prvog stupnja P1(x)
koji prolazi kroz čvorove interpolacije x0 = a i x1 = b. Graf funkcije P1(x)
je pravac kroz točke T0(a, f(a)) i T1(b, f(b)).
𝑓 𝑏 −𝑓 𝑎
𝑃 𝑥 =𝑓 𝑎 + 𝑥−𝑎 (9)
𝑏−𝑎
Aproksimacijska vrijednost integrala I1(f)

određuje se trapeznom formulom
𝑏−𝑎
𝐼 𝑓 = 𝑃 𝑥 𝑑𝑥 = 𝑓 𝑎 +𝑓 𝑏 (10)
2
Numerička integracija trapeznim pravilom 6

2021 3
5. Numeričko rješavanje običnih diferencijalnih jednadžbi (ODE) primjenjuje

se u svim slučajevima u kojima diferencijalnu jednadžbu nije moguće
riješiti analitičkim metodama ili je rješenje previše složeno.
Numeričkim metodama se traže rješenja za dvije osnovne vrste ODE:
1) obične diferencijalne jednadžbe s početnim uvjetima (nezavisna
varijabla je vrijeme)
2) obične diferencijalne jednadžbe s rubnim uvjetima (nezavisna varijabla
je prostorna koordinata).
a) b)
Shematski prikaz traženja rješenja kod običnih diferencijalnih jednadžbi s:
7
a) početnim uvjetima, b) rubnim uvjetima
6. Numeričko rješavanje parcijalnih diferencijalnih jednadžbi (PDE) koje predstavljaju

posebnu skupinu diferencijalnih jednadžbi s dvije ili više nezavisnih varijabli. Red
PDE određen je najvišom derivacijom prisutnom u jednadžbi. PDE su linearne ako
nepoznate funkcije, njihove derivacije i koeficijenti ovise samo o nezavisnim
varijablama. Zbog širine i važnosti u primjeni posebno se ističu linearne PDE
drugog reda:
𝜕 𝑢 𝜕 𝑢 𝜕 𝑢 𝜕𝑢 𝜕𝑢
𝐴 𝑥, 𝑦 + 𝐵 𝑥, 𝑦 + 𝐶 𝑥, 𝑦 + 𝐷 𝑥, 𝑦, 𝑢, , = 𝑓(𝑥, 𝑦) (11)
𝜕𝑥 𝜕𝑥𝜕𝑦 𝜕𝑦 𝜕𝑥 𝜕𝑦
gdje su A, B i C funkcije ovisne o prostornim koordinatama x i y dok je D funkcija

ovisna o prostornim koordinatama x i y, nepoznatoj funkciji u te njenim
derivacijama u/x i u/y.
Ovisno o odnosu funkcija A(x,y), B(x,y), C(x,y) i D(x,y) PDE II. reda mogu
pripadati jednoj od tri klase difrencijalnih jednadžbi:
a) eliptične PDE ako je 𝐵 − 4𝐴𝐶 < 0

b) parabolične PDE ako je 𝐵 − 4𝐴𝐶 = 0
c) hiperbolične PDE ako je 𝐵 − 4𝐴𝐶 > 0 8

2021 4
Rješavanje PDE uobičajeno se provodi numeričkim metodama na diskretiziranoj

geometrijskoj domeni predmeta, uz zadavanje geometrijskih karakteristika mreže, PDE,
rubnih i početnih uvjeta i svojstsva materijala u pojedinim geometrijskim domenama.
Rješavanje inženjerskih problema primjenom numeričkih metoda
5.2.1. Metoda konačnih razlika – diskretizacija jednadžbi i geometrije
Diskretizacija geometrijske domene modela 10

2021 5
Točnost proračuna metodom konačnih razlika
Odnos između pogreške zaokruživanja, pogreške aproksimacije i veličine mreže
11
5.2.2 Rješenje 1D provođenja topline metodom konačnih diferencija
1. Osnovna jednadžba modela za nestacionarno provođenje topline u polubeskonačno ili

simetrično tijelo bez toplinskih izvora/ponora
2.a) Jednadžba modela diskretizirana

eksplicitnom metodom konačnih diferencija
i ... indeks prostorne diskretizacije

n … indeks vremenske diskretizacije
Uvjet stabilnosti i konvergencije rješenja:

12
Pogreška aproksimacije:

2021 6
2.b) Jednadžba modela diskretizirana implicitnom metodom konačnih diferencija

n … indeks vremenske diskretizacije
Uvjet stabilnosti i konvergencije rješenja:
13
2.c) Jednadžba modela diskretizirana Crank-Nicolsonovom metodom konačnih diferencija

n ... indeks vremenske diskretizacije
Uvjet stabilnosti i konvergencije rješenja: - bezuvjetno stabilno i konvergentno rješenje
14

2021 7
3) Primjena rubnih uvjeta III. vrste na Crank-Nicolsonovu jednadžbu konačnih diferencija
Jednadžba promjene temperature na osi

simetrije (čvor i = m):
h .. Koeficijent prijelaza topline, W/m2K

 .. Koeficijent toplinske vodljivosti, W/mK
Jednadžba promjene temperature na

rubnoj površini (čvor i = 0):
15
5.3.1. Metoda konačnih volumena
1D konačni volumeni 2D konačni volumeni

Programi:
- OpenFOAM
- MSC.SuperForge 16

2021 8
5.3.2 Rješenje 1D provođenja topline metodom konačnih volumena
Diferencijalna jednadžba provođenja topline
(1)
T ... temperatura (K)

k ... toplinska vodljivost (W/mK)
S ... toplinski izvori/ponori (W/m3)
1) Integracija jednadžbe (1)

Toplinski tok kroz konačni volumen
(2)
17
2) Diskretizacija geometrijske domene
3) Izbor pretpostavljene raspodijele temperature T = f(x)
ili
18

2021 9
4. Izvod diskretiziranog oblika integralne jednadžbe (2) uz pretpostavku S = konst.
(3.a)
(4)
19
5) Određivanje toplinske vodljivosti ke i toplinskog toka qe na granici dvaju konačnih

volumena
fe .. interpolacijski faktor
20

2021 10
6) Uvođenje rubnih uvjeta u jednadžbu rubnog konačnog elementa
21
Osnovna pravila o primjeni metode konačnih volumena
1. Nužno treba ostvariti podudarnost površina

konačnih volumena
2. Pozitivni predznaci ispred koeficijenata ap i

anb u jednadžbi (4),
3. Negativna vrijednost koeficijenta nagiba pravca u

linearnom modelu toplinskog izvor/ponora, tj. S<= 0,
4. Povezanost koeficijenata ap i anb prema jednadžbi (5):
(5)
22

2021 11
5.4 METODA KONAČNIH ELEMENATA
5.4 Metoda konačnih elemenata

5.5 FEM računalni sustav “Comsol Multiphysics”
5.6 FEM računalni sustav ABAQUS
5.7 FEM računalni sustav “Sysweld”
23
Metoda konačnih elemenata je numerička metoda temeljena na diskretizaciji kontinuuma s

određenim brojem elemenata i geometrijskih čvorova na elementu.
Diskretizacijom se kontinuum s beskonačno stupnjeva slobode gibanja zamjenjuje
diskretnim modelom međusobno povezanih elemenata s ograničenim brojem stupnjeva
slobode.
Diskretizacija geometrijske domene modela 24

2021 12
25

Stanje u svakom elementu (elektromagnetsko polje, temperatura, itd.) opisuje se
pomoću interpolacijskih funkcija koje moraju zadovoljavati rubne i dodatne uvjete
modela. Uz ispravnu formulaciju jednadžbe konačnog elementa, približavanje
točnom rješenju raste s povećanjem broja elemenata.
Osnovne formulacije konačnog elementa jesu:
a) Varijacijska formulacija konačnog elementa, primjenljiva je kad se za

razmatrani problem može postaviti funkcional (integral, poznat iz
funkcionalne analize, s funkcijama kao argumentima, koji opisuje stanje u
čitavom modeliranom području zajedno s rubnim uvjetima) i nepoznata
funkcija koja zadovoljava uvjet stacionarnosti funkcionala.
b) Metoda težinskog reziduala primjenljiva je kad ne postoji funkcional ili
je varijacijska formulacija promatranog problema presložena. Metoda
težinskog reziduala temelji se na rješavanju općeg oblika diferencijalne
jednadžbe simulacijskog modela uz zadane rubne uvjete s unaprijed
pretpostavljenim interpolacijskim funkcijama i (s nepoznatim
parametrima u čvorovima konačnog elementa).
26

2021 13
5.4.2.1 Metode težinskog reziduala
Pretpostavljeno približno rješenje

(2) uvrštava se u diferencijalnu
jednadžbu promatranog problema
(1.a-b) pri čemu se u općem slučaju
javlja rezidual R u odnosu na točno
rješenje
27
Postavljanjem i minimizacijom težinskog integrala (4) mogu se izračunati vrijednosti

aproksimacijskih funkcija kojima se postiže minimalno odstupanje od stvarnih
vrijednosti fizikalne veličine  u svih n geometrijskih čvorova mreže.
Minimizacijom reziduala (Galerkinovom metodom, koalokacijom ili metodom

najmanjih kvadrata odstupanja) dobiva se sustav algebarskih jednadžbi konačnog
elementa čije su nepoznanice parametri interpolacijskih funkcija i u čvorovima
elementa.
28

2021 14
Naziv konačnog elementa uobičajeno se određuje prema redu funkcije oblika i

(linearni, kvadratični, kubni, spline).
Parametri algebarskih jednadžbi svih konačnih elemenata u modelu uvrštavaju se u

globalnu matricu konačnih elemenata (globalni sustav jednadžbi), koja se rješava
direktnim ili iteracijskim metodama matričnog računa.
29
Definicija funkcije oblika modelirane veličine polja

na konačnom elementu :
n
3 (x3, y3)     j j j = 1, 2, 3 (5)
i 1
T (x,y) Globalni bazni vektori j definiraju se za N geometrijskih

čvorova. Nad trokutnim elementom globalni bazni vektor 
2 (x2, y2) se sastoji od tri lokalna bazna vektora N (tzv. funkcije oblika
konačnog elementa).
y 1 (x1, y1) U osnovnom slučaju to su Lagrangeovi interpolacijski

polinomi prvog stupnja
x   N1 N2 N3 
Npr. Oni imaju vrijednost 1 samo u jednom čvoru trokutnog

T  x, y    j = 1, 2, 3 elementa dok su jednaki nuli u svim ostalim čvorovima
mreže.
Osnovni dvodimenzijski trokutni element

s čvorovima numeriranim za izvođenje
funkcije oblika
30

2021 15
Funkcije oblika N1, N2, N3 nad trokutnim elementom
31
Funkcije oblika N1, N2, N3 nad osnosimetričnim trokutnim elementom i aproksimacija raspodjele temperature:
  N1 N2 N3 
32

2021 16
Jednadžba promjene temperature po trokutnom konačnom elementu:

T1e 
  3
T  N 1 N 3 T2e    N ejT je
e
N2 (8)
T e  i 1
 3
Za rješavanje diferencijalnih jednadžbi polja
promatrane veličine (npr. temperature Tej)
treba odrediti njene vrijednosti u svih N
Te(r,z) = 
geometrijskih čvorova mreže.
Jedna od uobičajeno korištenih metoda je

Galerkinova minimizacija težinskog
T3e
reziduala izborom težinske funkcije Wi
T1 jednake funkciji oblika Nj nad konačnim
T2
elementom:
 W   R dV  0
V
i (9)
33
5.4.2.2 Galerkinova minimizacija težinskog reziduala
Primjer:
Minimizacija reziduala jednadžbe nestacionarnog provođenja topline kroz ugrijanu
ploču uronjenu u sredstvo za gašenje
   N   e    N   e  T e 

x  x 
    
y  y 
 
 T   L   c N    R ( x , y :  
 t 
 N  R(r , z : T dV

T
I. korak:
e
0
V
 N   e   N   e

N  
T 
  
 T       T e   e
 T   L  cN 
T
  T e  
 dV   N s  dS  0
V  x  x  y  y   t   Sq  n 
34

2021 17
Numeričkom integracijom jednadžbe provođenja topline npr.

Gauss-Legendreov-om kvadraturom (uz uvođenje pomoćnih
II. korak: oznaka) dobivaju se karakteristične matrice rješenja jednadžbe
provođenja topline kroz “e”-ti konačni element:
2 1 1
C    N  cN dxdy   c
e
ij
T e e Ae 
12 
1 2 1 ... Matrica toplinskog kapaciteta,
S
1 1 2
D     Nx N  N  N   e

T T
e
ij 
x

y
 dxdy 

y 
bi b j  ci c j  
Se
4 Ae
... Matrica provođenja topline,
e  
1
A e  L   
 
e
i   N   L dxdy 
T
3
1
... Vektor koncentriranih rubnih uvjeta,
S 1

 N1  qs1 
Q    N  q d    N q
i
 T
S
e
2

s 2 d
... Vektor koncentriranih toplinskih
izvora (ponora) u geometrijskom
0   0 
 N 3   qs 3  čvoru. 35
C  Tt   D T    Q 

e
ij
e
ij
e e
i
e
ij
... Jednadžba nestacionarnog provođenja
topline na “e”-tom konačnom elementu
 
Diskretizacija jednadžbe provođenja topline kroz “e”-ti konačni

III. korak: element u vremenskoj domeni
 W  C  t   D T    Q dt  0

 T  T  e  e e e e
t ij ij i ij
Wt ... težinska funkcija u vremenskoj domeni
 W d
t
 0
1
 W d
0
t
36

2021 18
  W
 e
 Cij
1
t
T dt
t
  W
 Dije
1
t
T
dt Tke1   Cije  Wt T
  1 dt
t
  W
 Dije
1
t
T
1   dt Tke 
 0 0
  0 0

1
  Wt
0
T
1       dt   W 1   Q   Q dt  0
e
i ,k
e
i ,k 1 0
1
t
T e
i ,k
e
i , k 1
K T
e
k 1 k 1   K ke Tk  F e  .... integralni doprinos “e-tog” trokutnog
elementa raspodijeli temperature u
promatranoj geometrijskoj domeni.
37
Sastavljanje globalnog sustava jednadžbi za nepoznate

IV. korak: temperature Tk+1, na svim poddomenama, odnosno
geometrijskim čvorovima predmeta.
K k 1    C e   t D e 
e
K k    C e   (1  )t D e 
e
F    tFke1  (1  )t Fke  t Qke1  (1  )t Qke 

e
Globalni sustav FEM jednadžbi temperaturnog polja (za čitavu mrežu konačnih elemenata):
 diskretni
matematički model
K k 1 Tk 1   K k Tk  F  38

2021 19
5.5 FEM računalni sustav “COMSOL Multiphysics”
39
40

2021 20
41
42

2021 21
43
44

2021 22
5.6. FEM računalni sustav “ABAQUS”
45
46
http://www.simulia.com/locations/locations.html.

2021 23
5.7. FEM računalni sustav “Sysweld”

• SYSWELD is a Finite Element software that simulates all usual heat treatment
processes like bulk hardening, surface hardening, tempering and hardening and
tempering, as well as thermo-chemical treatment like case hardening,
carbonitriding, nitriding and nitrocarburising.
• The software computes distortions of parts, residual stresses, plastic strains

and the yield strength depending on the mixture of phases of the material in
use, during and at the end of the Heat treatment process, plus the hardness at
the end of the process.
• Temperature field and thermal flux

• Phase proportions
• Hardness
• Distortions
• Stresses
• Plastic strains
• Yield stress
47
Shematski prikaz simulacijskog koncepta računalnog paketa SYSWELD 48

2021 24
Određivanje brzine gašenja i koeficijenta prijelaza topline ovisnih o 49

temperaturi površine temperaturne sonde
Predviđanje oblika kontinuiranog TTT dijagrama na temelju zadanog 50

kemijskog sastava čelika

2021 25
Re
[MPa]
T [C]
Predviđanje ovisnosti granice tečenja (Re) mikrostrukturnih faza o 51

temperaturi za zadani kemijski sastav čelika
Tijek podataka i povezanost modula u FEM programu Sysweld 52

2021 26
Primjer simulacije kaljenja kotača željezničkog vagona
Primjer - FEM simulacija kaljenja kotača željezničkog vagona:

- obodna površina kotača gasi se prskanjem vodom
- unutrašnjost kotača hladi se zrakom
53
Površina gašena prskanjem

vodenim mlazom
(na čvorovima i plohama
gašene površine zadaje se
rubni uvjet 3. vrste s
koeficijentom prijelaza topline
ovisnim o temperaturi)
Površina ohlađena na zraku

(na čvorovima i plohama
zrakom hlađene površine
zadaje se rubni uvjet 3. vrste
s konstantnim koeficijentom
prijelaza topline)
54
Diskretizacija geometrije kotača mrežom konačnih elemenata

2021 27
55
Raspored temperature nakon t = 150 s od početka gašenja
Raspored tvrdoće HV10 nakon kaljenja
56
Udjel martenzita nakon kaljenja Udjel bainita nakon kaljenja

2021 28
Initial shape
Raspored zaostalih naprezanja u kotaču

nakon kaljenja
Deformed
shape
Deformacije kotača nakon kaljenja 57
5.8. Razine primjene numeričkog modeliranja
Metoda konačnih elemenata

3 D matematički Metoda rubnih elemenata
modeli
Hibridne metode
Metoda kontrolnih volumena

Metoda konačnih diferencija
Numeričke metode
Analitičke metode
58

2021 29
P6. Modeliranje ponašanja materijala
6.0 MATEMATIČKO MODELIRANJE PONAŠANJA MATERIJALA
6.1. Hijerarhijski koncepti razvoja materijala

6.2. Modeliranje materijala pod djelovanjem naprezanja i deformacija
6.3. Modeliranje mikrostrukturnih pretvorbi u kaljenom čeliku
6.4. Modeliranje više međusobno zavisnih procesa u materijalima
6.5. Metode modeliranja u istraživanju materijala
6.6. Višerazinsko i proizvodom određeno modeliranje materijala
6.7. Integrirano računalno inženjerstvo materijala
6.1. Hijerarhijski koncepti razvoja materijala

Jedan od glavnih ciljeva matematičkog modeliranja materijala je pronalaženje uvjeta i parametara proizvodnih postupaka
kojima će se postići optimalna struktura i svojstava materijala tijekom izrade proizvoda i zaustavljanje njihovog daljnjeg
mijenjanja tijekom eksploatacije.
Tijek proizvodnje materijala i tvorevina
Uporabne karakteristike
Uporabne
karakteristike
Svojstva
Struktura
Proizvodni
postupak
Hijerarhijski koncepti razvoja materijala 2

Utjecajni čimbenici na svojstva i ponašanje materijala u eksploataciji
(uporabne karakteristike materijala) i njihovo međusobno djelovanje

2021 1
6.2 Modeliranje materijala pod djelovanjem naprezanja i deformacija

Ponašanje materijala u eksperimentalnim uvjetima promjenljivog statičkog vlačnog naprezanja
Matematički modeli za aproksimaciju eksperimentalnih krivulja “naprezanje-istezanje”
Matematički modeli za aproksimaciju eksperimentalnih krivulja “naprezanje-istezanje”

Podaci iz statičkog vlačnog ispitivanja Postavljanje matematičkog modela deformacije materijala
Eksperimentalno
određeni dijagrami
Tipične vrijednosti koeficijenta K i eksponenta očvršćenja n
Računalno simulirani dijagrami 4

2021 2
Primjer 1. Aproksimacija eksperimentalne krivulje “naprezanje-istezanje” aluminijske legure AlMgSi1

Ramberg-Osgood-ovim modelom plastičnog tečenja
Eksperiment E = 66,20 GPa;

K = 327 MPa;
n = 0,10
Primjer 2. Aproksimacija eksperimentalne krivulje “naprezanje-istezanje” nehrđajućih čelika Ramberg-
Osgood-ovim modelom
Matematički modeli ponašanja materijala u uvjetima promjenljivog vlačno-tlačnog naprezanja
a) Model idealno plastičnog materijala b) Model idealno elastično-plastičnog

materijala
Dijagram
von Misses-ova naizmjeničnog
kružnica naprezanja naprezanja
c) Model izotropno očvrstivog materijala u uvjetima vlačno-tlačnog naprezanja

6

2021 3
Dijagram naizmjeničnog naprezanja s očvrsnućem
von Misses-ova H H
kružnica
naprezanja H ... parametar kinematičkog očvrsnuća
d) Model kinematičko očvrstivog materijala u uvjetima vlačno-tlačnog naprezanja
Bauschingerov fenomen:
stvarni metalni materijal različito
očvršćava u uvjetima vlačnog u
odnosu na tlačno naprezanja 7
6.3. Modeliranje mikrostrukturnih pretvorbi u kaljenom čeliku
I) Modeliranje ponašanja materijala na temelju dijagrama stanja, TTS, TTT dijagrama i iz

njih izvedenih regresijskih jednadžbi

2021 4
Opći oblik jednadžbe

promjene temperature pri
snimanju krivulje hlađenja:
TTT dijagram za
kontinuirano ohlađivanje
čelika 41Cr4
Eksperimentalno određeni
udjeli faza i tvrdoća ovisno o
vremenu t800/500
10
t800//500

2021 5
II.A) Mikrostrukturne pretvorbe i tvrdoća modelirani eksperimentalno određenim

dijagramima i empiričkim jednadžbama
Jominy Obradak
proba
A) Grafičke metode za predviđanje raspodjele

tvrdoće po presjeku obratka prema Geber-
Wysu , Craft-Lamontu; numerička metoda
ekvidistantnih mjesta na Jominy probi i Primjer predviđanja raspodjele tvrdoće po presjeku
obratku valjaka prema metodi Gerber-Wyss
II.B) Mikrostrukturne pretvorbe i tvrdoća modelirani numeričkim modelima

upotpunjenim eksperimentalno određenim dijagramima
Postavljanje modela konačnih
volumena kaljenog čelika
Aproksimacija eksperimentalno Računski određeno vrijeme

određenog koeficijenta prijelaza topline hlađenja dijelova Jominy probe
12

2021 6
Predviđanje raspodjele tvrdoće po presjeku obratka na temelju izjednačavanja tvrdoće na određenom mjestu
Jominy probe i tvrdoće na obratku kao posljedice istog vremena hlađenja od 800 C do 500 C (t8/5)
III) Modeliranje kinetike faznih pretvorbi empiričkim jednadžbama
T(oC) = const. !
14

2021 7
Modeliranje faznih pretvorbi pri kaljenju

čelika prema JMAK modelu
Predviđanje udjela mikrostrukturnih faza izlučenih iz pothlađenog austenita pri izotermičkom

držanju na određenoj temperaturi
T = konst.
Udio mikrostrukturne faze (f) nakon
izotermičkog držanja na određenoj
f2
temperaturi (T):
f (T1)= 1 – exp(-b t n)
f1
Eksponent n i koeficijent b JMAK
jednadžbe za svaku fazu (F, P, B,):
t1 t2
T1= konst.
… određuju se za niz temperatura iz

izotermičkog TTT dijagrama, potom se
regresijskom analizom određuju jednadžbe:
n = f(T)
b = f(T)
… za predviđanje udjela mikrostrukturne promatrane
faze nastale na temperaturi T, npr. perlita:
fP = f(T) 16

2021 8
T konst.
Shematski prikaz primjene JMAK modela na predviđanje udjela mikrostrukturnih faza zamjenom:
a) kontinuiranog ugrijavanja nizom kratkotrajnih izotermičkih držanja na Ti=konst. (Ti+1 > Ti),
b) kontinuiranog ohlađivanja nizom kratkotrajnih izotermičkih držanja na na Ti=konst. (Ti+1 < Ti),
17
Primjer predviđanja raspodjele mikrostrukturnih faza i tvrdoće po presjeku valjaka na temelju izabranog
čelika i snimljene krivulje gašenja primjenom JMAK modela u računalnom programu SQIntegra

2021 9
6.4 Modeliranje više međusobno zavisnih procesa u materijalima
a)
b)
b) Primjer koncepta računalne simulacije cementiranja čelika
a) Koncept računalne simulacije međusobno uvjetovanih toplinskih, mikrostrukturnih i mehaničkih procesa u toplinskoj
obradi metala s faznim pretvorbama (npr. kaljenju čelika).
Linije 1, 3, 6 pokazuju direktno djelovanje procesa; linije 2, 4 i 5 pokazuju povratno djelovanje kroz promjenu svojstava
materijala
T … Simulacije toplinskih procesa; M … Simulacije mikrostrukturnih procesa; S … Simulacije naprezanja i deformacija

2021 10
Primjer modeliranja ljevanja računalnim programima ESI Casting Simulation Software
ProCAST PAM-QuikCAST CALCOSOFT
Calculation method:: FEM Calculation method: FDM Calculation method: FEM
Phenomena simulation: filling, Phenomena simulation: filling, Phenomena simulation: natural metal
solidification, stress, defects solidification, defects prediction convection, solidification, defects
prediction, microstructure, grain prediction, grain growth/orientation
growth orientation Simulation processes:
gravity/pressure casting, lost Simulation processes:
Simulation processes: foam, thixocasting, core blowing continuos/semicontinuos casting of steel,
gravity/pressure casting, Al, Mg, Cu, cast-iron billets, plates, strips
investment/precision casting, lost 21
foam, thixocasting, centrifugal c.
22

2021 11
6.5. Metode modeliranja u istraživanju materijala
A. Opće metode:
- Statističke
- Kvantitativna materijalografija
B1. Na nano- mikro razini
- Statistička mehanika na atomskoj razini
- Monte Carlo
- Molekularna dinamika
B2. Na mikro- mezo razini
- Diskretna dislokacijska statika i dinamika
- Ginzburg-Landau kinetički modeli faznih polja
- Ćelijasti automati (Cellular automata)
- Topološke mreže i vertex modeli
B3. Na mezo-makro razini

- Metoda konačnih elemenata i metoda konačnih razlika
- Modeli polikristalne elastičnosti i plastičnosti
C. Opće i napredne metode umjetne inteligencije:

- Umjetne neuronske mreže (Neural network)
- Neizrazita logika (Fuzzy logic)
- Genetički algoritmi i genetičko programiranje
- Rudarenje po podacima (Data mining)
- Ekspertni sustavi

2021 12
IZBOR NEKE METODE(A) ODREĐEN JE SLJEDEĆIM:

 Skala: koje je fizikalno trajanje i veličina skale istraživanog fenomena?
 Mikrostruktura: je li nužno uključiti mikrostrukturu?
 Analitičko rješenje: je li moguće problem riješiti analitički?
 Eksperimentalni podaci: jesu li raspoloživi za vrednovanje previđanja?
 Neovisne varijable: koje služe kao nezavisne varijable?
 Ovisne varijable: koje služe kao zavisne varijable?
 Pristup modelu: fenomenološki ili empirički model?
 Parametri modela: imaju li zahtijevani parametri ikakvo fizikalno značenje i postoje li
odgovarajući teorijski i eksperimentalni podaci?
 Granični uvjeti: koje su odgovarajuće početne i granične vrijednosti stanja?
 Realistično stanje: jesu li poznate pojedinačne početne i granične vrijednosti stanja?
 Diskretizacija: koji je potreban stupanj prostorne i vremenske diskretizacije?
 Skala simulacije: koja je metoda simulacije prikladna za skalu proučavanja?
 Tolerancija pogreške: koji je zahtijevan stupanj preciznosti? Koja se pogreška
tolerira?
 Deterministički/stohastički problem?
 Atomistički/kontinuiran: treba li koristiti atomistički ili kontinuiran model?
 Kombinacija skala: je li nužno kombinirati različite prostorne i vremenske skale?
 Analiza i prezentacija podataka: koja će se metoda koristiti?
 Integrirana simulacija: koja je prikladna metoda integrirane simulacije na

prostornoj i vremenskoj skali?
 Računalni kod simulacije: je li raspoloživ?
 Usporedba: je li izabrana metoda simulacije kvantitativno usporediva sa
eksperimentima, analitičkim rješenjima i/ili numeričkim pristupom?
 Programski jezik: koji će se programski jezik, komercijalno raspoloživi compiler i
solver primijeniti?
 Brzina: koja je najbrža metoda simulacije?
 Cijena: koja je najjeftinija metoda?
 Moć (snaga) računala?

2021 13
6.6. Višerazinsko i proizvodom određeno modeliranje materijala
Razine i metode modeliranja materijala i konstrukcija 27
Odnos višerazinskog modeliranja materijala (od atomskog modeliranja do modeliranja

primjenom mehanike kontinuuma) i proizvodom određenog modeliranja materijala (s više
nivoa složenosti: element konstrukcije  sklop  uređaj  stroj  postrojenje) 28

2021 14
6.6.1 Višerazinsko modeliranje materijala

Metode
kontinuuma
Vrijeme,s
Inženjerstvo
100
Metode atomskih
simulacija Mezoskale metode
(ms) 10-3
Termodinamika
Materijali
Metoda konačnih
elemenata
(s) 10-6
Semi-empiričke
(ns) 10-9 metode
Monte Carlo
Kemija
Molekularna dinamika
(ps) 10-12 Ab initio
metode
Tijesne veze
(fs) 10-15
Fizika
10-10 10-9 10-8 10-7 10-6 10-5 10-4

(nm) (m)
Duljina, m
Razine i metode višerazinskog modeliranja materijala

29
Višerazinsko modeliranje
(modeliranje fizikalnih fenomena od atomarne do makroskopske razine)
• Ab initio metode: računanje svojstava materijala od temeljnih načela,

numeričko rješavanje kvantno-mehaničkih jednadžbi - Schrödinger ili Dirac.
• Semi-empiričke metode: koriste simplificirane verzije jednadžbi od ab initio
metoda, eksplicitno tretiranje valentnih elektrona; sadrže parametre
prilagođene eksperimentalnim podacima.
• Atomističke metode: koriste empiričke ili ab initio izvedena polja sila,
zajedno sa semi-klasičnom statističkom mehanikom da bi se odredila
termodinamička i transportna svojstva sustava.
• Mezoskalne metode: uvode pojednostavljenja u atomističke metode čvrste

stupnjeve slobode i/ili tretirajući grupe atoma kao individualne entitete
• Metode kontinuuma: pretpostavljaju da je materijal kontinuiran i homogen, a
svojstva se tretiraju kao sistemska svojstva preko polja vrijednosti. Numerički
se rješavaju jednadžbe ravnoteže povezano s fenomenološkim jednadžbama
da bi se predvidjela svojstva sustava.

2021 15
Primjer 1
Povezanost i nadopunjavanje različitih razina modeliranja materijala

(primjer modeliranja metalnih materijala za izradu automobila)
Primjer 2
Primjena višerazinske analize materijala – modeli materijala na nižim razinama ugrađuju se u modele na
višim, eksperimentalna validacija modela izvodi se na nekoj razini značajnoj za uporabu proizvoda
(primjer modeliranja metalnih materijala za izradu automobila)

2021 16
Primjer 3. Višerazinsko modeliranje toplinsko-mehaničke obrade (TMO) čelika

- modeliranje kontinuiranog lijevanja, toplog valjanja i rekristalizacije čelika
33
Fazna pretvorba    (A  F, M)
Promjene mikrostrukture tijekom TMO + precipitacijsko očvrsnuće
c) (izlučivanje precipitata: NbC,
NbN,VC,TiC, TiN, TiCN, …)
Grubozrnati Sitnozrnati
austenit austenit
Austenitizacija
+ toplo valjanje
+ rekristalizacija
a)
b)
Toplinsko-mehanička obrada (TMO) mikrolegiranog čelika u području stabilnog austenita: a) toplo valjanje i rekristalizacija
austenitiziranog čelika; b) cjelokupni proces TMO u proizvodnji širokih traka ili debelih limova; c) dvojne mikrostrukture

2021 17
35
Primjer 4. Višerazinsko modeliranje mikrostrukture i svojstava zavara

Koncept modela Rezultati
36

2021 18
Optimiranje postupka zavarivanja

37
6.6.2 Proizvodom utemeljeno modeliranje materijala
Pokretači razvoja novog materijala ili izbora

optimalnog postojećeg materijala za izradu novog
Selection of Material and Processes proizvoda
Shematski prikaz izbora ili razvoja materijala na temelju karakteristika i 38

funkcija sustava u koji se materijal ugrađuje

2021 19
Induktivni razvoj novog materijala prema zahtijevanim uporabnim karakteristikama

39
a)
b)
a) Kvalitativni prikaz ovisnosti troškova razvoja i točnosti o složenosti

matematičkog modela za predviđanje međusobnog utjecaja
mikrostrukture i svojstva kompozitnog materijala (otpornog na povišene Usporedba induktivnog i deduktivnog pristupa
temperature i udarce) za transport benzina ili lakozapaljivog prašaka u izboru i razvoju materijala
b) Različite mogućnosti povećanja točnosti matematičkog modela
povezanosti strukture i svojstava kompozita induktivnim pristupom
40
optimiranjem parametara proizvodnog procesa

2021 20
6.7. Integrirano računalno inženjerstvo materijala

Integrirano računalno inženjerstvo materijala (Integrated Computer Materials Engineering, ICME) je
novi pristup u računalnim simulacijama ponašanja materijala, konstrukcije i pripremi proizvodnih
procesa u kojem se integriraju matematički modeli međusobno utjecajnih procesa na svojstva
materijala (toplinskih, mehaničkih, metalurških i dr.), računalni modeli konstrukcije proizvoda (CAD
modeli), računalna analiza ponašanja materijala i konstrukcije u eksploataciji, računalnom podržana
priprema proizvodnih postupaka (CAM).
Tehnički i ekonomski
Konstruiranje i tehnologično oblikovanje, izbor materijala, optimiranje
zahtjevi za izradu
konstrukcije konstrukcije
Izbor Kontrolirane
Predviđanje i optimiranje
optimalnog promjene Dobivanje optimalnih ponašanja materijala i
kemijskog mikrostrukture svojstava materijala konstrukcije u eksploataciji
sastava i na više razina
polaznog
oblika Virtualna konstrukcija,
materijala Izbor, priprema i optimiranje proizvodnih postupaka proizvodnja i
eksploatacija proizvoda
Ciljevi integriranog računalnog inženjerstva materijala 41
Primjer - Virtualni aluminijski odljevak – ICME simulacija proizvodnje i ponašanja u eksploataciji

odljevka bloka motora od aluminijske legure (Ford Motor Company, 1990)
Ciljevi računalne
simulacije
42

2021 21
Toplinski, metalurški i mehanički procesi obuhvaćeni modeliranjem odljevaka od Al legure
43
Razine matematičkog modeliranja odljevaka

44

2021 22
Virtualni prototipovi odljevak bloka motora i provedene analize: CAD model, analiza uljevanja
taline, analiza skrućivanja i nastanka poroznosti, analiza čvrstoće i dinamičke izdržljivosti odljevka
45
Validacija predviđenih i ostvarenih

mehaničkih svojstava odljevka
46

2021 23

Modeliranje I Simulacije 1.kol FSB

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Modeliranje I Simulacije 1.kol FSB

Uploaded by

Copyright:

Available Formats

Fakultet strojarstva i brodogradnje P1.

Tehnički sustavi, procesi i informacije

P1. Informacije i procesi u tehničkim sustavima

Ak. god. 2019/2020

Prof. dr. sc. Darko Landek

1. Uvod: od podataka do znanja

Informacija je element znanja ili podatak koji se može točno i jednoznačno

Znanje, svojstveno tehničkim znanostima, podrazumijevati strukturiranu i

ŠTO ?  KAKO ?  ZAŠTO ?

D. Landek: Modeliranje i simulacije,

1.1. Podaci  informacije  (novo) znanje

Udžbenici, priručnici, monografije,

Istraživanje tržišta Vlastiti teorijski modeli i računalne simulacije

Izvještaji, tehnička dokumentacija Vlastita eksperimentalna istraživanja

Analiza i povezivanje podataka: vizualni

Pohrana i prijenos znanja

1.1.1 Primjer: Diplomski rad – od podataka do novog znanja

Rješavanje zadatka – izrada rada

D. Landek: Modeliranje i simulacije,

1.1.1 Primjer: Diplomski rad – od podataka do novog znanja

1.2 Provedba vlastitih pokusa

 Podaci o tvrdoći nakon

1.1.1 Primjer: Diplomski rad – od podataka do novog znanja

3. STVARANJE NOVOG ZNANJA

D. Landek: Modeliranje i simulacije,

1.1.2 Primjena analize i sinteze informacija iz podataka

• Analiza poslovanja, proizvodnje, tržišta

1.1.3 Analiza i razumijevanje podataka

ŠTO ?  KAKO ?  ZAŠTO ?

D. Landek: Modeliranje i simulacije,

1.1.3 Analiza i razumijevanje podataka

b) Točni ali neprecizni podaci

1.1.3 Analiza i razumijevanje podataka

Zbrajanje a+b a + b Δ𝑎 + Δ𝑏 (1.3.a-c)

Množenje ab ab - ba Δ𝑎 Δ𝑏 (1.6.a-c)

D. Landek: Modeliranje i simulacije,

1.1.3 Analiza i razumijevanje podataka

1.1.3 Analiza i razumijevanje podataka

D. Landek: Modeliranje i simulacije,

1.1.3 Analiza i razumijevanje podataka

Linearni model Parabolni model (II. reda)

1.1.4 Osnova načela pripreme podataka

• Koji atributi nas zanimaju?

D. Landek: Modeliranje i simulacije,

1.1.5 Stvaranje informacija iz podataka

Osnovne metode za analizu podataka, vrednovanje informacija te postavljanje 15

D. Landek: Modeliranje i simulacije,

1.1.5.1 Otkrivanje i tumačenje zakonitosti iz podataka statističkim metodama

Aproksimacija progiba savojne opruge ovisno o sili savijanja primjenom linearnog 17

1.1.5.2 Otkrivanje zakonitosti iz podataka strojnim učenjem

Analogija biološkog neurona i umjetne neuronske mreže

Predviđanje izotermičkog TTT dijagrama primjenom neuronske mreže

D. Landek: Modeliranje i simulacije,

1.1.5.3 Usporedba metoda za otkrivanje zakonitosti u skupu podataka

1.2 Modeli i simulacije (M&S) tehničkih sustava

Logika,podaci, Metode, računalni

Sustavni pristup modeliranju i simulacijama

D. Landek: Modeliranje i simulacije,

1.2.1 Definicija sustava

Ulaz, izlaz i stanja sustava djelovanja

Struktura sustava određena je vrstom

Granica sustava može se postaviti kao

Sustav se smatra opisanim kad se definiraju njegovi: