Een multi-AI-agentframework dat end-to-end eindige-elementenanalyse mogelijk maakt voor vastestofmechanicaproblemen

Samenvatting

Eindige-elementenanalyse (FEA) is de belangrijkste numerieke benadering voor de vaste-stofmechanica. Uitdagingen van FEA zijn onder andere een steile leercurve voor beginnende gebruikers en mogelijke foutieve simulaties door onjuiste definities van essentiële simulatiecomponenten, zoals randvoorwaarden, belastingsgevallen en oplossingsvariabelen. Jarenlange technische ervaring is doorgaans noodzakelijk voor het oplossen van praktijkproblemen. Om deze problemen aan te pakken presenteren we AbaqusAgent, een multi-agentframework gebaseerd op grote taalmodellen (LLM's) voor analyses van vaste-stofmechanica. AbaqusAgent is ontwikkeld om het genereren en uitvoeren van analysecases met Abaqus, een van de meest gebruikte FEA-pakketten, te vergemakkelijken door natuurlijketaalinstructies van gebruikers om te zetten in uitgevoerde FEA-analyses en resultaatvisualisatie. AbaqusAgent bestaat uit zes agenten: interpreter, architect, input writer, runner, reviewer en visualizer, die alle essentiële voor- en nabewerkingsstappen van standaard FEA-analyses omvatten. Een breed scala van 50 problemen in de vaste-stofmechanica is succesvol gevalideerd, met een algemeen slagingspercentage van 86%. Naast het verbeteren van de efficiëntie van FEA voor problemen in de vaste-stofmechanica en het verlagen van de drempel voor onderwijs in computationele mechanica, bevordert AbaqusAgent het paradigma van mens-simulatie-interactie en maakt het integratie met AI-gestuurde optimalisatie- en materiaalkarakteriseringsworkflows mogelijk. De code is beschikbaar op https://github.com/LIRAM-LIN/AbaqusAgent

English

Finite element analysis (FEA) is the most important numerical approach for solid mechanics. Challenges of FEA include a steep learning curve for entry-level users and potential false simulations due to incorrect definitions of key simulation components, such as boundary conditions, load cases, and solution variables. Years of engineering experience are usually necessary for real-world problem-solving. To address these issues, we present AbaqusAgent, a multi-agent framework grounded in large language models (LLMs) for solid mechanics analyses. AbaqusAgent is developed to facilitate analysis case generation and execution using Abaqus, one of the most widely used FEA packages, by turning users' natural-language instructions into executed FEA analyses and result visualization. AbaqusAgent is composed of six agents, including interpreter, architect, input writer, runner, reviewer, and visualizer agents, encompassing all the essential pre-processing and post-processing steps of standard FEA analyses. A wide variety of 50 solid mechanics problems have been successfully validated, achieving an overall success rate of 86%. Beyond improving the efficiency of FEA for solid mechanics problems and lowering the barrier to computational mechanics education, AbaqusAgent advances the human-simulation interaction paradigm and enables integration with AI-empowered optimization and material characterization workflows. The code is available at https://github.com/LIRAM-LIN/AbaqusAgent