Statika zítřka aneb jak API, Python a AI mění každodenní práci statika

Digitální transformace stavebního inženýrství přináší novou generaci nástrojů, které zásadně mění způsob, jakým statici modelují konstrukce, spouštějí výpočty a interpretují výsledky. Nejde přitom o vzdálenou vizi. Jde o funkční řešení dostupná dnes. Tento článek ukazuje dvě konkrétní cesty: jak využít programové rozhraní a jazyk Python k automatizaci každodenních úkolů a jak umělá inteligence přestává být pouhým chatbotem a stává se aktivním účastníkem výpočetního procesu. Praktické ukázky jsou demonstrovány v prostředí MKP softwaru RFEM 6 a jeho iterace s okolními nástroji a systémy.

PYTHON a API: Dálkové ovládání pro výpočetní software

Programové rozhraní (API) si lze představit jako dálkové ovládání pro software. Namísto klikání v grafickém prostředí zadáváte příkazy prostřednictvím kódu, který software vykonává přesně, konzistentně a bez lidské chyby. RFEM 6 poskytuje pokročilou integraci prostřednictvím Python API, které umožňuje automatizovat pracovní postupy, pracovat s modely programově a integrovat výpočetní software do širších inženýrských řešení.

Jazyk Python přitom není výsadou programátorů. Statici s jeho základy zvládají smysluplné skripty po krátkém zaškolení, přičemž výsledky se dostavují rychle.

Kde API nejvíce šetří čas

Sériová analýza variant je jedním z nejsilnějších argumentů pro zavedení API do praxe. Potřebujete otestovat 20 variant průřezu při třech kombinacích zatížení? Ruční postup v uživatelském rozhraní by trval celý den. Skript v Pythonu zvládne totéž za minuty: automaticky vytvoří každý model, aplikuje parametry, spustí výpočet a shromáždí výsledky do přehledného souhrnu.

Vlastní návrhové kontroly jsou dalším typickým příkladem. Mnoho inženýrů dnes používá pro ověřovací výpočty tabulky v Excelu nebo skripty VBA. Tyto nástroje fungují, ale jsou odděleny od výpočetního modelu. Výsledky je třeba přenášet ručně, což otevírá prostor pro chyby. Pomocí API lze návrhové kontroly integrovat přímo do pracovního postupu: skript automaticky přečte výsledky z modelu a porovná je s návrhovými kritérii.

Přenos dat z externích systémů je třetím klíčovým scénářem. Moderní projektová praxe zahrnuje výměnu dat mezi různými platformami: BIM nástroji, konfiguračními aplikacemi či tabulkami s parametry projektu. API umožňuje automatizovat tento přenos, tj. načíst data z externího zdroje a z nich sestavit výpočetní model bez ručního zadávání.

Propojení s parametrickým modelováním

Zvláštní kapitolou je propojení s nástroji jako Rhino a Grasshopper. Statik nastaví v Grasshopperu parametry konstrukce (počet polí, výšku podlaží, přítomnost ztužidel) a skript automaticky odešle model do RFEM ke statické analýze. Jakákoli změna vstupního parametru se okamžitě promítne do nového výpočtu. Jde o zásadní posun v iterativním návrhu: místo hodin přepracování modelu stačí posunout posuvník a výsledky jsou k dispozici během sekund.

Velké jazykové modely vstupují do výpočtu

Jazykové modely jako GPT nebo Claude se v posledních dvou letech staly běžnou součástí pracovního prostoru mnoha inženýrů; pomáhají s formulací technických zpráv, vyhledáváním v normách nebo vysvětlením výpočetního postupu. Jsou to ale stále sofistikovaní textoví asistenti: hovoří o problémech, ale sami nic nepočítají.

Tato situace se mění.

Od dotazů k akcím: Model Context Protocol

V lednu 2026 vydal Dlubal Software společně s verzí RFEM 6.13 zásadní novinku: MCP server pro RFEM 6. Zkratka MCP označuje Model Context Protocol, otevřený standard iniciovaný společností Anthropic, který sjednocuje způsob, jakým velké jazykové modely komunikují s externími nástroji a aplikacemi.

Architektura MCP se skládá ze tří rolí. MCP Host je nadřazená aplikace řídící interakci; může jím být Claude Desktop, vývojové prostředí Cursor nebo vlastní chatbot firmy. MCP Client je komponenta uvnitř hostitele udržující spojení se serverem. MCP Server poskytuje specifické funkce; v případě Dlubal tuto roli přebírá RFEM 6-MCP-Server.

Podstatný rozdíl oproti klasickým AI asistentům spočívá v akceschopnosti systému. Zatímco tradiční přístupy primárně vyhledávají informace v dokumentech, MCP umožňuje využití „nástrojů“: AI model může aktivně pracovat s výpočetním programem a zadávat mu příkazy.

Co AI agent v RFEM 6 umí

Díky propojení přes MCP může jazykový model aktivně pracovat s výpočetním modelem. Konkrétně dokáže vytvářet a modifikovat geometrii, definovat zatěžovací stavy a kombinace, spouštět statickou analýzu a číst a interpretovat výsledky. To vše v průběhu přirozeného dialogu.

Tato standardizace je klíčová: AI model může dynamicky „objevit“ dostupné funkce serveru a využít je, aniž by pro každou kombinaci modelu a nástroje bylo nutné psát novou integraci. Jeden protokol, libovolný kompatibilní jazykový model.

Praktická ukázka

Inženýr v chatovacím rozhraní napíše: „Vytvoř jednopodlažní rám z profilů HEA 200, rozpětí 6 metrů, výška 4 metry, materiál S355. Přidej rovnoměrné zatížení na střechu 5 kN/m² a spusť lineární statiku.“

AI agent tento příkaz interpretuje, zavolá příslušné funkce MCP serveru, vytvoří model v RFEM 6, spustí výpočet a vrátí výsledky – a to vše v průběhu jediného dialogu. Inženýr pak může pokračovat: „Splňuje maximální deformace požadavek normy L/300?“ Agent přečte výsledky přímo z modelu a odpoví s konkrétními hodnotami.

Jak začít

Oba přístupy jsou dostupné dnes a nevyžadují specializované programátorské vzdělání.

Python API je podrobně zdokumentováno na webu Dlubal Software včetně příkladů kódu a tutoriálů. Základy Pythonu potřebné pro první skripty zvládne inženýr za jedno odpoledne pomocí volně dostupných online kursů. Rozsáhlá komunita uživatelů sdílí hotová řešení na platformě GitHub a ve firemních fórech.

MCP server pro RFEM 6 je dostupný od verze 6.13.0002. Pro první experimenty postačí nainstalovat kompatibilního MCP hosta (například volně dostupný Claude Desktop) a nakonfigurovat spojení se serverem podle návodu v databázi znalostí Dlubal. Celé nastavení zabere řádově desítky minut.

Závěr

Automatizace prostřednictvím API a propojení s umělou inteligencí neodstraňují potřebu statika. Zodpovědnost za bezpečnost konstrukce, schopnost kriticky posoudit výsledky a rozpoznat nevhodné předpoklady modelu: to vše zůstává výsadou vzdělaného inženýra s praxí.

Mění se pouze to, kolik času tento inženýr tráví opakovanými rutinními úkony namísto přemýšlení. Nástroje popsané v tomto článku přesouvají těžiště práce tam, kde inženýrská hodnota skutečně leží. Digitální transformace stavebního inženýrství není otázka vzdálené budoucnosti. Je to otázka toho, zda ji chceme aktivně uchopit.