Způsob zadání globálních parametrů je popsán v článku Databáze znalostí 'Parametrizace modelů v programu RFEM 6 / RSTAB 9'. V tomto příspěvku si ukážeme, jak lze v programu RFEM 6 optimalizovat zadané parametry podle různých hledisek.
Za tímto účelem je třeba aktivovat addon 'Optimalizace & odhad nákladů / Odhad emisí CO2', jak je znázorněno na obrázku 1. První část addonu hledá vhodné parametry pro splnění obvyklých optimalizačních kritérií pro parametrické modely a bloky pomocí umělé inteligence (AI) optimalizací rojem částic (PSO).
Ve výše uvedeném příspěvku jsem se dozvěděli, že globální parametry lze vytvořit pomocí nabídky 'Úpravy'. Pro stanovení polohy ztužujícího prvku vzhledem k horním a dolním pásům příhradové buňky byly zadány dva parametry znázorněné na obrázku 2.
Parametry byly nejdříve definovány jako hodnoty. Pro jejich optimalizaci je třeba změnit typ zadání na 'Optimalizace' a definovat optimalizační parametry jako minimální a maximální hodnoty, přírůstky a kroky (obrázek 3).
Nastavení pro optimalizaci je přístupné z hlavní nabídky 'Výpočet'. Jak je znázorněno na obrázku 4, hodnoty pro optimalizaci jsou skutečně globální parametry. Počet stavů závisí na počtu kroků, které byly přiřazeny v parametrech optimalizace.
Například 4 kroky znamenají, že proces optimalizace končí v 5 stavech. Vzhledem k těmto dvěma proměnným je počet optimalizačních mutací 25. Jinými slovy, program změní hodnoty obou proměnných v definovaném rozsahu; z těchto kombinací vychází 25 modelů s odlišnou geometrií.
Protože se zajímáme o nalezení optimální geometrie (v našem příkladu polohy ztužujícího prvku), měla by být optimalizace nastavena na 'Aktivní'. Může se stát, že optimalizačních mutací je mnoho; proto si můžete sami stanovit nejlepší počet modelovaných mutací, které se mají uložit.
Pojem 'nejlepší' závisí na tom, co vyberete jako základ pro optimalizaci. Vybrat lze například optimalizaci z hlediska minimální celkové hmotnosti, vektorového posunu, deformace prutu nebo plochy, nákladů nebo emisí CO2.
Dále je možné zvolit výpočet všech mutací a po spuštění výpočtu se v programu začnou zobrazovat výsledky všech jednotlivých mutací (obrázek 5).
V programu jsou ovšem také k dispozici efektivnější metody optimalizace (viz obrázek 4). Můžeme tak například použít přírodou inspirovanou optimalizaci rojem částic (PSO), při které se spustí výpočet s výsledkem optimalizace z náhodného přiřazení optimalizovaných parametrů; pak se opakovaně stanoví nové výsledky optimalizace s různými hodnotami parametrů.
Takové výsledky vycházejí ze zkušeností s dříve provedenými modelovými mutacemi, až do dosažení stanoveného počtu možných modelových mutací. Kromě toho lze použít metodu dávkového zpracování, která se pokouší zkontrolovat všechny možné modelové mutace náhodným zadáním hodnot pro optimalizační parametry, dokud není dosaženo stanoveného počtu možných modelových mutací.
Na konci procesu všechny optimalizační metody vygenerují z uložených dat seznam modelových mutací s řídicím výsledkem optimalizace a příslušným přiřazením hodnot optimalizačních parametrů (obrázek 6).
Tento seznam je uspořádán sestupně a v horní části se zobrazí předpokládané nejlepší řešení, kdy se přiřazené hodnoty výsledku optimalizace blíží kritériu optimalizace. Kromě toho program po dokončení analýzy nastaví přiřazení hodnot optimálního řešení optimalizačním parametrům v globálním seznamu parametrů.
Databáze znalostí
_cs.png?mw=350&hash=f2066aca27ba39c350eb9e8b07eacb3969b82100)
_cs.png?mw=350&hash=afdb20d5a430cbfe7503e82047b9baa9b004d1d3)
