Optimalizace modelů pomocí umělé inteligence (AI)
Optimalizace modelů | Vlastnosti
- Použití umělé inteligence (AI): Optimalizace rojem částic (PSO)
- Optimalizace konstrukce podle minimální hmotnosti nebo deformace
- Použití libovolného počtu optimalizačních parametrů
- Zadání rozsahu proměnných
- Optimalizace průřezů a materiálů
- Typy zadání parametrů
- Optimalizace | Vzestupně nebo Optimalizace | Sestupně
- Použití parametrických modelů a bloků
- Parametrizace bloků pomocí kódu v JavaScriptu
- Optimalizace se zohledněním výsledků posouzení
- Tabulkové zobrazení nejlepších modelových mutací
- Zobrazení mutací modelu v procesu optimalizace v reálném čase
Optimalizace modelu | Zadání
Věděli jste, že...? Optimalizací konstrukce se v programech RFEM nebo RSTAB završí parametrické zadání. Je to paralelní proces vedle vlastního výpočtu modelu se všemi jeho běžnými zadáními pro výpočet a posouzení. Addon přitom vychází z toho, že váš model nebo blok je vytvořen parametricky a je v celém rozsahu řízen globálními řídicími parametry typu „optimalizace“. Těmto řídicím parametrům je přiřazena dolní a horní mez a velikost kroku k vymezení rozsahu optimalizace. Pro nalezení optimálních hodnot řídicích parametrů musíte zadat optimalizační kritérium (např. minimální celková hmotnost) s výběrem optimalizační metody (např. optimalizace rojem částic).
Optimalizace modelu | Výpočet
Pro optimalizační proces máte k dispozici dvě metody, pomocí kterých můžete nalézt optimální hodnoty parametrů podle kritéria hmotnosti nebo deformace.
Nejúčinnější metodou s nejkratší dobou výpočtu je optimalizace partikulárního roje (PSO). Už jste o tom slyšeli nebo četli? Tato technologie umělé inteligence (AI) má silnou analogii s chováním zvířecích rojů při hledání místa k odpočinku. V těchto rojích naleznete mnoho jedinců (např. optimalizační řešení – např. hmotnost), kteří rádi zůstávají ve skupině a následují pohyb skupiny. Předpokládejme, že každý jednotlivý člen roje má potřebu odpočívat na optimálním místě k oddechu (např. nejlepší řešení – např. nejnižší hmotnost). Tato potřeba roste s přibližováním k místu odpočinku. Chování roje je tedy ovlivněno i vlastnostmi prostoru (např. výstupní diagram).
Proč výlet do biologie? Jednoduše – proces PSO v RFEM nebo RSTAB probíhá podobně. Výpočetní běh začíná s optimalizačním výsledkem z náhodného rozdělení optimalizovaných parametrů. Přitom stále znovu zjišťuje nové optimalizační výsledky s variovanými hodnotami parametrů, které se zakládají na zkušenostech z již dříve provedených mutací modelu. Tento proces probíhá tak dlouho, dokud není dosažen stanovený počet možných mutací modelu.
Alternativně k této metodě je v programu dostupná také metoda dávkového zpracování. Tato metoda se snaží prověřit všechny možné mutace modelu prostřednictvím náhodného zadání hodnot pro optimalizační parametry až do dosažení stanoveného počtu možných mutací modelu.
Obě varianty po výpočtu modelové mutace také kontrolují aktivační výsledky dimenzování přídavné funkce. Dále ukládají variantu při zatížení < 1 s příslušným optimalizačním výsledkem a hodnotovým rozdělením optimalizačních parametrů.
Optimalizace modelu | Výsledek
Obě optimalizační metody mají jedno společné. Na konci procesu vám poskytnou seznam mutací modelu z uložených dat. Zde najdete podrobnosti o výsledku optimalizace a přiřazení hodnot optimalizovaným parametrům. Tento seznam je uspořádán sestupně. Předpokládané nejlepší řešení najdete nahoře. Tento výsledek optimalizace se stanoveným přiřazením se nejvíce blíží optimalizačnímu kritériu. Všechny výsledky addonu mají využití <1. Program dále po dokončení analýzy nastaví hodnoty z optimálního řešení u optimalizačních parametrů v globálním seznamu parametrů.
E-shop
Sestavte si svůj individuální balíček programů! Veškeré ceny najdete v online přehledu.
Spočítejte si cenu