Optimierung & Kosten / CO₂-Emissionsabschätzung für RFEM 6

• Künstliche-Intelligenz-Technik (KI): Partikelschwarmoptimierung (PSO)
• Strukturoptimierung nach minimalem Gewicht oder Verformung
• Nutzung beliebig vieler Optimierungsparameter
• Vorgabe von Variablenbereichen
• Optimierung von Querschnitten und Materialien
• Parameter-Definitionstypen
• Optimierung | Aufsteigend bzw. Optimierung | Absteigend
• Anwendung von parametrischen Modellen und Blöcken
• Code-basierte JavaScript-Parametrisierung von Blöcken
• Optimierung mit Berücksichtigung der Bemessungsergebnisse
• Tabellarische Darstellung der besten Modell-Mutationen
• Echtzeitdarstellung der Modellmutationen im Optimierungsprozess
• Modellkostenschätzung durch Vorgabe von Stückpreisen
• Ermittlung des Treibhauspotentials GWP bei der Verwirklichung des Modells durch Schätzung des CO₂-Äquivalents
• Vorgabe von gewichts-, volumen- und flächenbasierten Stückeinheiten (Preis und CO₂e)

Ihnen stehen für den Optimierungsprozess zwei Methoden zur Verfügung, mit denen Sie optimale Parameterwerte nach einem Gewichts- oder Verformungskriterium finden können.

Die effizienteste Methode mit der niedrigsten Berechnungszeit ist die naturnahe Partikelschwarmoptimierung (PSO). Haben Sie bereits davon gehört oder gelesen? Diese künstliche-Intelligenz-Technologie (KI) weist eine starke Analogie zum Verhalten von Tierschwärmen auf, die auf der Suche nach einem Rastplatz sind. In solchen Schwärmen finden Sie zahleiche Individuen (vgl. Optimierungslösung – z. B. Gewicht), die gerne in einer Gruppe bleiben und der Gruppenbewegung folgen. Nehmen wir an, dass jedes einzelne Schwarmmitglied das Rastbedürfnis auf einem optimalen Rastplatz (vgl. beste Lösung – z. B. niedrigstes Gewicht) hat. Dieses Bedürfnis steigt mit Annäherung zum Rastplatz an. Somit wird das Schwarmverhalten auch durch die Eigenschaften des Raums (vgl. Ergebnisdiagramm) beeinflusst.

Wieso der Ausflug in die Biologie? Ganz einfach – der PSO-Prozess in RFEM bzw. RSTAB geht ähnlich vor. Der Berechnungslauf beginnt mit einem Optimierungsergebnis aus einer zufälligen Belegung der zu optimierenden Parameter. Dabei ermittelt dieser immer wieder neue Optimierungsergebnisse mit variierten Parameterwerten, die auf der Erfahrung der bereits vorher getätigten Modellmutationen basieren. Dieser Prozess läuft so lange ab, bis die vorgegebene Anzahl von möglichen Modell-Mutationen erreicht ist.

Alternativ zu dieser Methode steht Ihnen im Programm noch eine Stapelverarbeitungsmethode zur Verfügung. Diese Methode versucht, sämtliche möglichen Modell-Mutationen durch eine zufällige Vorgabe der Werte für die Optimierungsparameter bis zum Erreichen einer vorgegebenen Anzahl von möglichen Modell-Mutationen zu prüfen.

Beide Varianten kontrollieren nach der Berechnung einer Modellmutation auch die jeweils aktivierten Bemessungsergebnisse der Add-Ons. Des Weiteren speichern sie die Variante bei einer Auslastung < 1 mit zugehörigem Optimierungsergebnis und Wertebelegung der Optimierungsparameter ab.

Die geschätzten Gesamtkosten und -emissionen können Sie aus den jeweiligen Summen der einzelnen Materialien ermitteln. Dabei setzen sich die Summen der Materialien aus den gewichtsbasierten, volumenbasierten und flächenbasierten Teilsummen der Stab-, Flächen- und Volumenelemente zusammen.