Optimización y estimación de costes/emisiones de CO₂ para RFEM 6

Optimización del modelo

Manuales en línea

}

¿Cómo puedo ayudarle?

¿Tiene alguna pregunta sobre los productos de Dlubal o necesita ayuda para seleccionar el adecuado para su proyecto?

Estoy aquí para ayudarle. Puede contactarme fácilmente a través de las opciones de contacto proporcionadas a continuación.

¡Espero tener noticias suyas pronto!

Ing. Moisés Martínez

Ventas y Marketing

+34 960 13 67 00

[email protected] Formular una pregunta

Precios

Optimización del modelo para RFEM 6

El complemento de Optimización del modelo le ayuda significativamente a proyectar de manera sostenible. Encuentra los parámetros adecuados para modelos y bloques parametrizados a través de la técnica de la inteligencia artificial (IA) de optimización de enjambre de partículas (PSO), para cumplir con los criterios de optimización habituales.

Banner | Optimización y estimación de costes/emisiones de CO2 para RFEM 6

Optimización del modelo mediante inteligencia artificial (IA)

Total de artículos: 4

Optimización del modelo | Características

Tecnología de inteligencia artificial (IA): optimización por enjambre de partículas (PSO)
Optimización de estructuras según el peso o la deformación mínimos
Uso de cualquier número de parámetros de optimización
Especificación de rangos de variables
Optimización de secciones transversales y materiales
Tipos de definición de parámetros
Optimización | Ascendente u Optimización | Descendente
Aplicación de modelos y bloques paramétricos
Parametrización de bloques basada en código JavaScript
Optimización teniendo en cuenta los resultados del cálculo
Representación tabular de las mejores mutaciones del modelo
Visualización en tiempo real de las mutaciones del modelo en el proceso de optimización

Definición de parámetros para la optimización

Optimización del modelo | Entrada

¿Sabía usted que...? La optimización estructural en los programas RFEM o RSTAB es una complementación de la entrada paramétrica. Se trata de un proceso paralelo al cálculo real del modelo con todas sus definiciones habituales de cálculo y dimensionamiento. El complemento asume que su modelo o bloque está construido con una relación paramétrica y, en su totalidad, se controla mediante parámetros de control globales del tipo "Optimización". Por lo tanto, estos parámetros de control tienen un límite inferior y superior, así como un paso para delimitar el rango de optimización. Si desea encontrar los valores óptimos para los parámetros de control, debe especificar un criterio de optimización (por ejemplo, peso mínimo) con la selección de un método de optimización (por ejemplo, optimización por enjambre de partículas).

Optimización de modelo | Cálculo

Para el proceso de optimización, tiene a su disposición dos métodos para encontrar valores óptimos de parámetros según un criterio de peso o deformación.

El método más eficiente con el menor tiempo de cálculo es la optimización por enjambre de partículas (PSO). ¿Ha oído o leído sobre esto antes? Esta tecnología de inteligencia artificial (IA) tiene una fuerte analogía con el comportamiento de enjambres de animales que están en busca de un lugar de descanso. En tales enjambres, encontrará numerosos individuos (cf. solución de optimización - por ejemplo, peso) que prefieren permanecer en grupo y seguir el movimiento del grupo. Supongamos que cada miembro del enjambre tiene la necesidad de descansar en un lugar de descanso óptimo (cf. mejor solución - por ejemplo, el peso más bajo). Esta necesidad aumenta a medida que se acercan al lugar de descanso. Por lo tanto, el comportamiento del enjambre también se ve influenciado por las características del espacio (cf. diagrama de resultados).

¿Por qué esta excursión a la biología? Es simple: el proceso PSO en RFEM o RSTAB procede de manera similar. La ejecución del cálculo comienza con un resultado de optimización a partir de una asignación aleatoria de los parámetros a optimizar. En este proceso, se determinan nuevos resultados de optimización con valores de parámetros variados, basados en la experiencia de las mutaciones de modelos ya realizadas. Este proceso continúa hasta que se alcanza el número predeterminado de posibles mutaciones del modelo.

Alternativamente a este método, el programa le ofrece un método de procesamiento por lotes. Este método intenta revisar todas las posibles mutaciones del modelo mediante una asignación aleatoria de valores para los parámetros de optimización hasta alcanzar un número predeterminado de posibles mutaciones del modelo.

Ambas variantes también verifican los resultados de dimensionamiento activados de los complementos después del cálculo de una mutación del modelo. Además, almacenan la variante con un uso < 1 junto con el resultado de optimización y la asignación de valores de los parámetros de optimización.

Activando el complemento "Optimización del modelo"

Optimización del modelo | Resultado

Ambos métodos de optimización tienen una cosa en común. Al final del proceso, le proporcionan una lista de mutaciones del modelo de los datos guardados. Aquí puede encontrar los detalles del resultado de la optimización de control y la asignación de valores asociada de los parámetros de optimización. Esta lista está organizada en orden descendente. Puede encontrar la mejor solución asumida mostrada en la parte superior. Para esto, el resultado de la optimización con su asignación de valor determinada es el más cercano al criterio de optimización. Todos los resultados de los complementos tienen una utilización < 1. Además, una vez completado el análisis, el programa ajusta la asignación de valores a la solución óptima para los parámetros de optimización en la lista de parámetros global.