Optimización del modelo para RSTAB 9

• Tecnología de inteligencia artificial (IA): Optimización por enjambre de partículas (PSO)
• Optimización de la estructura según el peso mínimo o la deformación
• Uso de cualquier número de parámetros de optimización
• Especificación de rangos de variables
• Optimización de secciones y series de materiales
• Tipos de definición de parámetros
• Optimización | Ascendente u Optimización | Descendente
• Aplicación de modelos paramétricos y bloques
• 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

Existen dos métodos disponibles para el proceso de optimización, con los cuales puede encontrar valores óptimos de parámetros basados en un criterio de peso o deformación.

El método más eficiente con el menor tiempo de cálculo es la optimización por enjambre de partículas (PSO, por sus siglas en inglés), inspirada en la naturaleza. ¿Ha oído hablar o leído sobre esto ya? Esta tecnología de inteligencia artificial (IA) tiene una fuerte analogía con el comportamiento de los enjambres de animales que están buscando un lugar de descanso. En tales enjambres, encontrará numerosos individuos (compare con la 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 óptimo (compare con la mejor solución – por ejemplo, el peso más bajo). Esta necesidad aumenta al acercarse al área de descanso. Por lo tanto, el comportamiento del enjambre también se ve influenciado por las propiedades del espacio (compare con el diagrama de resultados).

¿Por qué este viaje a la biología? Es simple: el proceso de 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. Aquí, siempre se determinan nuevos resultados de optimización con valores de parámetros variando, basados en la experiencia de las mutaciones del modelo realizadas anteriormente. Este proceso continúa hasta que se alcanza el número predefinido de posibles mutaciones del modelo.

Alternativamente a este método, el programa también ofrece un método de procesamiento por lotes. Este método intenta verificar todas las posibles mutaciones del modelo a través de una asignación aleatoria de los valores para los parámetros de optimización, hasta que se alcanza un número predefinido de posibles mutaciones del modelo.

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