Optimisation du modèle pour RSTAB 9

• Technologie de l'intelligence artificielle (IA) : Optimisation du nuage de particules (PSO)
• Optimisation de la structure selon le poids minimal ou la déformation
• Utilisation d'un nombre quelconque de paramètres d'optimisation
• Spécification des plages variables
• Optimisation des sections et des matériaux
• Types de définition de paramètre
• Optimisation | Redimensionnement ou optimisation | Descendant
• Application de modèles paramétriques et de blocs
• Paramétrisation des blocs basée sur le code avec JavaScript
• Optimisation en considérant les résultats de calcul
• Affichage tabulaire des meilleures mutations du modèle
• Affichage en temps réel des mutations du modèle lors du processus d'optimisation

Pour le processus d'optimisation, vous pouvez utiliser deux méthodes, avec lesquelles vous pouvez trouver les valeurs de paramètre optimales selon un critère de poids ou de déformation.

L'optimisation du nuage de particules (PSO) est la méthode la plus efficace avec le temps de calcul le plus court. En avez-vous déjà entendu parler ou lu quelque chose à ce sujet ? Cette technologie d'intelligence artificielle (IA) présente une forte analogie avec le comportement des groupes d'animaux à la recherche d'un lieu de repos. Dans de tels groupes, vous trouverez de nombreux individus (voir la solution d'optimisation - par exemple le poids) qui aiment rester en groupe et suivre les mouvements du groupe. Supposons que chaque membre du groupe a besoin de se reposer dans un lieu de repos optimal (voir la meilleure solution - par exemple le poids le plus bas). Ce besoin augmente à mesure que vous vous approchez de l'aire de repos. Ainsi, le comportement de l'essaim est également influencé par les caractéristiques de l'espace (voir le diagramme de résultats).

Pourquoi cette digression sur la biologie ? C'est simple : Le processus PSO dans RFEM ou RSTAB se déroule de la même manière. Le calcul commence par un résultat d'optimisation provenant d'une assignation aléatoire des paramètres à optimiser. Ce faisant, il détermine en permanence de nouveaux résultats d'optimisation avec des valeurs de paramètres variées, basés sur l'expérience des mutations de modèle déjà effectuées. Ce processus se poursuit jusqu'à ce que le nombre spécifié de mutations de modèle possibles soit atteint.

Une méthode de traitement par lots est également disponible dans le logiciel. Cette méthode tente de vérifier toutes les mutations de modèle possibles en spécifiant de manière aléatoire les valeurs des paramètres d'optimisation jusqu'à ce qu'un nombre prédéterminé de mutations de modèle possibles soit atteint.

Après avoir calculé une mutation de modèle, les deux variantes vérifient également les résultats de calcul activés des modules complémentaires. De plus, ils enregistrent la variante avec le résultat d'optimisation correspondant et l'assignation des valeurs des paramètres d'optimisation avec une charge <1.