Ottimizzazione del modello
}
Hai domande sui prodotti Dlubal o hai bisogno di assistenza nella scelta del giusto per il tuo progetto?
Sono qui per aiutarti. Puoi contattarmi facilmente attraverso le opzioni di contatto fornite di seguito.
Non vedo l'ora di sentirti!
Ottimizzazione dei modelli con intelligenza artificiale (IA)
Ottimizzazione del modello | Caratteristiche
- Tecnica di intelligenza artificiale (IA): Ottimizzazione dello sciame di particelle (PSO)
- Ottimizzazione della struttura secondo il peso o la deformazione minima
- Utilizzo di un numero qualsiasi di parametri di ottimizzazione
- Definizione di intervalli di variabili
- Ottimizzazione di sezioni trasversali e materiali
- Tipi di definizione dei parametri
- Ottimizzazione | Crescente oppure Ottimizzazione | Decrescente
- Applicazione di modelli e blocchi parametrici
- Parametrizzazione dei blocchi basata su codice JavaScript
- Ottimizzazione considerando i risultati delle verifiche
- Rappresentazione tabellare delle migliori mutazioni del modello
- Visualizzazione in tempo reale delle mutazioni del modello nel processo di ottimizzazione
Ottimizzazione del modello | Input
Sapevate che? L'ottimizzazione strutturale nei programmi RFEM e RSTAB completa l'inserimento parametrico. Questo è un processo parallelo alla vera e propria analisi del modello con tutte le sue definizioni regolari di calcolo e dimensionamento. L'Add-On presuppone che il vostro modello o il blocco sia costruito con una connessione parametrica e sia controllato nella sua totalità da parametri di controllo globali del tipo "Ottimizzazione". Pertanto, ai parametri di controllo viene assegnato un limite inferiore e superiore per delimitare l'ambito di ottimizzazione e un passo. Se volete trovare i valori ottimali per i parametri di controllo, è necessario specificare un criterio di ottimizzazione (ad es. peso minimo) selezionando un metodo di ottimizzazione (ad es. ottimizzazione dello sciame di particelle).
Ottimizzazione del modello | Analisi strutturale
Sono disponibili due metodi per il processo di ottimizzazione, con cui è possibile trovare i valori ottimali dei parametri secondo un criterio di peso o deformazione.
Il metodo più efficiente con il tempo di calcolo più basso è l'ottimizzazione del gruppo di particelle (PSO). Ne hai mai sentito parlare o letto? Questa tecnologia di intelligenza artificiale (IA) ha una forte analogia con il comportamento degli sciami di animali in cerca di un luogo di sosta. In tali sciami, ci sono numerosi individui (ad esempio, soluzione di ottimizzazione – ad esempio, peso) che preferiscono rimanere in gruppo e seguire i movimenti del gruppo. Supponiamo che ogni membro dello sciame abbia l'esigenza di riposare in un luogo ideale (ad esempio, soluzione migliore – peso minimo). Questo bisogno aumenta avvicinandosi al luogo di sosta. Pertanto, anche lo schema dello sciame è influenzato dalle caratteristiche dello spazio (ad esempio, diagramma dei risultati).
Perché l'incursione nella biologia? Molto semplice: il processo PSO in RFEM o RSTAB procede in modo simile. Il calcolo inizia con un risultato di ottimizzazione derivato da una scelta casuale dei parametri da ottimizzare. Continua a determinare nuovi risultati di ottimizzazione con valori dei parametri variati, basati sull'esperienza delle precedenti mutazioni del modello. Questo processo continua fino a quando non viene raggiunto il numero specificato di possibili mutazioni del modello.
In alternativa a questo metodo, il programma offre anche un metodo di elaborazione batch. Questo metodo cerca di esaminare tutte le possibili mutazioni del modello tramite l'impostazione casuale dei valori dei parametri di ottimizzazione fino a quando non viene raggiunto il numero specificato di mutazioni del modello possibili.
Entrambe le varianti controllano, dopo il calcolo di una mutazione del modello, anche i risultati di progettazione attivati degli Add-On. Inoltre, memorizzano la variante con un utilizzo < 1 insieme al risultato di ottimizzazione e all'assegnazione dei valori dei parametri di ottimizzazione.
Ottimizzazione del modello | Risultato
Entrambe le metodologie di ottimizzazione hanno un aspetto in comune. Alla fine del processo, presentano una lista di mutazioni del modello dai dati salvati. In essa troverete l'indicazione del risultato di ottimizzazione controllante e l'assegnazione dei valori dei parametri di ottimizzazione corrispondenti. Questa lista è organizzata in ordine decrescente. Troverete la presunta migliore soluzione al primo posto. Qui il risultato di ottimizzazione con l'assegnazione dei valori determinati è più vicino al criterio di ottimizzazione. Tutti i risultati del componente aggiuntivo presentano un utilizzo < 1. Inoltre, al termine dell'analisi, il programma imposta automaticamente l'assegnazione dei valori della soluzione ottimale per i parametri di ottimizzazione nell'elenco globale dei parametri.
.png?mw=200&hash=ceabdac71454991b172d1a40faa3844b9a756ff1)
Webshop
Configura il tuo pacchetto di programmi personalizzato e scopri tutti i prezzi online!
Calcola il tuo prezzo
