Ottimizzazione modello per RSTAB 9

• 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

Per il processo di ottimizzazione, avete a disposizione due metodi con i quali potete trovare i valori ottimali dei parametri in base a un criterio di peso o di deformazione.

Il metodo più efficiente con il tempo di calcolo più basso è l'ottimizzazione per sciame di particelle (PSO), ispirata alla natura. Ne avete mai sentito parlare o letto? Questa tecnologia di intelligenza artificiale (IA) ha una forte analogia con il comportamento degli sciami animali in cerca di un luogo di riposo. In tali sciami, si trovano numerosi individui (cfr. soluzione di ottimizzazione - ad es. peso) che preferiscono rimanere in gruppo e seguire il movimento del gruppo. Supponiamo che ogni singolo membro dello sciame abbia il bisogno di riposo in un luogo di riposo ottimale (cfr. migliore soluzione - ad es. peso più basso). Questo bisogno aumenta con l'avvicinarsi al luogo di riposo. Di conseguenza, il comportamento dello sciame è influenzato anche dalle caratteristiche dello spazio (cfr. 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 da una disposizione casuale dei parametri da ottimizzare. Questo trova continuamente nuovi risultati di ottimizzazione con valori dei parametri variati, basati sull'esperienza delle mutazioni del modello già effettuate in precedenza. Questo processo continua fino a quando viene raggiunto il numero predefinito di mutazioni del modello possibili.

In alternativa a questo metodo, nel programma è disponibile anche un metodo batch. Questo metodo tenta di esaminare tutte le possibili mutazioni del modello attraverso una determinazione casuale dei valori per i parametri di ottimizzazione fino al raggiungimento di un numero predefinito di mutazioni del modello possibili.

Entrambe le varianti controllano anche i risultati di verifica attivati di ciascun componente aggiuntivo dopo il calcolo di una mutazione del modello. Inoltre, salvano la variante con un utilizzo < 1 con il risultato di ottimizzazione e i valori assegnati ai parametri di ottimizzazione.