Sposób definiowania parametrów globalnych został opisany w artykule w Bazie wiedzy 'Parametryzacja modeli w RFEM 6/RSTAB 9'. Z tego artykułu dowiesz się, jak zoptymalizować zdefiniowane parametry, przy uwzględnieniu różnych aspektów.
W tym celu należy aktywować dodatek 'Optymalizacja i koszty/Oszacowanie emisji CO2 ', jak pokazano na rysunku 1. Pierwsza część tego rozszerzenia umożliwia znalezienie odpowiednich wartości dla sparametryzowanych modeli i bloków za pomocą sztucznej inteligencji (AI) techniką optymalizacji rojem cząstek (PSO) w celu zapewnienia zgodności z powszechnymi kryteriami optymalizacji.
Z powyższego artykułu wynika, że parametry globalne można utworzyć za pomocą menu 'Edytować'. Aby określić położenie stężenia względem górnego i dolnego pasa kratownicy, pokazanego na rysunku 2, zdefiniowano dwa parametry.
Początkowo parametry zostały zdefiniowane jako wartości. Aby je zoptymalizować, należy zmienić ich typ definicji na 'Optymalizacja' i zdefiniować parametry optymalizacji, takie jak wartości minimalne i maksymalne, przyrosty i kroki (rysunek 3).
Ustawienia optymalizacji są dostępne w menu 'Oblicz'. Jak pokazano na rysunku 4, wartości do optymalizacji są w rzeczywistości parametrami globalnymi. Liczba stanów zależy od liczby kroków, które zostały przypisane w parametrach optymalizacji.
Na przykład 4 kroki oznaczają, że proces optymalizacji kończy się w 5 stanach. Biorąc pod uwagę te dwie zmienne, liczba mutacji optymalizacyjnych wynosi 25. Innymi słowy, program zmienia wartości dwóch zmiennych w zdefiniowanym zakresie; te kombinacje prowadzą do obliczeń 25 modeli o różnej geometrii.
Ponieważ interesuje nas znalezienie optymalnej geometrii (tj. położenia stężenia w tym przykładzie), należy ustawić optymalizację jako 'Aktywna'. Może się zdarzyć, że istnieje wiele mutacji optymalizacji; dzięki temu można samodzielnie zdefiniować najlepszą liczbę modelowanych mutacji, które mają zostać zachowane.
Termin 'najlepszy' jest powiązany z wybraną podstawą optymalizacji. Można na przykład wybrać optymalizację pod kątem minimalnego ciężaru całkowitego, przemieszczenia wektorowego, odkształcenia pręta lub powierzchni, kosztu lub emisji CO2.
Następnie można wybrać opcję obliczenia wszystkich mutacji, a po rozpoczęciu obliczeń program wyświetli wyniki dla wszystkich poszczególnych mutacji (rysunek 5).
Program udostępnia jednak również bardziej efektywne metody optymalizacji (patrz rysunek 4). Można na przykład zastosować zbliżoną do naturalnej optymalizację rojem cząstek (PSO), w której obliczenia inicjowane są wynikiem optymalizacji z losowego przyporządkowania parametrów do optymalizacji; następnie wyznaczane są wciąż nowe wyniki optymalizacji ze zróżnicowanymi wartościami parametrów.
Takie wyniki opierają się na doświadczeniach z wcześniej przeprowadzonych mutacji modelu, aż do osiągnięcia określonej liczby możliwych mutacji. Ponadto można skorzystać z metody przetwarzania wsadowego, która polega na próbie sprawdzenia wszystkich możliwych mutacji modelu poprzez losowe określanie wartości parametrów optymalizacji, aż do osiągnięcia określonej liczby możliwych mutacji modelu.
Wszystkie metody optymalizacji podają listę wariacji modelu na podstawie danych zapisanych na koniec procesu. Wskazują wynik decydujący dla optymalizacji i odpowiadające mu wartości parametrów (rysunek 6).
Lista ta jest uporządkowana w kolejności malejącej i pokazuje najlepsze rozwiązanie na górze, gdzie, przy określonych wartościach parametrów, wynik optymalizacji jest najbliższy do przyjętego kryterium. Ponadto, po zakończeniu analizy, program dostosuje wartości na globalnej liście parametrów aby odpowiadały tym dla optymalnego rozwiązania.
