Optymalizacja modelu dla RFEM 6

• Technologia sztucznej inteligencji (AI): Optymalizacja roju cząstek (PSO)
• Optymalizacja konstrukcji ze względu na minimalny ciężar lub deformację
• Możliwość zastosowania dowolnej liczby parametrów optymalizacyjnych
• Określanie zakresów zmiennych
• Optymalizacja przekrojów i materiałów
• Typy definicji parametrów
• Optymalizacja | Rosnąco, czyli optymalizacja | Malejąca
• Zastosowanie parametrycznych modeli i bloków
• Parametryzacja bloków w języku JavaScript na podstawie kodu
• Optymalizacja z uwzględnieniem wyników obliczeń
• Tabelaryczne przedstawienie najlepszych mutacji modelu
• Wyświetlanie w czasie rzeczywistym mutacji modelu w procesie optymalizacji

Dostępne są dwie metody optymalizacji, które pozwalają znaleźć optymalne wartości parametrów na podstawie kryterium wagowego lub odkształcenia.

Najbardziej efektywną metodą o najkrótszym czasie obliczeń jest optymalizacja rojem cząstek (PSO). Czy już o tym słyszałeś lub czytałeś? Ta technologia sztucznej inteligencji (AI) wykazuje silną analogię z zachowaniem się stad zwierząt poszukujących miejsca odpoczynku. W takich stadach znajduje się wiele jednostek (np. rozwiązanie optymalizacyjne – np. waga), które chętnie pozostają w grupie i podążają za ruchem grupowym. Przyjmijmy, że każdy członek stada ma potrzebę odpoczynku w optymalnym miejscu odpoczynku (np. najlepsze rozwiązanie – np. najniższa waga). Ta potrzeba rośnie wraz z podejściem do miejsca odpoczynku. W związku z tym zachowanie stada jest również wpływane przez właściwości przestrzeni (np. wykres wynikowy).

Dlaczego wycieczka do biologii? To proste – proces PSO w RFEM lub RSTAB działa podobnie. Uruchomienie obliczeń rozpoczyna się wynikiem optymalizacji z losowej obsady parametrów do optymalizacji. W tym procesie są stale określane nowe wyniki optymalizacji z zróżnicowanymi wartościami parametrów, oparte na doświadczeniu z wcześniejszymi mutacjami modelu. Ten proces trwa do momentu osiągnięcia określonej liczby możliwych mutacji modelu.

Alternatywnie do tej metody, w programie dostępna jest metoda przetwarzania wsadowego. Ta metoda próbuje sprawdzić wszystkie możliwe mutacje modelu przez losowe przypisanie wartości dla parametrów optymalizacji aż do osiągnięcia określonej liczby możliwych mutacji modelu.

Obie warianty kontrolują po obliczeniu mutacji modelu również aktywowane wyniki wymiarowania dodatków. Ponadto zapisują wariant przy wykorzystaniu < 1 z odpowiadającym wynikiem optymalizacji i wartościami przypisania parametrów optymalizacji.