Optymalizacja i koszty/szacowanie emisji CO₂ dla RSTAB 9

• 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
• Kalkulacja kosztów modelu dzięki zadanym cenom jednostkowym
• Określanie potencjału tworzenia efektu cieplarnianego (GWP-global warming potential) na etapie tworzenia modelu poprzez szacowanie równoważnej emisji CO₂
• Określanie jednostkowych wskaźników zależnych od masy, objętości i powierzchni (cena i emisja CO₂)

Istnieją dwie metody optymalizacji, dzięki którym można znaleźć optymalne wartości parametrów według kryterium ciężaru lub odkształcenia.

Najbardziej wydajną metodą o najkrótszym czasie obliczeń jest optymalizacja roju cząstek zbliżona do naturalnej (PSO). Czy słyszałeś lub czytałeś o tym? Ta technologia sztucznej inteligencji (AI) ma silną analogię do zachowania stad zwierząt szukających miejsca odpoczynku. W takich rojach można znaleźć wiele osób (por. rozwiązanie optymalizacyjne - na przykład waga), które lubią przebywać w grupie i podążać za ruchem grupy. Załóżmy, że każdy pręt roju musi zostać poddany spoczynkowi w optymalnym miejscu (por. najlepsze rozwiązanie - na przykład najniższa waga). Potrzeba ta wzrasta wraz ze zbliżaniem się do miejsca odpoczynku. Na zachowanie roju mają zatem wpływ również właściwości przestrzeni (por. wykres wyników).

Dlaczego wycieczka do biologii? Po prostu - proces PSO w RFEM lub RSTAB przebiega w podobny sposób. Proces obliczeń rozpoczyna się od wyniku optymalizacji poprzez losowe przypisanie parametrów, które mają zostać zoptymalizowane. Wielokrotnie określa nowe wyniki optymalizacji ze zróżnicowanymi wartościami parametrów, które opierają się na doświadczeniach z wcześniej przeprowadzonych mutacji modelu. Proces jest kontynuowany do momentu osiągnięcia określonej liczby możliwych mutacji modelu.

Jako alternatywa dla tej metody program oferuje również metodę przetwarzania wsadowego. Metoda ta ma na celu sprawdzenie wszystkich możliwych mutacji modelu poprzez losowe określanie wartości parametrów optymalizacji, aż do osiągnięcia określonej liczby możliwych mutacji modelu.

Po obliczeniu mutacji modelu obydwa warianty sprawdzają również odpowiednie aktywowane wyniki obliczeń rozszerzeń. Ponadto zapisuje on wariant z odpowiednim wynikiem optymalizacji i przypisaniem wartości parametrów optymalizacji, jeżeli wykorzystanie jest < 1.

Na podstawie odpowiednich sum poszczególnych materiałów można określić szacunkowe koszty całkowite i emisję. Na sumę materiałów składają się zależne od ciężaru, objętości i powierzchnie elementów prętowych, powierzchniowych i bryłowych.