Otimização de modelo para o RSTAB 9

• Tecnologia de inteligência artificial (IA): otimização por enxame de partículas (PSO)
• Otimização da estrutura segundo o peso mínimo ou a deformação
• Utilização de qualquer número de parâmetros de otimização
• Especificação de intervalos de variáveis
• Otimização de secções e materiais
• Tipos de definição de parâmetros
• Otimização | Ascendente ou otimização | Descendente
• Aplicação de modelos e blocos paramétricos
• Parametrização de blocos em JavaScript baseada em código
• Otimização tendo em conta os resultados do dimensionamento
• Apresentação tabular das melhores mutações do modelo
• Visualização em tempo real das mutações do modelo no processo de otimização

Existem dois métodos disponíveis para o processo de otimização, com os quais você pode encontrar valores de parâmetros ótimos com base em um critério de peso ou deformação.

O método mais eficiente com o menor tempo de cálculo é a otimização por enxame de partículas (PSO) inspirada na natureza. Você já ouviu falar ou leu sobre isso? Esta tecnologia de inteligência artificial (IA) tem uma forte analogia com o comportamento de enxames de animais em busca de um local de descanso. Nesses enxames, você encontrará numerosos indivíduos (cf. solução de otimização – por exemplo, peso) que gostam de permanecer em grupo e seguir o movimento do grupo. Suponhamos que cada membro do enxame tenha a necessidade de descansar em um local de descanso ótimo (cf. melhor solução – por exemplo, menor peso). Esta necessidade aumenta à medida que se aproxima do local de descanso. Assim, o comportamento do enxame também é influenciado pelas características do espaço (cf. diagrama de resultados).

Por que a excursão à biologia? Muito simples – o processo PSO no RFEM ou RSTAB procede de maneira semelhante. A execução do cálculo começa com um resultado de otimização a partir de uma atribuição aleatória dos parâmetros a serem otimizados. Neste processo, são continuamente gerados novos resultados de otimização com valores de parâmetros variados, baseados na experiência das mutações de modelos realizadas anteriormente. Este processo prossegue até que o número especificado de mutações de modelos possíveis seja atingido.

Como alternativa a este método, existe ainda um método de processamento em lote disponível no programa. Este método tenta verificar todas as mutações de modelos possíveis por meio de uma determinação aleatória de valores para os parâmetros de otimização até atingir um número especificado de mutações de modelos possíveis.

Ambas as variantes também verificam os resultados de dimensionamento ativados dos Add-Ons após o cálculo de uma mutação de modelo. Além disso, elas salvam a variante quando a utilização é < 1 com o resultado de otimização associado e a atribuição de valores dos parâmetros de otimização.