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 que pode utilizar para o processo de otimização através dos quais pode encontrar os valores de parâmetros ideais de acordo com um critério de peso ou deformação.

O método mais eficiente e com o menor tempo de cálculo é a otimização quase natural por enxame de partículas (PSO). Já ouviu falar ou leu sobre isso? Esta tecnologia de inteligência artificial (IA) tem uma forte analogia com o comportamento de bandos de animais em busca de um local de repouso. Em tais enxames, existem muitos indivíduos (cf. solução de otimização, por exemplo, peso) que preferem formar um grupo e seguir o movimento do grupo. Vamos assumir que cada elemento individual do enxame necessita de parar num local de repouso ideal (cf. melhor solução, por exemplo, peso mais baixo). Esta necessidade aumenta à medida que se aproxima do local de repouso. Assim, o comportamento do enxame também é influenciado pelas propriedades do espaço (cf. diagrama de resultados).

Porquê esta incursão pela biologia? A razão é muito simples, o processo PSO segue uma abordagem semelhante no RFEM e no RSTAB. A execução do cálculo inicia com um resultado de otimização a partir de uma atribuição aleatória dos parâmetros a serem otimizados. Determina repetidamente novos resultados de otimização com valores de parâmetros variados, os quais são baseados na experiência das mutações do modelo realizadas anteriormente. O processo continua até que o número especificado de possíveis mutações do modelo seja alcançado.

Como alternativa, o programa dispõe de um método de processamento em lote. Este método tenta verificar todas as possíveis mutações do modelo especificando aleatoriamente os valores para os parâmetros de otimização até ser alcançado um número pré-determinado de possíveis mutações do modelo.

Após calcular uma mutação do modelo, ambas as variantes verificam também os respetivos resultados de dimensionamento ativados dos módulos. Além disso, guardam a variante com o correspondente resultado de otimização e atribuição de valores dos parâmetros de otimização se a utilização for < 1.