Otimização de modelo para o RFEM 6

• 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 à sua disposição para o processo de otimização, com os quais você pode encontrar valores ótimos de parâmetros com base em critérios de peso ou deformação.

O método mais eficiente com o menor tempo de cálculo é a otimização de enxame de partículas inspirada na natureza (PSO). 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. Em tais enxames, você encontra numerosos indivíduos (comparáveis à solução de otimização – por exemplo, peso) que gostam de permanecer em grupo e seguir o movimento coletivo. Suponha que cada membro do enxame tenha a necessidade de descanso em um local de descanso ideal (comparável à melhor solução – por exemplo, menor peso). Esta necessidade aumenta à medida que se aproxima do local de descanso. Portanto, o comportamento do enxame também é influenciado pelas propriedades do espaço (comparável ao diagrama de resultados).

Por que a excursão na biologia? Simples – o processo de PSO no RFEM ou RSTAB procede de forma semelhante. A execução do cálculo começa com um resultado de otimização a partir de uma configuração aleatória dos parâmetros a serem otimizados. Durante o processo, ele determina repetidamente novos resultados de otimização com valores de parâmetro variados, baseados na experiência das mutações de modelo realizadas anteriormente. Este processo continua até que o número especificado de possíveis mutações de modelo seja alcançado.

Como alternativa a este método, você também tem à disposição um método de processamento em lote no programa. Este método tenta verificar todas as mutações de modelo possíveis através de uma atribuição aleatória dos valores para os parâmetros de otimização até alcançar o número especificado de possíveis mutações de modelo.

Ambas as variações verificam, após o cálculo de uma mutação de modelo, os resultados de dimensionamento das Add-Ons ativados. Além disso, elas armazenam a variante com uma utilização < 1 com o resultado da otimização associado e a configuração dos valores dos parâmetros de otimização.