Метод ввода общих параметров пояснен в статье базы знаний 'Параметризация моделей в RFEM 6/RSTAB 9'. Наша статья покажет, как оптимизировать заданные параметры в соответствии с различными аспектами.
Для этого необходимо активировать аддон "Оптимизация и затраты/Оценка выбросов CO2", как показано на рисунке 1. Первая часть этого аддона позволяет находить подходящие параметры для параметризованных моделей и блоков с помощью техники искусственного интеллекта (ИИ) оптимизации роя частиц (PSO) для соответствия общим критериям оптимизации.
В вышеупомянутой статье показано, что глобальные параметры могут быть созданы с помощью меню "редактировать". Для определения положения элемента связи по отношению к верхнему и нижнему поясу ячейки фермы, показанной на рисунке 2, были заданы два параметра.
Сначала параметры были заданы в виде значений. Чтобы их оптимизировать, необходимо изменить тип задания на "оптимизация" и задать параметры оптимизации, такие как минимальные и максимальные значения, приращения и шаги (рисунок 3).
Настройки оптимизации доступны в меню "расчет". Как показано на рисунке 4, значения для оптимизации являются глобальными параметрами. Количество состояний зависит от количества шагов, заданных в параметрах оптимизации.
Например, 4 шага означает, что процесс оптимизации завершится в 5 состояниях. С учетом двух переменных количество оптимизационных мутаций равно 25. Другими словами, программа изменяет значения двух переменных в заданном диапазоне, данные сочетания приводят к расчету 25 моделей с различной геометрией.
Поскольку нас интересует оптимальная геометрия (то есть положение элемента связи в нашем примере), оптимизация должна быть задана в качестве "активной". Может получиться так, что существует множество оптимизационных мутаций, поэтому можно самостоятельно определить оптимальное количество смоделированных мутаций, которые будут сохранены.
Понятие "оптимальный" относится к тому, что вы выбираете в качестве основы для оптимизации. Например, вы можете выбрать оптимизацию по минимальному общему весу, векторному смещению, деформации стержня или поверхности, стоимости или выбросам CO2.
Затем вы можете выбрать расчет всех мутаций, и как только начнется выполнение расчета, программа начнет отображать результаты всех самостоятельных мутаций (рисунок 5).
В программе также предусмотрены более эффективные методы оптимизации (см. рисунок 4). Например, можно применить близкую к естественной оптимизацию роя частиц (PSO), при которой расчет начинается с результата оптимизации из случайного назначения оптимизируемых параметров; затем повторно определяются новые результаты оптимизации с различными значениями параметров.
Такие результаты основаны на опыте ранее выполненных модельных мутаций до тех пор, пока не будет достигнуто заданное количество возможных мутаций. Кроме того, можно использовать метод пакетной обработки, при котором выполняется попытка проверить все возможные мутации модели путем случайного указания значений параметров оптимизации до тех пор, пока не будет достигнуто заданное количество возможных мутаций модели.
Все методы оптимизации создают список мутаций модели из сохраненных данных в конце процесса, с указанием управляющего результата оптимизации и соответствующего присвоения значений параметрам оптимизации (рисунок 6).
Этот список организован в порядке убывания и показывает предполагаемое лучшее решение в начале списка, при этом с заданным присвоением значений результат оптимизации наиболее близок к критерию оптимизации. Кроме того, после завершения анализа программа скорректирует присвоение значений оптимального решения для параметров оптимизации в общем списке параметров.
