СИСТЕМЫ ИССЛЕДОВАНИЯ ПАРАМЕТРИЧЕСКОЙ ОПТИМИЗАЦИИ В ANSYS WORKBENCH

АННОТАЦИЯ

В данной статье рассмотрены основные системы исследования параметрической оптимизации реализованные в ANSYS Workbench. Также в статье представлены основные методики целевой оптимизации.

Ключевые слова: оптимизация, системы исследования, методики оптимизации

Оптимизация – это процесс изменения конструкции, структуры детали и ее варьирующихся параметров при заданном критерии оптимальности с сохранением или улучшением ее функционала. В расчетной среде ANSYS Workbench присутствует специализированный модуль для решения задач оптимизации – ANSYS DesignXplorer, который использует детерминированный метод, основанный на проектировании экспериментов (DOE), и базируется на методе оптимизации, основными составляющими которого являются параметры (GDO). Эти параметры могут поступать из любой поддерживаемой системы, DesignModeler и различных CAD-систем. Используя метод целевой оптимизации, детерминированный метод может получить множество точек проектирования. В Workbench доступны следующие системы исследования конструкции:

1. 3D ROM.

Модели сокращенного порядка (ROM-модели) – это компактные, автоматически создаваемые представления полноценных 3D моделей, предназначенные для системного моделирования. Система 3D ROM используется для создания ROM-моделей из серии симуляций заданных переменных.

2. Parameters Correlation.

Данная система используется для идентификации значимых входных параметров. Это достигается путем анализа корреляции относительного веса входных параметров для каждого выходного параметра. Когда в проекте много входных параметров (более 10), построение точной поверхности отклика становится достаточно долгим процессом. Используя систему корреляции параметров, можно определить наиболее значимые входные параметры, а затем отключить те, которые менее значимы при построении поверхности отклика. При меньшем количестве входных параметров поверхность отклика становится более точной и менее долгой при построении.

3. Response Surface.

Для каждого выходного параметра существует своя поверхность отклика. Поверхность отклика можно использовать для мгновенного анализа рабочего проекта без необходимости запуска фактического процесса моделирования. Эта метамодель пониженного порядка может затем использоваться для исследований чувствительности, оптимизации

4. Six Sigma Analysis

Эта система исследования позволяет произвести оценку влияния неопределенных входных параметров и допущений на проектируемую модель. Используя данную систему анализа, можно определить степень влияния неопределенностей в модели на результаты анализа. Неопределенность (случайная величина) – это параметр, значение которого невозможно определить в данный момент времени (если оно зависит от времени) или в данном месте (если оно зависит от местоположения).

Целевая оптимизация (GDO) это ограниченный, многоцелевой метод оптимизации, в котором наилучшие возможные проекты получаются из выборочного набора с учетом целей или ограничений, установленных для параметров.

DesignXplorer предлагает два типа систем GDO: Response Surface optimization и Direct optimization, которые базируются на методиках, приведенных ниже.

• Screening: выборка наилучших значений случайным образом из пространства решений. Этот метод используется как начальная версия решения, чтобы убедиться, что все настроено правильно.
• Многоцелевой генетический алгоритм (MOGA): одновременно находит оптимальные по Парето конструкции. Данный алгоритм используется, когда есть несколько целей.
• Нелинейное программирование квадратичным лагранжианом (NLPQL): быстрый локальный поиск. Используется, когда есть только одна цель (но можно установить другие цели как ограничения), моделирование не занимает слишком много времени (в минутах), количество переменных мало (меньше 10).
• Последовательное квадратичное программирование со смешанными целыми числами (MISQP): аналогично NLPQL, но допускает целочисленные переменные. Однако добавление целочисленных переменных часто значительно увеличивает время вычислений.
• Адаптивная одноцелевая оптимизация (ASO): метод использует оптимальное заполнение пространства для DOE и MISQP для нахождения локальных оптимальных решений по поверхности отклика.
• Адаптивная многоцелевая оптимизация (AMO): аналогично ASO, однако вместо MISQP используется многоцелевой генетический алгоритм (MOGA).

Таким образом наряду с инструментами для прямой оптимизации в DesignXplorer доступны также различные адаптивные алгоритмы, которые сочетают в себе лучшие подходы как прямой оптимизации, так и построения поверхностей отклика. Для нахождения оптимальной конструкции с большим количеством входных параметров могут быть использованы специализированные многокритериальные алгоритмы и многомерные поверхности отклика.

Список литературы:

1. Ansys DesignXplorer: Optimize your product designs through automatic parametric analysis [Электронный ресурс]. – Режим доступа: https://www.ansys.com/products/platform/ansys-designxplorer