Ansys optiSLang

В прошлом необходимость создания и автоматизации рабочего процесса со всеми необходимыми компонентами для параметрического проектирования и оценки системы в стандартизированных процессах была узким местом в процессе разработки продукта.

Ansys optiSLang предлагает двоичное взаимодействие с поддержкой графического интерфейса пользователя с основными программными инструментами CAE, используемыми при разработке виртуальных продуктов - другие могут быть связаны с помощью сценариев, текстовых интерфейсов или пользовательских интеграций.

Программное обеспечение предоставляет доступ к следующему:

• CAD (CATIA, Siemens NX, PTC Creo®, SOLIDWORKS и т. д.)
• CAE (решатели Ansys, Abaqus, Simcenter Amesim ™ и т. д.)
• Скрипты (MathWorks® MATLAB®, Python ™ и т. д.)
• Настольные инструменты (Microsoft® Excel и др.)
• Репозитории / базы данных (Ansys Minerva и др.)
• Собственные решатели

Ansys optiSLang также поддерживает различные стратегии высокопроизводительных вычислений (HPC). Вы можете отправлять задания из Microsoft® Windows® в Linux (или наоборот) или использовать свою систему очередей, возможности отправки Ansys HPC или Ansys Cloud.

Различные (параметрические) среды могут быть связаны и объединены в один автоматизированный параметрический рабочий процесс для разработки продукта на основе моделирования.

Ansys optiSLang предлагает интеграцию с Ansys Workbench. Здесь вы можете легко получить доступ к модулям optiSLang для оценки проекта с помощью функции перетаскивания. С минимальными усилиями можно настроить исследования чувствительности, оптимизацию или оценку надежности. То же самое и при использовании Ansys Electronics Desktop. Здесь мастер в AEDT поддерживает настройку рабочего процесса optiSLang всего несколькими щелчками мыши.

Независимо от того, какую среду вы используете с optiSLang, вы найдете одинаковые настройки и диалоговые окна: вам и вашим коллегам нужно изучить только один инструмент. Совместная работа и обмен ноу-хау встроены.

Автоматизация и интеграция процессов, а также доступ к наилучшим имитационным моделям являются ключами к успешным параметрическим исследованиям на основе CAE. Ansys optiSLang имеет интуитивно понятный графический пользовательский интерфейс, который позволяет подключать инструменты автоматизированного проектирования таким образом, чтобы охватить как автоматизацию процесса моделирования, так и создание рабочего процесса, а также модули, управляемые мастерами, для проведения исследований чувствительности или надежной оптимизации проекта.

Графический пользовательский интерфейс поддерживает подход к рабочему процессу визуально с помощью единых строительных блоков и алгоритмов, которые графически связаны для отображения потока параметров, зависимостей и планирования. Отношения можно определять и контролировать в одном контексте. Одновременно отображаются понятные диаграммы и панели управления. Это обеспечивает полный доступ и отслеживаемость всего рабочего процесса. Пользователь может подключить любой сложный процесс моделирования решателей CAE, а также пре- и постпроцессоров в гетерогенных сетях или кластерах. Моделирование автоматизировано либо в единой цепочке процессов решателя, либо в очень сложных междисциплинарных / многодоменных потоках. Даже карты производительности и их оценка могут быть частью стандартизированных рабочих процессов.

Ansys optiSLang предоставляет интерфейсы Python, web, текстовой строки и командной строки, позволяющие:

• Автоматическое создание
• Модификация
• Исполнение
• Мониторинг и удаленное управление

Для проектов, созданных в optiSLang или из внешних источников, использование в пользовательских приложениях защищено. Проекты Ansys optiSLang можно интегрировать в индивидуальные платформы. Повторяющиеся и комплексные задачи можно стандартизировать и автоматизировать.

Рабочие процессы моделирования можно упростить с помощью optiSLang. Мощь симуляции теперь может быть использована теми, кто не знаком с симуляцией.

Моделирование играет большую роль в понимании продуктов и процессов. Анализ вариаций на основе параметров добавляет уровень понимания того, как ваш проект или процесс ведет себя в условиях изменчивости. Соединение параметрического моделирования с мощными методами изменения дизайна и исследования дизайна - большой шаг в инженерии, который поможет вам лучше понять и оптимизировать свой продукт за меньшее время.

Мастер optiSLang поможет вам определить проектные переменные с помощью граничных условий или возможных дискретных значений. В задачах мультидисциплинарной оптимизации количество проектных переменных часто может быть очень большим. С помощью мощных алгоритмов планирования эксперимента (DOE) и корреляционного анализа модуль чувствительности optiSLang автоматически определяет те переменные, которые эффективно влияют на вариабельность реакции. На основе этой идентификации количество проектных переменных будет значительно уменьшено, и можно будет провести эффективное исследование и оптимизацию проекта. Кроме того, анализ чувствительности создает основу для правильной формулировки задачи оптимизации с учетом выбора и количества целей, их весовых коэффициентов или возможных ограничений.

Ansys optiSLang предоставляет автоматизированный рабочий процесс для анализа чувствительности для создания наилучшего возможного корреляционного анализа. Во взаимосвязи с доступными данными или точками моделирования рабочий процесс автоматически уменьшает количество важных входных переменных и генерирует наилучшую возможную приближенную модель (метамодель), которая показывает, как изменчивость входных данных влияет на изменчивость отклика. Критерием оптимальной метамодели является способность прогнозировать изменчивость ответа для определенного набора точек данных, а затем вывести наилучшую возможную метамодель, известную как метамодель оптимального прогноза (MOP). Рабочий процесс MOP помогает вам эффективно использовать ваши данные и исследования параметрического моделирования и максимально улучшить ваш проект. Добавление передовых алгоритмов машинного обучения на основе искусственного интеллекта (AI) в соревнование MOP открывает еще более высокие измерения параметров и более высокие измерения точек данных, которые могут быть рассмотрены и представляют особый интерес для приложений цифрового двойника или автономных приводов. Узнайте больше об этом в Моделирование в упрощенном режиме.

Понимание вашего дизайна или данных о вашем продукте становится возможным благодаря использованию интуитивно понятных и интерактивных инструментов постобработки и визуализации. Знание того, как производительность связана с исходными данными проектирования и рабочими параметрами, является ключом к разработке продукта на основе моделирования и является прочной основой для инноваций и конкурентного преимущества.

Модуль optiSLang, статистика конструкции (SoS), предоставляет множество мощных статистических функций с полевыми величинами, такими как отклонение геометрии или напряжения на 1D, 2D или 3D уровнях дискретизации, которые затем могут быть дополнительно исследованы, включая:

• Инкапсуляция (нижнего и верхнего) пределов значений
• Среднее, стандартное отклонение, дисперсия
• Линейные корреляции и коэффициент дивергенции (CoD) относительно входных параметров
• Нелинейные показатели чувствительности по входным параметрам
• Значения квантилей, значения k * sigma и вероятности превышения для фиксированных предельных значений
• Статистика Cp, Cpk
• Стандартная ошибка для среднего значения и дисперсии
• Разложение по собственным значениям изменчивости полевых данных с использованием разложения случайного поля

Различные режимы визуализации и различные параметры конфигурации завершают постобработку. Вы можете выбирать между разными представлениями. Внутренняя часть трехмерных структур также может быть сделана видимой с помощью полупрозрачных изоповерхностей или через плоскости сечения. Для оценки и обработки данных SoS предусмотрены сценарии, и они могут быть включены в рабочие процессы optiSLang для целей постобработки или для автоматического создания вариантов проекта на основе параметрических случайных полей в любом решателе CAE.

Ansys optiSLang создает метамодели на основе результатов моделирования или испытаний. По сути, метамодель - это суррогат, который изучает, как изменчивость отклика связана с изменчивостью входных данных из базового набора высокоточных симуляций или данных реальной системы, но с быстрой обратной связью. Выполнение моделирования для прогнозирования определенной конфигурации проекта может занять часы или дни, но запуск модели сокращенного порядка даст ответ за доли секунды. Эти метамодели можно использовать внутри optiSLang для оптимизации или надежного анализа проекта или экспортировать для использования в качестве ПЗУ.

Метамоделирование Ansys optiSLang выполняет три важные задачи. Во-первых, он определяет соответствующее подпространство параметров, потенциально уменьшая размерность проблемы и количество проектных точек, необходимых для построения достаточно точных метамоделей. Затем он разрабатывает метамодель оптимального прогноза (MOP), определяя оптимальную метамодель в оптимальном подпространстве параметра, что приводит к наилучшему возможному качеству прогноза вариабельности ответа. Качество прогноза измеряется по набору точек данных с использованием коэффициента качества прогноза (CoP) с перекрестной проверкой. Точность прогнозов имеет решающее значение для ценности ПЗУ, и строгая перекрестная проверка не позволяет переобучать данные.

Подводя итог, MOP предоставляет

• Идентификация наиболее важных входных переменных, связанных с каждым значением ответа
• Автоматическая идентификация метамодели с наилучшим качеством прогноза
• Количественная оценка объективного качества прогноза каждого ответа
• Минимизация реальных запусков решателя за счет использования MOP в качестве суррогата

Суррогаты также можно использовать в качестве ПЗУ. ПЗУ, построенные на данных моделирования или в полевых условиях, считаются ПЗУ на основе данных. В отличие от ПЗУ, созданных с помощью стратегий линеаризации, ПЗУ на основе данных не имеют ограничений в представлении нелинейностей. Конечно, если для представления нелинейности доступно недостаточно точек данных, способность ROM прогнозировать качество для представления изменчивости отклика будет низкой, но при наличии объективной меры качества прогноза (CoP) пользователи не подвергаются риску в продолжении использования переоборудованных или ненадежных ПЗУ на основе данных. С другой стороны, качество прогноза, измеренное с помощью глобальных и локальных значений CoP, связано с пространством вариаций, представленным в базовом наборе данных.

ПЗУ имеют большое значение для системного моделирования или цифровых двойников. Если подробное моделирование продукта с высокой точностью должно быть связано с данными датчика для точного прогнозирования характеристических значений (например, срока службы лопаток турбины), ПЗУ на основе данных являются ключевой технологией, позволяющей максимально оптимизировать обслуживание или работу системы. Требования к времени отклика цифровых двойников могут быть выполнены только в том случае, если имитационные модели с высокой точностью ускорены на порядки.

Разложение случайного поля является ключевой технологией для расширения метамоделирования от скалярных значений до временных рядов (сигнал MOP) и данных поля (поле MOP). Он открывает новые горизонты метамоделирования для использования в качестве ПЗУ в виртуальном прототипировании, в системном моделировании и для приложений цифровых двойников.

Ansys optiSLang предоставляет мощные алгоритмы оптимизации и автоматизированные рабочие процессы для эффективного определения оптимальных проектных параметров для различных многодисциплинарных, нелинейных и многокритериальных задач оптимизации. Начиная с более ранних этапов анализа чувствительности, optiSLang уже знает наиболее важные параметры и может выполнить предварительную оптимизацию метамодели для достижения оптимальных конфигураций проекта. Управляемый мастером модуль для оптимизации предоставляет пользователю указания (дерево решений), чтобы рекомендовать оптимизатор с настройками по умолчанию.

Доступные алгоритмы включают:

• Градиентные методы (NLPQL)
• Алгоритмы оптимизации, вдохновленные природой (NOA)
• Поверхностный метод адаптивного отклика (ARSM)
• Адаптивная метамодель оптимального прогноза (AMOP
• Индивидуальные алгоритмы оптимизации

Эффективное выполнение предварительной оптимизации наборов параметров и изучение возможных объективных конфликтов с использованием метамоделей из анализа чувствительности поможет вам прийти к хорошему начальному проекту и руководству по поиску правильной формулировки вашей задачи оптимизации. Простое определение диапазонов параметров, единичных и множественных целей и ограничений поможет вам настроить все исследования. Для еще более эффективной и стандартизированной работы управление рабочими процессами в optiSLang позволяет перенаправлять оптимальные варианты дизайна от одного цикла оптимизации к другому. Это также позволяет вам вкладывать циклы расследования (например, карты производительности) или комбинировать различные дисциплины.

Анализ чувствительности программного обеспечения вместе с его алгоритмом оптимизации часто используется для калибровки имитационных моделей по их «реальному двойнику». Таким образом, данные измерений представляют собой характерные реакции системы, которые имеют решающее значение для проверки и улучшения физической модели системы. В контексте идентификации параметров калибровка модели означает использование экспериментальных наблюдений и прогонов моделирования для идентификации неизвестных или неопределенных параметров имитационной модели.

Посредством анализа чувствительности сначала должны быть обнаружены параметры, которые влияют на результаты моделирования и процедуру калибровки. Важно сократить набор параметров до тех, которые оказывают существенное влияние на вариабельность результатов, и отключить другие - без значительной чувствительности их невозможно идентифицировать, и любая оптимизация приведет к бессмысленным значениям для несущественных параметров. Затем анализ чувствительности помогает определить соответствующие диапазоны параметров и подходящие меры для количественной оценки разницы между измерением и моделированием. Наконец, вы можете проанализировать, будет ли обратная задача решена однозначно, что означает, что существует уникальная комбинация параметров, которая обеспечивает уникальное соответствие между измерением и моделированием.

Производственные допуски, разброс материалов, случайно распределенные нагрузки или другие стохастические эффекты вызывают свойства рассеивания характеристик продукта. Данные сигналов, такие как кривые нагрузки или данные из протоколов измерений (например, кривые нагрузки и деформации, частотные характеристики), также часто подвержены рассеянию или неопределенности. Чтобы обеспечить качество вашей продукции, избежать отзыва продукции или выполнить требования безопасности, вы можете учесть эти различия в процессе виртуального прототипирования, применив стохастический анализ и статистические методы.

Более того, оптимизированные конструкции часто выходят за рамки своих возможностей, например, в отношении прочности материала. Поэтому необходимо исследовать влияние входных переменных рассеяния на эти конструкции, например, геометрию, параметры материала, граничные условия или нагрузки. Чтобы справиться с неизбежными неопределенностями в условиях эксплуатации, а также в производственных процессах, важно ввести соответствующую оценку и измерение надежности на основе стохастического анализа. Наш опыт консультирования показывает, что коэффициент дисперсии также является подходящей мерой устойчивости для сравнения относительных вариаций критических откликов модели на относительную вариацию входной переменной в дополнение к стандартным вариациям и уровням сигмы.

Оценка устойчивости, аналогичная анализу чувствительности, также определяет наиболее важные переменные рассеяния и предоставляет дерево решений, которое поможет вам выбрать наиболее подходящие алгоритмы для проверки устойчивости или надежности для вашей конкретной ситуации. Ansys optiSLang количественно оценивает надежность проектов, создавая набор подходящих вариантов дизайна на основе разброса входных переменных. Оптимизированная выборка латинского гиперкуба и количественная оценка каждой вариабельности входных данных по вариации результата с помощью коэффициента прогноза (CoP) обеспечивает надежность мер вариации и корреляции с минимумом требуемых вариантов дизайна.

Если конструкции должны соответствовать высоким требованиям безопасности или качества с низкой вероятностью событий менее 1 из 1000, необходим анализ надежности, чтобы исследовать, как на эти конструкции влияют входные переменные, например геометрия, параметры материала, граничные условия или нагрузки. В качестве альтернативы оценке безопасных расстояний с использованием стандартных отклонений в оценках устойчивости анализ надежности вычисляет вероятность превышения определенного предела с использованием стохастических алгоритмов. В результате количество редких нарушений событий может быть определено количественно и доказано, что они меньше принятого значения. Для анализа надежности optiSLang предоставляет мощные численные алгоритмы для определения вероятностей нарушения малых событий.

Качество - одно из важнейших свойств продукта. Обеспечение его оптимальным образом приводит к сокращению затрат на доработку, брак, отзыв или даже судебные иски и удовлетворяет спрос клиентов на надежность. При разработке продукта общий подход к достижению этой цели состоит в том, чтобы объединить оптимизацию и оценку устойчивости / надежности в так называемую оптимизацию робастной конструкции (RDO) или количественную оценку неопределенности (UQ). Метод использует результаты стохастического анализа в качестве ограничений или целей для выполнения оптимизации. Комбинируя рабочие процессы оптимизации и устойчивости / надежности, optiSLang позволяет надлежащим образом учитывать неопределенности в процессе оптимизации и выполнять важную окончательную проверку критических сценариев.