Возможности Ansys Statistics on Structures

Решения по интеграции и оптимизации процессов для оценки стоимости и производительности альтернативных вариантов конструкции продукта
Возможности Ansys Statistics on Structures

Статистическое обнаружение и визуализация горячих точек

Критические местоположения не всегда могут быть четко определены на основе одного моделирования. Это особенно актуально, когда положение максимума подскакивает или медленно меняет свое положение. В этом случае может помочь статистический анализ. Ansys SoS предоставляет множество статистических функций, результаты которых могут отображаться в 3D:

  • Инкапсуляция (нижнего и верхнего) пределов значений
  • Среднее, стандартное отклонение, дисперсия
  • Линейные корреляции и CoD по входным параметрам
  • Нелинейные показатели чувствительности по входным параметрам (F-CoP)
  • значения квантилей, значения k * sigma и вероятности превышения для фиксированных предельных значений
  • Статистика Cp, Cpk
  • Стандартная ошибка для среднего значения и дисперсии
  • Частота трещин

Вы можете использовать сценарий для проведения собственных оценок.

Практические вспомогательные функции позволяют простой выбор крайних точек с учетом определенных мер устойчивости. Выбранные точки могут быть извлечены для всех проектов DOE для дальнейшей обработки в Ansys optiSLang или Excel.

Различные режимы визуализации и различные параметры конфигурации завершают постобработку. Вы можете выбирать между разными представлениями. Большинство поддонов предназначены для пользователей с красно-зеленой слепотой. Внутренняя часть трехмерных структур также может быть сделана видимой с помощью полупрозрачных изоповерхностей или через плоскости сечения.

Планирование экспериментов с различными сигналами

изменчивость сигнала

Несколько статистических показателей для описания изменчивости сигнала


Моделирование пониженного порядка на основе данных (ROM): анализ чувствительности и аппроксимация с помощью FMOP

ПЗУ имеют большое значение для системного моделирования и цифровых двойников. Чтобы оптимизировать техническое обслуживание и работу системы, детальное моделирование продукта должно быть связано с данными датчика для точного прогнозирования характеристических значений (например, срока службы лопаток турбины). Требования к времени отклика цифровых двойников могут быть выполнены только в том случае, если подробные имитационные модели будут упрощены. В классическом «физическом» подходе ПЗУ используется матричное уплотнение, формула которого по-прежнему содержит физические влияния входной вариации на переменные отклика. Однако этот тип редукции часто подходит только для линейных систем. ПЗУ на основе данных - лучшая альтернатива для моделирования нелинейных систем. Метод использует функциональные модели для аппроксимации поверхностей отклика, с учетом влияния вариаций входа на вариацию отклика в зависимости от заданного набора параметров. Для полевых данных входных переменных или переменных отклика SoS использует полевую метамодель оптимального прогноза (FMOP) для аппроксимации сигналов, решений FEM или геометрических отклонений.

SoS предлагает возможность интерактивно визуализировать FMOP с помощью слайдера. Оценка FMOP может быть двоичной связью с DLL, так что метамодели могут быть оценены непосредственно в C ++, Python, Matlab или как фоновый процесс на веб-сайте. Используя узлы SoS, оценка FMOP также может выполняться при оптимизации в optiSLang. Мера предсказания поля F-CoP предоставляет информацию, показывающую, в каких точках сети FEM FMOP имеет высокое или низкое качество предсказания.

Качество FMOP также можно использовать для определения общих мер чувствительности для входных параметров. Следовательно, чувствительность входных параметров может быть назначена различным позициям на сетке FEM.


Моделирование сокращенного порядка на основе данных

Визуализация стандартного отклонения, показателя прогноза F-CoP и показателя чувствительности


Случайные поля на основе измерений

Часто возникает вопрос, как описать величину поля (например, изменение геометрии, напряжение, изменение деформации, кривая деформации нагрузки). Например, традиционный способ описать данные сигнала параметрами.

Если доступно достаточно измерений или результатов моделирования от DOE, параметризацию можно выполнить с использованием эмпирических случайных полей. Доминирующие модели вариаций автоматически идентифицируются из данных. Шаблоны вариаций отсортированы по степени важности. Затем каждому вариационному шаблону присваивается параметр.

Эта автоматическая параметризация является оптимальной, т. е. Гарантируется, что максимальное отклонение может быть представлено минимально возможным числом параметров. Параметризацию можно использовать для:

  • Найдите статистическое описание (корреляция в пространстве / времени, тип распределения и т. д.) На основе измерений и сохраните его для последующих приложений.
  • Создавайте новые случайные конструкции (например, сигналы, геометрию и т. д.)

Доступна интеграция в optiSLang для генерации случайных полей.


измерение случайных полей 

Классическая параметризация для описания вариаций сигнала


Случайные поля на основе моделей автокорреляции

Если доступных измерений нет или недостаточно, вариации поля могут быть изображены с помощью моделей автокорреляции. Эти модели основаны на предположении, что точки, находящиеся пространственно близко друг к другу, сильно коррелированы (т. Е. Могут даже иметь похожие значения), а точки, которые находятся дальше, коррелированы меньше или не коррелированы.

Это может быть представлено автокорреляционными функциями, которые зависят от расстояния между двумя точками и вычисляют корреляцию. Степень зависимости от расстояния можно контролировать с помощью параметра (длина корреляции).

В SoS эти модели реализованы как параметрические модели. Есть два варианта:

Модель синтетического случайного поля
. Автокорреляционная функция определяется для каждой точки в сети, а затем минимальное количество параметров определяется с помощью разложения Карунена-Лоэва для получения заранее определенных статистических свойств (среднее значение, стандартное отклонение, длина корреляции).

Модель изменения произвольной формы.
Здесь диапазон точек выбирается заранее (или определяется автоматически), и для этих точек функция автокорреляции (интерполяция) затем напрямую связывается с параметром масштабирования.


измерение случайных полей 

Классическая параметризация для описания вариаций сигнала


Плагин SoS для Ansys Workbench

Статистика по структурам предлагает плагин для Ansys Mechanical. Вы можете использовать это:

  • Создание геометрических вариаций с помощью синтетической модели случайного поля
  • Создание геометрических вариаций с помощью вариационной модели произвольной формы
  • Чтобы экспортировать любые данные результатов в SoS

Для создания геометрических вариаций плагин может получить доступ к сетке и именованным выборкам из Ansys. Вы можете определить статистические параметры через графический интерфейс Ansys. Визуализация Ansys Mechanical используется для отображения разбросанных форм или результирующего изменения геометрии в виде цветного графика. Полученную геометрию можно отобразить в файле RST в Ansys Mechanical. Параметры моделей случайного поля можно изменить вручную или сделать доступными с помощью набора параметров Ansys Workbench в optiSLang для целей изменения.

Экспорт данных служит для подготовки сетки и данных для частей конструкции в формате, подходящем для SoS. Затем данные можно очень легко импортировать в SoS и оценить для статистического анализа или для создания FMOP.


Плагин SoS для Ansys Workbench

Визуализация шаблонов вариаций произвольной формы в Ansys Mechanical

 

Наш сайт сохранит анонимные идентификаторы (cookie-файлы) на ваше устройство. Это способствует персонализации контента, а также используется в статистических целях. Вы можете отключить использование cookie-файлов, изменив настройки Вашего браузера. Пользуясь этим сайтом при настройках браузера по умолчанию, вы соглашаетесь на использование cookie-файлов и сохранение информации на Вашем устройстве.

Принимаю