Les paramètres globaux de type « Optimisation » ont été définis. Ouvrez maintenant les paramètres d'optimisation via le menu « Calculer ».
Définissez l'optimisation via la case correspondante Active. Comme le montre l'image Paramètres d'optimisation, les valeurs à optimiser sont en vérité les paramètres globaux. Le nombre d'états dépend du nombre de pas assignés dans les paramètres d'optimisation. Par exemple, quatre pas signifient que le processus d'optimisation se termine après cinq états. Compte tenu des deux variables, il existe donc 25 variations d'optimisation - appelées mutations. Autrement dit : Le programme modifie les valeurs des deux variables dans la plage définie. Ces combinaisons permettent de calculer 25 modèles avec une géométrie différente.
Il peut y avoir de nombreuses mutations d'optimisation. Vous pouvez donc décider du nombre de variables de modèle que vous souhaitez générer « au mieux » en définissant les priorités comme base pour l'optimisation. Par exemple, vous pouvez définir l'optimisation sur le poids total minimal, le déplacement vectoriel, la déformation de la barre ou de la surface, les coûts ou les émissions de CO2.
Toutes les mutations d'optimisation peuvent maintenant être calculées. Une fois le calcul lancé, les résultats des différentes variables sont affichés les uns après les autres.
Méthodes d'optimisation
Cependant, le programme offre des méthodes d'optimisation encore plus efficaces.
La méthode utilisée dans cet exemple est l'optimisation par essaim de particules (PSO). Elle est basée sur la nature et représente une méthode très efficace pour trouver de bonnes valeurs de paramètres en utilisant moins de temps de calcul. Cette technologie d'intelligence artificielle (IA) présente une forte analogie avec le comportement des troupeaux d'animaux à la recherche d'un lieu de repos. Dans de tels essaims, de nombreux individus (voir la solution d'optimisation, par exemple le poids) aiment rester en groupe et suivre les mouvements du groupe. En supposant que chaque membre de l'essaim a besoin de se reposer à un lieu de repos optimal (voir la meilleure solution, par exemple le poids le plus bas) et que ce besoin augmente à mesure qu'il s'approche du lieu de repos, le comportement de l'essaim est également influencé par les propriétés de l'espace (voir le diagramme de résultats).
Le processus PSO dans RFEM ou RSTAB se déroule de la même manière. Le calcul commence par un résultat d'optimisation provenant d'une attribution aléatoire des paramètres à optimiser et détermine à plusieurs reprises de nouveaux résultats d'optimisation avec des valeurs de paramètres variées, qui sont basés sur l'expérience des mutations de modèle précédemment effectuées. Ce processus se termine lorsque le nombre spécifié de mutations de modèle possibles est atteint. Dans notre exemple, le nombre de mutations aléatoires est défini sur 30 %. Cela signifie que 30 % de toutes les mutations possibles (25) sont prises en compte.