使用人工智能(AI)优化模型
优化和成本 / CO2 排放估算 | 产品特性
- 人工智能技术(AI): 粒子群优化算法 (PSO)
- 按照最小自重或变形对结构进行优化
- 可以使用任意数量的优化参数
- 指定可变范围
- 优化截面和材料
- 参数定义类型
- 优化 | 升序或优化 | 下降
- 参数化模型和块的应用
- 基于规范的 JavaScript 技术对块进行参数化设置
- 根据设计结果进行优化
- 表格显示最佳模型突变
- 实时显示优化过程中的模型突变
- 通过给定的单价建模成本估算
- 通过估算 CO2当量实现模型时,确定全球升温潜能值 GWP
- 可以指定重量、体积和面积的单位(价格和 CO2 e)
优化和成本 / CO2 排放估算 | 输入
您知道吗? 在 RFEM 和 RSTAB 中的结构优化是参数化输入的补充。 这是一个并行的过程,与实际的模型计算以及所有的常规计算和设计定义并行。 该模块假设您的模型或块是在参数化环境下建立的,并且整体受“优化”类型的全局控制参数控制。 因此这些控制参数有一个下限、一个上限,以及一个优化范围的步长。 如果要为控制参数找到最优值,则必须在选择优化方法(例如粒子群优化)时指定优化准则(例如最小重量)。
在材料定义中已经可以找到成本和CO2排放量的估算信息。 您可以在每个材料定义中单独激活这两个选项。 该估算基于杆件、面和实体的单位成本或单位排放。 表格中的单位是重量、体积还是面积。
优化和成本 / CO2 排放估算 | 计算
有两种方法可以用于优化过程,一种是根据重量或变形准则找到最优参数值。
计算时间最短的最有效方法是近自然粒子群优化方法(PSO)。 您听说过或读到过吗? 这种人工智能 (AI) 技术的应用很好地模拟了成群的动物在寻找落脚点。 在这样的群中,您会发现许多喜欢待在一个团中并跟着大团移动的个人(参见优化解决方案 - 例如重量)。 假设每个群成员都需要在最佳位置停留(参见最佳解决方案-例如最低重量)。 随着越接近停止位置,位移的需求越大。 因此,空间的属性也会影响空间群的行为(参见结果图)。
为什么来这里探索生物? 非常简单 - RFEM 或 RSTAB 中的 PSO 过程以类似的方式进行。 程序开始时会随机分配需要优化的参数,得到一个优化结果。 它会根据以前进行的模型突变的经验,通过改变参数值反复确定新的优化结果。 该过程一直持续到达到指定的数量的可能的模型突变。
作为这种方法的替代方法,程序还为您提供了一种批处理方法。 该方法会尝试通过随机指定优化参数值来检查所有可能的模型突变,直到达到预先设定的数量。
在计算模型突变后,两种变体还会检查相应模块激活的设计结果。 此外,如果利用率<1,他们还会保存变量以及相应的优化结果和优化参数的赋值。
您可以由各种材料的总成本和排放量确定估算的总成本和排放量。 材料总数由杆件、面和实体单元的重量、体积和面积的部分材料组合得出。
优化和成本 / CO2 排放估算 | 结果
这两种优化方法有一个共同点: 在优化过程结束时,它们会根据存储的数据为您提供模型突变列表。 其中包含控制优化结果的详细信息以及相关的优化参数的赋值。 该列表按降序排列。 顶部显示的是假定的最佳解决方案, 该方案的优化结果及其确定的赋值最接近优化准则。 所有模块计算结果都显示利用率小于 1。 此外,在分析完成后,程序会自动为全局参数列表中的优化参数设定最优解的赋值。
在“材料”对话框中,您可以找到“造价估算”和“CO2 排放量估算”选项卡。 在选项卡中显示了估算的单位重量、单位体积和单位面积所指定的杆件、面和实体的总和。 此外,还显示了所有分配的材料的总成本和排放量。 这样可以让您更好地了解项目。
计算价格
该价格适用于United States。