ОптиСЛанг

optiSLang
Разработчик(и)	Ансис Германия ГмбХ
Стабильная версия	23.2 / июнь 2023 г.
Операционная система	Кросс-платформенный
Платформа	Intel x86 32-разрядный , x86-64
Доступно в	Английский
Тип	Программное обеспечение для моделирования
Лицензия	Собственное коммерческое программное обеспечение
Веб-сайт	Страница продукта optiSLang

optiSLang — это программная платформа для CAE на основе анализа чувствительности , междисциплинарной оптимизации (MDO) и оценки надежности. Первоначально он был разработан Dynardo GmbH и обеспечивает основу для численной оптимизации надежного проектирования (RDO) и стохастического анализа путем определения переменных, которые в наибольшей степени способствуют достижению заранее определенной цели оптимизации. Это включает также оценку устойчивости, т.е. чувствительности к разбросу проектных переменных или случайным колебаниям параметров. ^[1] В 2019 году Dynardo GmbH была приобретена Ansys . ^[2]

Методология

Анализ чувствительности

Представляя переменные непрерывной оптимизации в виде равномерных распределений без взаимодействия переменных, анализ чувствительности на основе дисперсии позволяет количественно оценить вклад переменных оптимизации в возможное улучшение реакций модели. В отличие от методов чувствительности, основанных на локальной производной, подход, основанный на дисперсии, количественно определяет вклад по отношению к определенным диапазонам переменных.

Коэффициент прогноза (CoP) ^[3]
CoP является независимой от модели мерой оценки качества модели и определяется следующим образом:

$CoP=1-{\frac {SS_{E}^{\text{pred}}}{SS_{T}}}$

Где $SS_{E}^{\text{pred}}$ представляет собой сумму квадратов ошибок прогнозирования. Эти ошибки оцениваются на основе перекрестной проверки . В процедуре перекрестной проверки набор опорных точек сопоставляется с $q$ подмножества. Затем аппроксимационная модель строится путем удаления подмножества $i$ от опорных точек и аппроксимации выходных данных подмножества модели $y_{i}$ используя оставшийся набор точек. Это означает, что качество модели оценивается только в тех точках, которые не используются для построения аппроксимационной модели. Поскольку вместо подгонки используется ошибка прогнозирования, этот подход применим к моделям регрессии и даже интерполяции.

Метамодель оптимального прогноза (MOP): ^[3]
Качество прогнозирования аппроксимационной модели можно улучшить, если из модели удалить неважные переменные. Эта идея принята в Метамодели оптимального прогноза (MOP), которая основана на поиске оптимального набора входных переменных и наиболее подходящей модели аппроксимации (полиномиальной или скользящих наименьших квадратов с линейным или квадратичным базисом). Благодаря независимости модели и объективности показателя CoP, он хорошо подходит для сравнения различных моделей в разных подпространствах.

Междисциплинарная оптимизация :
Оптимальное подпространство переменных и аппроксимационная модель, найденные с помощью процедуры CoP/MOP, также могут использоваться для предварительной оптимизации перед тем, как глобальные оптимизаторы (эволюционные алгоритмы, методы адаптивной поверхности отклика, градиентные методы, биологические методы) будут использоваться для прямой одноцелевая оптимизация. После проведения анализа чувствительности с использованием MOP/CoP также можно выполнить многокритериальную оптимизацию, чтобы определить потенциал оптимизации в рамках противоположных целей и получить подходящие весовые коэффициенты для следующей одноцелевой оптимизации. Наконец, эта одноцелевая оптимизация определяет оптимальную конструкцию.

Оценка надежности:
В дисперсионном анализе устойчивости исследуются вариации критических реакций модели. В optiSLang методы случайной выборки используются для генерации дискретных выборок объединенной функции плотности вероятности заданных случайных величин. На основе этих выборок, которые оцениваются решателем так же, как и при анализе чувствительности, оцениваются статистические свойства ответов модели, такие как среднее значение, стандартное отклонение, квантили и стохастические моменты более высокого порядка.

Анализ надежности:
В рамках вероятностной оценки безопасности или анализа надежности влияния рассеяния моделируются как случайные величины, которые определяются типом распределения, случайными моментами и взаимными корреляциями. Результатом анализа является дополнительная надежность вероятность отказа, которую можно представить в логарифмическом масштабе.

Интеграция процессов

optiSLang предназначен для использования нескольких решателей для исследования механических, математических, технических и любых других поддающихся количественному измерению задач. Здесь optiSLang предоставляет прямые интерфейсы для внешних программ:

АНСИС
МАТЛАБ
GNU Октава
Эксель
OpenOffice Кальк
Питон
Абакус
МоделированиеX
КАТИЯ
ЛС-ДИНА
Флаунекс
мультиПлас
любое программное обеспечение с текстовым определением ввода

История

С 1980-х годов исследовательские группы Университета Инсбрука и Университета Баухауса в Веймаре разрабатывали алгоритмы оптимизации и анализа надежности в сочетании с моделированием методом конечных элементов . В результате было создано программное обеспечение «Структурный язык (SLang)». В 2000 году инженеры CAE впервые применили его для оптимизации и анализа надежности в автомобильной промышленности. В 2001 году была основана компания Dynardo GmbH. На основе SLang было запущено программное обеспечение optiSLang как промышленное решение для анализа чувствительности на основе CAE , оптимизации , оценки устойчивости и анализа надежности. В 2013 году текущая версия optiSLang 4 была полностью переработана: появился новый графический интерфейс пользователя и расширенные интерфейсы для внешних процессов CAE. ^[1]

Ссылки

^ Перейти обратно: ^а ^б Веб-сайт продукта
^ https://www.ansys.com/about-ansys/news-center/10-24-19-ansys-and-dynardo-sign-definitive-acquisition-agreement
^ Перейти обратно: ^а ^б Мост, Томас; Уилл, Йоханнес (2011). «Анализ чувствительности с использованием метамодели оптимального прогноза (MOP)» (PDF) . Труды ВОСТ . 8 .

Внешние ссылки

[OSL_broschure-1] Перейти обратно: ^а ^б Веб-сайт продукта

[2] ttps://www.ansys.com/about-ansys/news-center/10-24-19-ansys-and-dynardo-sign-definitive-acquisition-agreement

[Paper_Most_2011-3] Перейти обратно: ^а ^б Мост, Томас; Уилл, Йоханнес (2011). «Анализ чувствительности с использованием метамодели оптимального прогноза (MOP)» (PDF) . Труды ВОСТ . 8 .

[1]

[2]

[3]