Podczas rozwiązywania problemów inżynierskich dużo czasu poświęca się na znalezienie odpowiedzi na kilka kluczowych pytań. Jak zminimalizować koszty produkcji? Na jakie zagrożenia narażony jest dany produkt i jak ich uniknąć? Które parametry mają największy wpływ na właściwości produktu? Jak je wykorzystać, by uzyskać najlepsze rozwiązanie? Z odpowiedzią na te i wiele innych pytań stawianych przez inżynierów przychodzi Ansys OptiSLang.

OptiSLang to zaawansowane i kompleksowe oprogramowanie do integracji procesów symulacji oraz do optymalizacji (PIDO – Process Integration and Design Optimization). Umożliwia ono integrację wielu narzędzi i technologii na jednej platformie w celu przeprowadzenia procesu optymalizacji produktu wymagającego użycia wielu parametrów i procesów. OptiSLang pozwala na obsługę plików o różnych formatach, dlatego różne systemy mogą ze sobą współpracować bez konieczności eksportu do uniwersalnych formatów wymiany danych. Ułatwia to import i analizę danych z arkuszy kalkulacyjnych, systemów CAD, oprogramowania do analiz numerycznych itp. Działanie OptiSLanga opiera się przede wszystkim na analizie wrażliwości, ocenie niezawodności (robustness evaluation) oraz algorytmach do rozwiązywania zadań Robust Design Optimization (RDO), takich jak: Metamodel of Optimal Prognosis (MOP)¹ oraz Coefficient of Prognosis (CoP)². Dodatkowo do procesów optymalizacji można użyć zaawansowanych nowoczesnych narzędzi wykorzystujących AI oraz ML. Ucząc własną sieć neuronową, jesteśmy w stanie szybko przeliczać setki DesignPointów, czyli wariantów optymalizacyjnych. Dzięki innowacyjnym rozwiązaniom Klienci mogą rozpocząć prawdziwą przygodę z optymalizacją.

Spis treści

1. Analiza wrażliwości na przykładzie rozciągania stalowego pręta
2. Automatyczna optymalizacja produktu na przykładzie stalowego haka
3. Podsumowanie

Analiza wrażliwości na przykładzie rozciągania stalowego pręta

Złożone funkcjonalności i narzędzia dostępne w OptiSLangu umożliwiają inżynierom przeprowadzenie pełnej analizy wrażliwości. Oznacza to, że program jest zdolny do określenia wpływu parametrów wejściowych na wrażliwość produktu na badaną cechę i tym samym do przewidywania jego zachowania pod wpływem zmiany tych parametrów.

Jako przykład może posłużyć analiza rozciągania belki ze stali sprężynowej (rys. 1).

Celem tej analizy było takie dopasowanie wejściowych parametrów materiałowych, by wykres zależności siły od przemieszczenia całkowitego był jak najbardziej zbliżony do wyników z eksperymentu. Taki zabieg pozwała na uzyskanie drogą symulacji modelu, który w znacznym stopniu odpowiada właściwościom modelu rzeczywistego, co jest przydatne no dalszych etapach rozwoju produktu.

Dzięki integracji OptiSLanga z Ansys Workbench cały proces analizy i optymalizacji tej próby odbywa się w jednym oknie, co zapewnia inżynierowi wygodę i przejrzystość (rys. 2).

Pierwszym etapem była symulacja rozciągania belki w programie Ansys Mechanical. Jej wynik przedstawiono na rys. 3.

Następnie na podstawie uzyskanych wyników symulacji zdefiniowano parametry wejściowe i wyjściowe, które przebadano z użyciem MOP oraz porównano z sygnałem referencyjnym, wyznaczonym na podstawie wyników eksperymentu. Kolejnym etapem była analiza wrażliwości z wykorzystaniem modułu Sensitivity (rys. 2), do którego dane wejściowe zostały dostarczone z modułów Data Send oraz Signal Processing odpowiadających za pobranie i przetworzenie wyników symulacji. Moduł Sensitivity dostarcza w tej analizie informacji dotyczących warunków ekstrakcji sygnału z użyciem: podanych wartości granicznych parametrów, rozkładu wartości modułu Younga, granicy plastyczności czy regresji liniowych wprowadzonych parametrów.

Po analizie wrażliwości otrzymano wyniki w postaci hiperpłaszczyzny MOP (rys. 4) oraz macierzy CoP (rys. 5).

Hiperpłaszczyzna przedstawiła wpływ dwóch parametrów wejściowych – tj. współczynnika wzmocnienia wykładniczego (oś Y) i granicy plastyczności (oś X) na wartość różnicy między sygnałem referencyjnym a interpolowanym (oś Z). Natomiast macierz CoP określiła w procentach wpływ wejściowych parametrów materiałowych w poszczególnych krokach symulacji na przemieszczenie badanej próbki. Na podstawie tej macierzy można wywnioskować, że wraz ze wzrostem wartości przemieszczenia spada wpływ wartości modułu Younga i rośnie wpływ wartości współczynnika wzmocnienia wykładniczego. Taka analiza dostarcza szczegółowych informacji o kluczowych parametrach w poszczególnych fazach procesu rozciągania.

Ostatnim etapem było przeprowadzenie optymalizacji za pomocą modułu Nonlinear Programming by Quadratic La-grangians (NLPQL) z zastosowaniem MOP. NLPQL to metoda optymalizacji wykorzystująca sekwencyjne programowanie kwadratowe (SQP), która rozwiązuje problemy z gładką, ciągle różniczkowalną funkcją celu. Algorytm wykorzystuje kwadratową aproksymację funkcji Lagrange’a oraz liniową aproksymację ograniczeń.

Na rys. 6 pokazano rezultaty tej optymalizacji. Tabela Best Design zawiera porównanie eksperymentalnej i wyznaczonej przy użyciu MOP wartości modułu Younga, granicy plastyczności i współczynnika umocnienia wykładniczego.

Na jej podstawie można zaobserwować bardzo dobrą zgodność między MOP a wartościami wyznaczonymi podczas eksperymentu. Widać to również na rys. 7, który przedstawia porównanie wykresów sygnału otrzymanego na podstawie eksperymentu oraz sygnału uzyskanego po optymalizacji. Natomiast z analizy tabeli Criteria Data wynika również, że wartość błędu normalnego po optymalizacji metodą MOP spadła o ok. 54% w porównaniu z początkowym zestawem parametrów. Można zatem stwierdzić, że optymalizacja metodą NLPQL z użyciem MOP przybliżyła znacznie wynik symulacji do wyniku z eksperymentu.

Automatyczna optymalizacja produktu na przykładzie stalowego haka

OptiSLang jest również narzędziem stosowanym do optymalizacji produktów zgodnie z określonymi kryteriami. Optymalizacja może służyć m.in. do redukcji kosztów produkcyjnych lub zwiększenia wydajności i funkcjonalności wyrobów. Dobrym przykładem jest projekt optymalizacji stalowego haka. Celem tego projektu było takie zoptymalizowanie geometrii haka, by obniżyć jego masę z zachowaniem odpowiedniej wytrzymałości na rozciąganie. Taki zabieg pomaga zredukować ilość materiału potrzebnego do wytworzenia haka, co przekłada się na obniżenie kosztów produkcji. Odpowiednia parametryzacja geometrii (rys. 8), analiza wrażliwości oraz optymalizacja metodą MOP pozwoliły na uzyskanie geometrii spełniającej wszystkie przyjęte na początku założenia.

Jako dane wejściowe przyjęto kilka parametrów geometrycznych opisujących kąty, długości i grubości poszczególnych elementów haka, siły F1 i F2 o wartości 6 kN oraz podporę cylindryczną.

Na rys. 9 przedstawiono wyniki symulacji wytrzymałościowej przeprowadzonej w Ansys Mechanical dla haka przed optymalizacją.

Z kolei metamodel na rys. 10 pokazuje zależność masy haka od jego długości i średnicy podpory cylindrycznej, co pozwala wywnioskować, jakie wartości tych parametrów geometrycznych mają największy wpływ na redukcję masy.

Na rys. 11 pokazano rezultaty optymalizacji, czyli wartości parametrów wyjściowych stanowiących odpowiedź dla najlepszego zestawu parametrów wejściowych.

Skuteczność OptiSLanga w uzyskiwaniu rozwiązań redukujących koszty doskonale widać na rys. 12, na podstawie którego można wywnioskować, że zaproponowana przez program geometria jest aż o 15% lżejsza od modelu początkowego. Taka optymalizacja może się przyczynić do znacznego obniżenia kosztów produkcji.

Podsumowanie

Dzięki zaawansowanym funkcjom Ansys OptiSLang integruje procesy symulacji i optymalizacji. Umożliwia skuteczną minimalizację kosztów oraz pozwala na znalezienie optymalnych rozwiązań projektowych. To sprawia, że każdy inżynier może podejść do swoich projektów z większą pewnością i efektywnością, osiągając wyższą jakość produktów. Wbudowane algorytmy optymalizacyjne oraz integracja ze wszystkimi formatami plików z programów CAE i CAD w OptiSLang znacznie skracają czas poszukiwania optymalnego rozwiązania. Nie ma potrzeby eksportu z natywnych formatów danych lub geometrii do formatów uniwersalnych, co zazwyczaj wiąże się z utratą istotnych danych lub ich czasochłonną korektą. Zastosowanie OptiSLang może znacząco skrócić drogę od koncepcji do optymalnego rozwiązania, co jest zazwyczaj najdłuższym i najdroższym etapem każdego projektu. W erze rozwoju sztucznej inteligencji oraz machine learningu OptiSLang ma ogromne szanse, by stać się podstawowym narzędziem do poprawy jakości wszelkich produktów i projektów w wielu gałęziach przemysłu. Last but not least, sama technologia jest przyjazna dla użytkownika i pomimo groźnie brzmiących nazw algorytmów czy samego pojęcia sztucznej inteligencji w łatwy sposób pozwala rozpocząć optymalizację produktu.

Autor: Mateusz Kubik, MESco Sp. z o.o.

1. MOP opiera się na poszukiwaniu optymalnego zestawu zmiennych wejściowych oraz najodpowiedniejszego modelu przybliżającego (w postaci wielomianu lub metody najmniejszych kwadratów z liniową lub kwadratową bazą). ↩︎
2. CoP to współczynnik, który pomaga określić, jak dobrze metamodel prognozuje rzeczywiste wyniki na podstawie danych treningowych. Im wyższa jakość prognoz metamodelu, tym wyższa będzie wartość tego współczynnika, co oznacza, że metamodel jest dokładny i skuteczny w przewidywaniu wyników dla nowych zestawów parametrów. ↩︎

Obserwuj nas w mediach społecznościowych i bądź na bieżąco