Model sırası azaltma yöntemleri, ürün tasarımı alternatiflerini verimli bir şekilde keşfetmek için transfer fonksiyonları veya yaklaşım modelleri olarak da bilinen yedek modellerin uygulanması tekniğini ifade eder. Yaklaşık modeller, Sonlu Elemanlar Analizi (FEA), Hesaplamalı Akışkanlar Dinamiği (CFD) ve elektromanyetik (EMAG) analizde tipik olan daha yüksek doğruluklu, uzun çalışma süreli simülasyon modelleri yerine kullanılan oldukça etkili, hızlı çalışan matematiksel modellerdir. Tüm simülasyon araçları gerçekliğin yaklaşık değerleridir. Gerçeklik, bir ürünün kullanılacağı koşullar altında fiziksel testleri içerir. Bununla birlikte, fiziksel testlerin maliyeti ve süresi genellikle zaman ve maliyet açısından engelleyicidir. Bunun yerine simülasyon uzmanları, fiziksel testleri değiştirmek veya azaltmak için yüksek kaliteli simülasyon araçlarını kullanır.
Artık mevcut bilgi işlem gücüyle bile, bu yüksek kaliteli simülasyonların hesaplama süresi ve masrafı, özellikle Deney Tasarımı (DOE), Optimizasyon veya Stokastik yöntemler çalıştırılırken hala engelleyici olabilir. Bunun yerine, hesaplama süresini ve masrafını en aza indirmek için model sırası azaltma yöntemleri kullanılabilir. Bu yöntemler, matematiksel modeli geliştirmek için hala geçerli bir örnek veri seti gerektirir. Deney Tasarımı tekniğiyle yönlendirilen yüksek kaliteli simülasyon aracı kullanılarak tasarım alanından küçük bir örnekleme, güvenilir ve doğru bir yaklaşım modeli oluşturmak için yeterli olabilir.
Dassault Systèmes'in SIMULIA ISight Çözümü
Isight, tasarım keşfi ve optimizasyonu için simülasyonların yürütülmesini otomatikleştirmek amacıyla tasarımcılara, mühendislere ve araştırmacılara çeşitli CAD, CAE ve diğer yazılım uygulamalarıyla oluşturulan tasarım ve simülasyon modellerini entegre etmek için açık bir sistem sağlar. Yazılım çözümü, herhangi bir simülasyon veya test sonucu verisi kaynağından, herhangi bir görev veya bireysel uygulama bileşeni için kolayca bir yaklaşım modeli oluşturabilir. Yaklaşım modelleri oluşturmak için Isight'ı kullanmanın çok sayıda faydası vardır:
- Tasarım alternatiflerinin hızlandırılmış değerlendirmesiyle daha güvenilir ve sağlam ürünler sunun
- Entegre iş akışı süreçleriyle tasarım döngü süresini azaltın
- Popüler ticari yazılımlarda geliştirilen modeller ile kurum içi geliştirilen kodların entegre edilmesi
- Daha az manuel hatayla verimliliği artırmak için süreç adımları ve çoklu simülasyonlar arasındaki parametrik verileri yönetin ve eşleştirin
- Modelin doğruluğunu kontrol edin ve istenen doğruluğu elde etmek için otomatik olarak ek veri noktaları ekleyin
Isight'ta Mevcut Yaklaşım Modelleri
Farklı türde yaklaşım modelleri vardır. İlgili fizik değişkenlik gösterdiğinden, hiçbir teknik tüm uygulamalar için en iyisi değildir. Isight'ta mevcut olan çeşitli yaklaşım modelleri aşağıda açıklanmıştır:
Yanıt Yüzey Modelleri (RSM)
RSM'ler, dört Terim Seçimi tekniği ile 4. dereceye kadar polinomlardır. Düşük öneme sahip bazı polinom terimlerini kaldırmak için Terim Seçimi'ni kullanabilirsiniz. Bu, yaklaşımın güvenilirliğini artırabilir ve gerekli tasarım noktalarının sayısını azaltabilir.
- Sıralı Değiştirme
- Kademeli Efroymson
- Aynı Anda İki Değiştirme
- Ayrıntılı arama
Kriging
Kriging yaklaşımı bir tür enterpolasyon tekniğidir. Kriging yaklaşımları, meta modeli oluşturmak için seçilebilen çok çeşitli korelasyon fonksiyonları nedeniyle son derece esnektir. Ayrıca, korelasyon fonksiyonunun seçimine bağlı olarak, meta model ya verilerin tam bir enterpolasyonunu sağlayarak “verileri onurlandırabilir” ya da hatalı bir enterpolasyon sağlayarak “verileri düzeltebilir”.
Kriging modellerinin Isight uygulaması, Exponential, Gaussian, Matern Linear ve Matern Cubic gibi ortak korelasyon fonksiyonlarının kullanılmasına olanak tanır.
Kriging yaklaşımının başlatılması en azından 2n+1 tasarım noktaları, nerede N giriş sayısıdır. Yaklaşıklaştırılan bileşen, gerekli verileri toplamak için birden çok kez çalıştırılabilir. Alternatif olarak, bir veri dosyası başlatma kaynağı olarak görev yapabilir.
Ortogonal Polinom
Ortogonal Polinom yaklaşımı bir tür regresyon tekniğidir. Ortogonal polinomlar, örnekleme konumu nedeniyle var olan yanıt değerleri arasındaki otokorelasyonu en aza indirir. Verilere göre dik olan fonksiyonları kullanmanın bir diğer avantajı, varyans analizinde (ANOVA) girdilerin ayrıştırılabilmesidir.
Chebyshev ortogonal polinomları, eşit aralıklı örnek noktalar için özellikle yararlı olan yaygın bir ortogonal polinom türüdür. Örnekleme stratejisi dik bir dizi olduğunda kullanılırlar. Isight, diğer örnekleme stratejileri kullanıldığında bile Chebyshev polinomlarının kullanılmasına izin verir, ancak bu durumda ANOVA hesaplanamaz.
Isight aynı zamanda diğer örnekleme türleri için Ortogonal Polinom yaklaşımları üretme yeteneği de sağlar. Ardışık dik polinom tekniği, sağlanan verilere göre dik olan bir dizi polinom üretir. Bu polinomlar daha sonra yanıtlar için bir yaklaşım elde etmek amacıyla temel işlevler olarak kullanılır. Temel fonksiyonların yanıt değerlerine değil, yalnızca örnek konumlara bağlı olduğunu unutmayın.
Ortogonal Polinom yaklaşımının başlatılması en azından gerektirir 2 gün+1 tasarım noktaları, nerede D beklenen polinomun derecesidir. Veri dosyası gerekli sayıda veri noktası içermelidir.
Radyal Temel Fonksiyonu
Radyal Temel Fonksiyon (RBF) yaklaşımı, gizli bir radyal birimler katmanı ve doğrusal birimlerden oluşan bir çıktı katmanı kullanan bir tür sinir ağıdır. RBF yaklaşımları, oldukça hızlı eğitim ve oldukça kompakt ağlarla karakterize edilir. Çok çeşitli doğrusal olmayan uzayların yaklaşıklaştırılmasında faydalıdırlar.
Eliptik Taban Fonksiyonları (EBF'ler), Radyal Taban Fonksiyonuna benzer ancak radyal birimlerin yerine eliptik birimleri kullanır. Tüm girdilerin eşit şekilde ele alındığı RBF ile karşılaştırıldığında, EBF ağları her girdiyi bireysel ağırlıklar kullanarak ayrı ayrı ele alır.
RBF ağları, oldukça hızlı eğitim ve oldukça kompakt ağlarla karakterize edilir. Öte yandan EBF ağları, bireysel girdi ağırlıklarını öğrenmek için daha fazla yineleme gerektirir ve genellikle RBF'lerden daha doğrudur.
RBF yaklaşımının başlatılması en azından 2n+1 değerlendirilecek tasarım noktaları, nerede N giriş sayısıdır. Yaklaşıklaştırılan bileşen, gerekli verileri toplamak için birden çok kez çalıştırılabilir. Alternatif olarak, bir veri dosyası başlatma kaynağı olarak görev yapabilir.
Yaklaşım Modellerinin Otomatik Oluşturulması ve Çapraz Doğrulanması
Isight'taki tüm model sırası azaltma yöntemleri, anlaşılması kolay görsel hata analiziyle yaklaşık modellerin otomatik oluşturulmasını ve çapraz doğrulanmasını destekler. Isight'taki yaklaşım oluşturucu/görüntüleyici arayüzü, kullanıcıların yaklaşık yüzeyleri 2B ve 3B olarak görselleştirmesine olanak tanır – aşağıdaki Şekil 2'ye bakın.
Aşağıda Şekil 3'te bir yaklaşım modeli içeren tipik bir Isight iş akışı gösterilmektedir. Yukarıda belirtildiği gibi, model daha önce kaydedilmişse veya modeli oluşturmak için veriler mevcutsa, bir yaklaşımın tamamı bir sürece, alt sürece, tek bir bileşene bırakılabilir veya iş akışına bağımsız bir bileşen olarak bırakılabilir. Yaklaşım modeli bir sürece, alt sürece veya bireysel bileşene bırakılırsa ve başlatılması için veri yoksa Isight, başlangıçta yaklaşımı oluşturmak için minimum puan sayısını alana kadar süreci otomatik olarak çalıştırır.
Daha sonra, yaklaşım modeliyle bir tasarım noktası çalıştırarak ve ardından yaklaştığı simülasyonu çalıştırarak otomatik olarak bir hata analizi çalıştıracaktır. Yaklaşık ve gerçek çalışma arasındaki sonuçlar belirli bir yüzde oranında farklılık gösterirse Isight, hata toleransı karşılanana kadar yaklaşık modele gerçek simülasyonun daha fazla çalışmasını eklemeye devam edecektir.
Bir yaklaşım modelinin bu otomatik oluşturulması/başlatılması, herhangi bir tasarım araştırma tekniğinin parçası olabilir: DOE, Optimizasyon, Monte Carlo, Altı Sigma, vb. Yaklaşımdan elde edilen son “en iyi” tasarım daha sonra gerçek simülasyon aracıyla otomatik olarak yeniden çalıştırılabilir. seçtiğiniz aracın tam simülasyon sonuçlarına sahipsiniz.