DesParO

Methoden

Robuste Toleranzvorhersage
Eine erfolgreiche Optimierung mit einem Metamodell ist nur möglich, wenn die Toleranzen berücksichtigt werden. Daher wird mit DesParOs Metamodell nicht nur der Wert der Zielfunktion approximiert, sondern es werden auch die Toleranzgrenzen der Kriterien über Cross-Validierung bestimmt. Auch bei verrauschten Kriterien erlaubt dies, ein robustes und optimales Design im 3-Sigma-Konfidenzintervall zu erhalten.

Globale Sensitivitätsanalyse
Abhängigkeitsmuster zwischen den Optimierungskriterien und den Design-Parametern erkennt die Software automatisch und stellt sie mit Hilfe eines leicht zu interpretierenden, farblichen Diagramms dar. Das Diagramm zeigt die einflussreichsten Design-Parameter, die sensitivsten Optimierungskriterien und das »Vorzeichen« der Abhängigkeit: steigend (rot), fallend (blau) oder nicht-monoton (schwarz).

Schnelle Interpolation und Visualisierung
DesParO erlaubt die Interpolation und hochaufgelöste Visualisierung des gefundenen, robusten und optimalen Designs, falls entsprechende Ergebnisdateien zur Verfügung stehen. Die Interpolation und Visualisierung ist sogar dann schnell berechnet und interaktiv erforschbar, wenn die Simulationsergebnisse auf feinen Finite-Elemente-Gittern mit über einer Million Gitterpunkten vorliegen.

Optimierung mit DesParO

DesParO erlaubt neben einer (halb-)automatischen global-lokalen auch eine interaktive visuelle Optimierung. Für eine Designaufgabe verläuft diese in mehreren Schritten:

Interaktive Umgebung zur Optimierung von Design-Parametern

Computersimulationen technischer Prozesse und Produkte hängen typischerweise von vielen Geometrie-, Material- und Prozessparametern ab. Anwender sind an einer Konfiguration dieser Design-Parameter interessiert, die eine möglichst gute Auslegung des Produktes oder die Steuerung des Fertigungsprozesses erlaubt. Üblicherweise sind jedoch nicht alle Kriterien gleichzeitig voll erfüllbar. Ein Beispiel ist die möglichst kleine Blechdicke eines Bauteils bei möglichst großer Stabilität.

Im Gegensatz zu anderen automatischen Optimierungstools erlaubt­ DesParO Benutzern, interaktiv­ den kompletten Design-Raum zu erforschen­ und den optimalen Bereich (die Pareto-Front) des multikriteriellen Optimierungsproblems­ zu finden. Dazu wird zuerst mit Design-of-Experiments-Techniken (DoE) ein kleiner Satz Simulationsexperimente bestimmt. Die Simulationsergebnisse verwendet DesParO­ zur Erzeugung eines nichtlinearen Metamodells, basierend auf radialen Basisfunktionen. Durch einen globalen Blick auf den Designraum können Benutzer das für ihre Frage optimale Design finden. DesParO besitzt daher nicht die gängigen Nachteile automatischer Optimierungstools, wie etwa das »Hängenbleiben« in nur lokalen Optima, wie es typisch für Gradienten-basierte Methoden ist, oder aber sehr viele numerische Experimente, wie es bei Monte-Carlo-artigen Strategien notwendig ist.

Optionale Integration in den SimExplore-Workflow

Vor der Anwendung von DesParO kann SimExplore eingesetzt werden, um eine strukturelle Einteilung der Simulationsergebnisse in Cluster zu erhalten. Anschließend können mit DesParO aus jedem abgeleiteten Cluster Ersatzmodelle erstellt werden. Simulationen innerhalb eines Clusters verhalten sich sehr ähnlich in Bezug auf die analysierte Funktion, zum Beispiel Verformung. Das Ersatzmodell basiert auf der entsprechenden Teilmenge der Simulationsergebnisse in einem Cluster, und dient zur einfachen Darstellung der Abhängigkeiten zwischen Eingabeparametern und Verformungen oder Netzfunktionen. Das erleichtert weitere Untersuchungen der zugrundeliegenden Korrelationen zwischen Designmaßnahmen und Crashverhalten. Die Kombination des Clustering-Ansatzes in SimExplore und der Ersatzmodelle pro Cluster überwinden die Grenzen gängiger Verfahren, wie des »proper orthogonal decomposition Verfahrens«, die zur Vorhersage von Simulationsergebnissen verwendet werden, insbesondere bei Nichtlinearitäten. Außerdem wird die lokale Vorhersagequalität verbessert. Darüber hinaus lassen sich mit DesParO Nichtlinearitäten effizient bearbeiten, da die Software nichtlineare Korrelationsmaße ermittelt sowie lokale Modelltoleranzen und die Parametersensitivität abschätzen kann.