Анализ данных и оптимизация

Для решения сложных инженерных задач не требуется специальных знаний: в pSeven наиболее подходящая техника выбирается автоматически.

Зачем нужны анализ данных и оптимизация?

Возможности анализа данных и оптимизации (в продукте представлены в виде блока Design Space Exploration, или DSE) позволяют исследовать различные варианты конструкции и легко находить оптимальные решения. С помощью инструментов pSeven вы можете задавать все настройки плана эксперимента, сочетать разные стратегии оптимизации, производить оценку неопределенностей и легко переключаться между техниками прямо в процессе решения инженерных задач.

Анализ данных и оптимизация позволяют:

  • Проверять надежность моделей
  • Исследовать несколько вариантов проектных решений
  • Находить компромиссные решения
  • Обнаруживать узкие места
  • Производить идентификацию моделей
  • Ставить цели

“Термином Design Exploration (или Design Space Exploration, DSE) обозначаются класс количественных методов и соответствующая категория программного обеспечения, предназначенного для систематического и автоматического исследования большого количества конструктивных вариантов и поиска оптимальных рабочих параметров”

Б. Дженкинс, Ora Research

Model

Создайте расчетную схему, описывающую ваш продукт или процесс

trending_flat
Design Exploration

Примените инструменты анализа данных и оптимизации

trending_flat
Analytics

Принимайте обоснованные решения

Планирование эксперимента

Планирование эксперимента (Design of Experiments, DoE) - это набор значений входных параметров, для которых измеряются выходные параметры (или отклик) модели. Планирование экспериментов используют для изучения пространства параметров и получения как можно большего количества информации о поведении модели, используя как можно меньшее количество обращений к ней. Планирование эксперимента используется для проведения оптимизации на основе метамоделей или создания обучающей выборки для построения точной предсказательной модели.

Simulation

Создайте расчетную модель

trending_flat
Parameters

Назначьте переменные и отклики

trending_flat
Design of Experiments

Проведите исследования модели

Поведение модели может быть очень разнообразным в зависимости от размерности, типов входных параметров и ограничений, гладкости или зашумленности отклика и т.п., а доступное количество обращений к модели зачастую ограничено. Для быстрого и эффективного исследования подобных моделей pSeven предлагает широкий набор техник для планирования эксперимента, включая как популярные прямые техники, так и уникальный адаптивный план эксперимента. 

Адаптивный План Эксперимента

Адаптивный план эксперимента (ADoE) учитывает поведение модели, а также линейные и нелинейные ограничения перед добавлением новых точек. ADoE поддерживает 3 сценария:

ADoE Uniform

1. Равномерная выборка

Исследование допустимой области:

  • Требуется задать: переменные и границы, линейные и нелинейные ограничения.
  • Результат: равномерная выборка в допустимой области.
ADoE Explore

2. Исследование

Улучшение поверхности отклика:

  • Требуется задать: переменные и границы, линейные и нелинейные ограничения, целевую функцию.
  • Результат: выборка в допустимой области для получения более качественной аппроксимации целевой функции.
ADoE Contour

3. Поиск

Поиск заданных значений целевой функции:

  • Требуется задать: переменные и границы, линейные и нелинейные ограничения, целевую функцию и ее искомое значение.
  • Результат: выборка в области, заданной ограничениями, с заданным значением целевой функции.

Оптимизация

Оптимизация - это процесс нахождения значений входных параметров аналитической или расчетной модели, которые приводят к наилучшей производительности, надежности или улучшению других характеристик рассматриваемого изделия или производственного процесса. В конечном счете, оптимизация отвечает на следующие вопросы:

  • Как улучшить характеристики изделия или производственного процесса?
  • Какое сочетание конструкторских параметров эффективнее?
  • Как уменьшить влияние переменности входных параметров на поведение изделия?
Simulation model

Создайте модель

trending_flat
Parameters

Задайте переменные и цели

trending_flat
Optimization

Проведите оптимизацию

pSeven предлагает полный набор собственных разработанных методов и алгоритмов для проведения одно- и многокритериальной оптимизации c учетом различных ограничений. Это позволяет эффективно решать задачи оптимизации как с быстрыми аналитическими моделями, так и случаи, где ключевым вызовом является ресурсоёмкое численное моделирование физических процессов.

SmartSelection

В pSeven пользователю вместо утомительной и чувствительной настройки внутренних параметров алгоритмов необходимо обозначить только базовые свойства модели (если они известны), такие как, например, предполагаемая длительность расчета, плавность отклика модели и т.п. После этого на основе этой информации при помощи технологии SmartSelection обеспечивается автоматический и адаптивный выбор конкретных алгоритмов оптимизации.

Подробнее >

Существует также набор специфических аспектов аналитических и расчетных моделей, справиться с которыми инструменты с открытым исходным кодом или программы, написанные в ВУЗах, не могут.  Эти аспекты могут быть приняты во внимание в процессе оптимизации в pSeven:

Размерность задачи

pSeven позволяет решать задачи с:

  • Сотнями переменных
  • Десятками ограничений
  • Несколькими (до 10) целевыми функциями 

Продвинутые постановки задачи

pSeven поддерживает любые комбинации с:

  • Непрерывными и целочисленными переменными 
  • Линейными и нелинейными ограничениями 
  • Зашумленными, многоэкстремальными и недифференцируемыми целями 

Длительные расчеты 

pSeven поддерживает параллельный запуск и выполение процессов оптимизации, что позволяет существенно сократить время решения трудоёмких задач.

Идентификация моделей

Иногда входные параметры модели трудно или невозможно определить, например, коэффициент демпфирования или рассеяния звуковых волн. Проведение эксперимента может помочь, но если эти параметры не могут быть найдены напрямую, необходимо провести более углубленное исследование.

Model

Неточная модель = параметры модели неизвестны

trending_flat
Experiment
trending_flat
Data

Точная модель = неизвестные входные параметры идентифицированы!

В таких случаях можно провести идентификацию модели (или сопоставление данных) в pSeven. Суть данного подхода состоит в сборе выходных данных эксперимента и создании расчетной или аналитической модели изделия или производственного процесса с неизвестными входными параметрами. После этого настраивается процесс оптимизации с проверкой невязки между вычисленными и экспериментальными данными для идентификации неизвестных входных параметров. Такой подход обеспечивает менее дорогостоящие исследования и позволяет проводить более достоверное численное моделирование.

Оценка неопределенности (UQ)

Задача оценки влияния неопределенности параметров изделия - свойств материала, условий эксплуатации на технические и эксплуатационные характеристики возникает у специалистов самых разных отраслей. Оценка неопределенности (UQ) с помощью pSeven позволяет существенно улучшить качество разрабатываемых изделий, учесть возможные риски на этапах подготовки, производства и эксплуатации конструкций, а также гарантировать качество и надежность продукции.

Оценка неопределенности используется для того, чтобы оценивать модели с учетом всех возможных отклонений входных параметров и их влияния на выходные значения. Неопределенности входных параметров описываются при помощи распределений, основанных на экспериментальных данных, производственных ограничениях, практических наблюдениях или экспертной оценке. Важнее всего – задать критерии оценки модели, например, условия, при которых возникает неисправность. В результате оценки неопределенности пользователь получает распределение этих критериев, включая оценку среднего и дисперсии, что позволяет оценить надежность модели и сделать обоснованный выбор.

Распространение неопределенностей

Следующие возможности в pSeven позволяют эффективно измерять и работать с неопределенностями в переменных и откликах:

  • Ручной выбор типов распределения входных параметров
  • Автоматический подбор входных и выходных выборок для заданного типа распределения
  • Создание непараметрических распределений
  • Анализ чувствительности для оценки влияния неопределенностей на поведение изделия
Uncertainties

Распределения переменных, содержащих неопределенности

trending_flat
Model

Модель

trending_flat
Influence

Оценка влияния неопределенностей

Анализ Надежности

Одни реализации модели с неопределенностями могут удовлетворять всем ограничениям, другие – нет. C помощью pSeven можно легко оценить надежность изделия:

  • Pазличные методы распределения откликов модели (Монте-Карло, LHS метод и другие)
  • Применение вычислительно дешевых аппроксимационных моделей вместо «дорогих» расчетных моделей
  • Вычисление вероятности отказа (кол-во отказов/кол-во расчетов)
Uncertainties

Распределение переменных, содержащих неопределенности

trending_flat
Model

Модель

trending_flat
Constraint

Задание ограничения, напр., запас прочности

trending_flat
Failure domain

Найдена область отказа

Анализ данных

pSeven предоставляет полный контроль над данными, полученными из различных источников, и богатые возможности для их обработки и исследования. Визуализируйте и повторно используйте инженерные результаты при помощи полного набора интерактивных и настраиваемых инструментов, включая различные виды таблиц и статистики, корреляций, зависимостей, параллельных координат и 2D/3D визуализации.

Parameters correlation analysis

Корреляционный анализ параметров

Parameters dependency analysis

Анализ зависимостей параметров

Design points in parallel coordinates

Расчетные точки в параллельных координатах

Заинтересовало решение?

Нажмите, чтобы запросить бесплатную 30-дневную демоверсию.

Запросить демо