optiSLang

optiSLang i​st eine CAE-Software z​um Bearbeiten v​on fachübergreifenden Aufgabenstellungen d​er parametrischen Sensitivitätsanalyse, multidisziplinären Optimierung, d​er Zuverlässigkeits- u​nd Robustheitsbewertung s​owie der Robust Design Optimierung (RDO) m​it Hilfe d​er stochastischen Analyse. Vorhandene Simulationsprozesse a​us beliebigen CAE-Programmen s​owie Pre- u​nd Postprozessoren können mittels e​ines grafischen Editors über ASCII-Dateien angeschlossen u​nd einer parametrischen Sensitivitätsstudie, Optimierung bzw. stochastischen Analyse zugänglich gemacht werden. Optimierungen können mittels Gradientenverfahren, Evolutionäre Algorithmen o​der adaptive Antwortflächenverfahren durchgeführt werden.[2]

optiSLang
Basisdaten
Entwickler Dynardo GmbH
Erscheinungsjahr 2003
Aktuelle Version 7.4.0[1]
(Mai 2019)
Betriebssystem Windows, Linux
Programmiersprache C++, Python
Kategorie CAE-Programm
Lizenz proprietär
deutschsprachig nein
optiSLang Produktseite

Methodology

Sensitivitätsanalyse:
Die in optiSLang angewandte varianzbasierte Sensitivitätsanalyse untersucht den Einfluss der Eingangsparameter auf die Systemantworten und klassifiziert so empfindliche oder sensitive Parameter des formulierten Systems. Die Optimierungsvariablen werden dabei gleichverteilt variiert und unabhängig voneinander ausgewertet. Dabei erfasst die varianzbasierte Sensitivitätsanalyse Zusammenhänge, im Gegensatz zur lokalen, ableitungsbasierten Sensitivitätsanalyse, im gesamten Parameterraum.

Coefficient of Prognosis (CoP)[3]
Der CoP ist eine modellunabhängige Maßzahl zur Bewertung der Modellqualität und wird durch die Gleichung

bestimmt. ist hierin die Summe der Quadrate aus den Fehlern des Vorhersagemodells, die durch ein Kreuzvalidierungsverfahren gewonnen werden. Hierbei werden sie ursprünglichen Stützstellen in Gruppen aufgeteilt und anschließend eine Näherungslösung aus dem um reduzierten Stützstellenset aufgebaut. Somit wird das Qualitätsmaß des Modells nur an den Stellen aufgebaut, die nicht Teil des Näherungsmodells sind. Da der Vorhersagefehler anstelle einer Näherungslösung benutzt wird, ist es möglich, diese Methode sowohl auf Regressionsmodelle als auch auf Interpolationsmodelle anzuwenden.

Metamodel of Optimal Prognosis (MOP):[3]
Werden unwichtige Variablen eines Modells entfernt, so kann dies die Vorhersagequalität einer Näherungslösung verbessern. Diese Idee wurde dem Metamodel of Optimal Prognosis (MOP) zugrundegelegt. Hierbei werden die optimalen Eingangsgrößen und das am besten passende Ersatzmodell (Polynomialansatz oder Moving Least Squares mit linearer oder quadratischer Basis) ermittelt. Der hier zurate gezogene CoP ist aufgrund seiner Unabhängigkeit und Objektivität ein bestens geeignetes Maß zur Quantifizierung und somit zum Vergleich verschiedener Modelle und verschiedener Parametersets.

Mehrzieloptimierung:
Das durch Einsatz von CoP und MOP ermittelte optimale Ersatzmodell unter Berücksichtigung der optimalen Auswahl der Eingangsvariablen kann als Vorkonditionierer für globale Optimierungsstrategien, wie beispielsweise evolutionäre Optimierer, Adaptive Antwortflächenverfahren, Gradientenbasierte Optimierer oder biologische Optimierer, oder als direkter Einzieloptimierer dienen. Auch mehrere, gegenseitig in Konflikt stehende, Zielfunktionale können betrachtet werden, um sinnvolle Wichtungsfaktoren für eine mögliche anschließende Einzieloptimierung zu finden, um ein optimales Design zu erarbeiten.

Robustheitsbewertung:
Bei der varianzbasierten Robustheitsbewertung werden kritische Modellantworten untersucht. In optiSLang werden durch Zufallsprinzipien generierte Eingangsgrößen generiert und die Systemantworten anhand einer Wahrscheinlichkeitsdichtefunktion ausgewertet. Hier werden die statistischen Eigenschaften der Modellantwort auf Mittelwert, Standardabweichung, Quantilwerten und höherer stochastischer Momente untersucht.

Zuverlässigkeitsbewertung:
Die Zuverlässigkeit oder Reliabilität ist ein Maß für die Verlässlichkeit eines Ergebnisses. Bei der Probabilistische Sicherheitsanalyse (PSA) werden streuende Einflüsse als Zufallsvariablen ausgedrückt und über eine Verteilungsfunktion mit stochastischen Momenten und gegenseitigen Korrelationen definiert. Als Ergebnis der Zuverlässigkeitsbewertung steht die komplementäre Zuverlässigkeit () und die Versagenswahrscheinlichkeit zur Verfügung, die auf einer logarithmischen Skala dargestellt werden kann.

Schnittstellen

optiSLang ist für eine Vielzahl von Problemen entwickelt worden, so können beispielsweise mechanische, technische, mathematische, investigative Probleme und eine Vielzahl weiterer Fragestellungen untersucht werden. Hierfür hält optiSLang verschiedene Schnittstellen zu externen Computerprogrammen bereit:

History

Seit d​en 1980er Jahren entwickelten Forschungsteams a​n den Universitäten Innsbruck u​nd der Bauhaus-Universität Weimar Algorithmen z​ur Optimierung u​nd zur Zuverlässigkeitsanalyse i​n Verbindung m​it Finite-Elemente-Berechnungen. Als Ergebnis entstand d​ie Software Structural Language (SLang). Im Jahr 2000 führten CAE-Ingenieure d​amit erstmals Optimierungen u​nd Robustheitsbewertungen i​n der Automobilindustrie durch. 2001 w​urde die Dynardo GmbH gegründet u​nd 2003 erfolgte d​ie Markteinführung d​er auf SLang aufbauenden Software optiSlang a​ls industrielle Softwarelösung für CAE-basierte Sensitivitätsanalysen, Optimierungen, Robustheitsbewertungen u​nd Zuverlässigkeitsanalysen. Ab Version optiSLang 4 w​urde 2013 d​ie Software grundlegend m​it einer n​euen grafischen Benutzeroberfläche ausgestattet u​nd die Schnittstellen z​u externen CAE-Programmen überarbeitet.[2]

Einzelnachweise
  1. ChangeLog: ANSYS optislang. Dynardo, Mai 2019, abgerufen am 24. Juni 2019.
  2. Product website
  3. Thomas Most, Johannes Will: Sensitivity analysis using the Metamodel of Optimal Prognosis (MOP). In: Proceedings of WOST. 8, 2011.
This article is issued from Wikipedia. The text is licensed under Creative Commons - Attribution - Sharealike. The authors of the article are listed here. Additional terms may apply for the media files, click on images to show image meta data.