Ansys OptiSLang

다양한 분야의 시뮬레이션 workflow 프로세스 통합

Ansys optiSLang은 CAE 기반 RDO(Robust Design Optimization)가 내어놓는 문제에 대하여 끊임없이 진화하는 첨단 솔루션입니다. 최신 알고리즘은 가장 효율적이고 강력한 설계 방법을 자동으로 검색하여 RDO를 정의하는 데 사용되는 느린 수동 프로세스를 제거합니다. optiSLang을 프로세스 통합 및 설계 최적화 솔루션으로 사용하게 되면 더욱 빠르게 정확한 설계를 할 수 있습니다.

• 프로세스 자동화
• 실험 설계 및 민감도 분석
• 최적화 및 불확실성 정량화

Coefficient of Prognosis (CoP) and, Metamodal of Optimal Prognosis d(MOP)

오늘날에는 강력한 매개변수 기능을 갖춘 다양한 CAD와 CAE툴이 있으며, 이로 인하여 최적화 변수의 수도 같이 증가하고 있습니다. 전통적인 실험계획법(DOE)와 반응표편(RSM)기법에서는 정확성과 해석 시간의 단축을 위하여 설계변수의 수를 최소화하고 가장 적절한 DOE 기법을 선택하며 최적의 회귀모델을 선택하고자 합니다.
optiSLang의 CoP와 MOP 자동설정 기능을 이용하게 되면 가장 중요한 변수에 대한 자동 선택과 가장 알맞은 Meta model의 자동선택이 가능하며, 사전에 예상 품질에 대한 검증을 할 수 있도록 도와줍니다. 또한 optiSLang의 자동화된 적응회귀모델(ARSM)기능을 이용하여, 20개 이상의 변수를 가진 경우에 대하여 완전 자동 최적화가 가능합니다.

Robust Design Optimization (RDO))

RDO는 virtual prototype 분야에 있어 중요합니다. 매우 많은 수의 설계변수와 불확정변수를 포함하고 있는 경우에 대한 RDO를 충족시키기 위해서, optiSLang은 다양하고 강력한 기능들을 제공합니다. Bobustness평가와 deterministic 최적화의 경우에 해석방법을 결정하는 것이 중요할 경우가 있습니다. 물론 가장 이상적인 경우는 최적화와 불확정 영역을 동시에 고려하면서 Robustness을 보유한 virtual prototype의 개발이 자동으로 이루어지는 것입니다. 이를 위해 최적화, Robustness 평가, 신뢰성평가를 통합한 Robust 설계 최적화 알고리즘 툴 박스가 탑재되었으며, 신뢰도와 계산효율 사이의 상호 밸런스 정도를 알 수도 있습니다. 한편 신뢰성 해석에 전역 적응반응표면법(ARSM)이 도입되어 여러 분야의 Robust 설계를 매우 효율적으로 다룰 수 있습니다.

SENSITIVITY ANALYSIS

Deterministic 설계 기법의 경우, 전통적인 실험계획법(full factorial, central composite, D-optimal 등)이 사용될 수 있으며, 설계 변수의 수가 작을 때(5개 정도) 효율적입니다. 반면에 설계변수가 많은 경우에는 입력변수의 correlation 에러를 줄이고 추출점의 수를 줄이기 위해서 확률론적 샘플링(Advanced Latin Hypercube 등)기법이 추천됩니다.
샘플점의 값으로부터 계산된 해석의 결과 값을 이용하여 각 변수의 중요도(Col: Calculation of variable Importance)와 계수예측(CoP: Coefficient of Prognosis)을 통한 meta모델의 예상 품질등이 계산됩니다.

PARAMETER ID ENTIFICATION

변수들에 대한 계수 설정 과정에서 scalar에 대한 응답뿐만 아니라 다양한 채널에서의 복합적인 signal도 고려할 수 있습니다. 이때 측정치는 reference signal로 정의됩니다. 최대 최소 값과 같은 국부적 값뿐만 아니라 어떠한 특성에 대한 통합치나 매우 복잡한 signal 제어에 관한 전역치들을 제어할 수 있는 매우 풍부한 signal function을 제공하며, 이를 이용한 개별적인 목적함수를 정의할 수 있습니다.
Optimal Prognosis의 Meta 모델을 이용하여, 여러 개의 signal 특성에 대한 민감도 분석이 가능하고 MOP기반의 최적화를 이용하여 최적의 계수와 변수에 대한 초기 추측이 가능합니다. 최종적인 단계에서는 다양한 최적화 기법을 적용할 수 있습니다. 곡률이 충분히 큰 목적함수의 경우에는 gradient 기반의 방법이 매우 효율적으로 사용될 수 있으며, 그렇지 않을 경우에는 Nature Inspired Optimization Algorithms을 사용하여 Robustness을 높일 수 있습니다.