Βελτιστοποιήστε αυτόματα τα μοντέλα σας για να μειώσετε το κόστος υλικού και άνθρακα χρησιμοποιώντας το Machine Learning
ΣΦΑΙΡΙΚΗ ΕΙΚΟΝΑ
Το SkyCiv S3D Optimizer είναι ένα πρόσθετο για το S3D που ελαχιστοποιεί αυτόνομα το κόστος υλικού και άνθρακα του υπάρχοντος μοντέλου S3D ενός μηχανικού. Ο αλγόριθμος λειτουργεί με χειρισμό των ενοτήτων ενός μοντέλου S3D, διαστάσεις ενότητας, υλικά, και τοποθεσίες κόμβων για τη μείωση του κόστους, διατηρώντας παράλληλα τη δομική ευρωστία και την αρχιτεκτονική ακεραιότητα. Αυτό γίνεται εφικτό από αλγόριθμους μηχανικής μάθησης σε συνδυασμό με την ισχυρή λειτουργικότητα του S3D.
Πως δουλεύει
Το SkyCiv S3D Optimizer βρίσκεται επί του παρόντος στο στάδιο beta και εισάγεται μέσω μιας απαλής εκκίνησης. Ενώ δεν θα έχετε τον έλεγχο για το πότε ή πώς θα βελτιστοποιηθεί το μοντέλο σας, η βελτιστοποίηση θα εκτελείται στο παρασκήνιο στα υπάρχοντα μοντέλα σας κάθε φορά που τα λύνετε. Μετά την ολοκλήρωση, Ενδέχεται να ειδοποιηθείτε για τα βελτιστοποιημένα αποτελέσματα και να έχετε την επιλογή να δείτε το βελτιστοποιημένο μοντέλο. Σημείωση, αυτή τη στιγμή, το optimizer θα βελτιστοποιήσει μόνο τις ενότητες βιβλιοθήκης που υπάρχουν στο υπάρχον μοντέλο. Μπορείτε να απενεργοποιήσετε αυτήν τη λειτουργία ανά πάσα στιγμή, μεταβαίνοντας στις ρυθμίσεις σας στο S3D και σημειώνοντας το πλαίσιο που λέει Αυτόματη εκτέλεση του SkyCiv Optimizer.
Ένα παράδειγμα κοινοποίησης επιτυχούς βελτιστοποίησης
Για να λειτουργήσει το πρόγραμμα βελτιστοποίησης στο μοντέλο σας, το αρχικό σας μοντέλο πρέπει να περιέχει: τουλάχιστον μία ενότητα βιβλιοθήκης; και έχουν τουλάχιστον μία αναλογία χρησιμότητας που είναι μικρότερη από μία. Παρακαλώ σημειώστε, μόνο τα αρχικά βοηθητικά προγράμματα που είναι λιγότερα από ένα θα θεωρηθούν ως κριτήρια σχεδιασμού για το εργαλείο βελτιστοποίησης.
Ποιες είναι οι μεταβλητές και τα κριτήρια?
Οι μεταβλητές (Παράμετροι) αλλάζει στο μοντέλο σας, περιορίζονται στα δεδομένα ενότητας. Επαναλαμβάνει όλες τις πιθανές ενότητες στην καθορισμένη βιβλιοθήκη. Για παράδειγμα, εάν ένας χρήστης έχει μια ενότητα W8x10 (λαμβάνονται από τον Αμερικανό – Βάση δεδομένων AISC), το Optimizer θα επιλέξει την πιο βέλτιστη ενότητα στη συγκεκριμένη βιβλιοθήκη.
Το Optimizer βασίζεται στα ακόλουθα κριτήρια:
- Ο λόγος έκτασης απόκλισης πρέπει να είναι μικρότερος από L / 250
- Το άγχος των μελών πρέπει να είναι σε αναλογία μικρότερη από 0.95 για Αντοχή Υλικού (με βάση την καθορισμένη από το χρήστη είσοδο)
- Το άγχος των μελών πρέπει να είναι σε αναλογία μικρότερη από 0.95 για Υλική Απόδοση (με βάση την καθορισμένη από το χρήστη είσοδο)
- Ελαχιστοποίηση του κόστους ($ ανά μάζα) των υλικών που χρησιμοποιήθηκαν
Δείγμα αποτελεσμάτων από μια λειτουργία βελτιστοποίησης. Οι χρήστες μπορούν στη συνέχεια να ανοίξουν το βελτιστοποιημένο μοντέλο σε άλλο παράθυρο
Συχνές ερωτήσεις
Γιατί δεν λαμβάνω ειδοποίηση για αποτελέσματα βελτιστοποίησης αφού λύσω το μοντέλο μου?
Μια ποικιλία παραγόντων μπορεί να έχει ως αποτέλεσμα να μην ειδοποιηθείτε. Αυτά περιλαμβάνουν ένα αρχικό μοντέλο που δεν είναι δομικά σταθερό, ένα μοντέλο που δεν περιέχει τυπικές ενότητες βιβλιοθήκης, πολύ μεγάλο μοντέλο, ή ένα μοντέλο που δεν μπορεί να βελτιστοποιηθεί ουσιαστικά.
Δεν θα τρέξουμε μοντέλα που είναι πολύ μεγάλα κατά τη διάρκεια της μαλακής κυκλοφορίας. Κατά μέσο όρο, πρέπει να πάρει 1 λεπτό για να τρέξει το εργαλείο βελτιστοποίησης.
Πώς μπορώ να επιλέξω τις ενότητες που θέλω να βελτιστοποιήσω? Μπορώ να βελτιστοποιήσω άλλες πτυχές του μοντέλου?
Περιορίζουμε την επιλογή ενότητας και άλλα κριτήρια βελτιστοποίησης για τη μαλακή εκκίνηση. Αυτές οι δυνατότητες θα είναι διαθέσιμες στο εγγύς μέλλον.
Γιατί παίρνω μερικές φορές διαφορετικά αποτελέσματα στο ίδιο μοντέλο?
Σε ορισμένες περιπτώσεις, μπορεί να υπάρχουν εκατομμύρια παραλλαγές ενός μοντέλου S3D. Είναι υπολογιστικά αδύνατο να τα δοκιμάσουμε όλα. Ο αλγόριθμός μας βασίζεται σε μια μεταευριστική στοχαστική διαδικασία (τυχαίος) για να βρείτε το καλύτερο μοντέλο όσο το δυνατόν γρηγορότερα. Λόγω της τυχαίας φύσης αυτού του αλγορίθμου, δεν είστε πάντα εγγυημένοι ότι θα βρείτε το καλύτερο / ίδιο μοντέλο.
Γιατί δεν βελτιστοποιούνται όλες οι ενότητες μου?
Προσπαθούμε να περιορίσουμε το χρόνο διάρκειας του βελτιστοποιητή σε ένα λεπτό. Εξαιτίας αυτού, μπορεί να μην έχουμε χρόνο να βελτιστοποιήσουμε όλες τις ενότητες. Χρησιμοποιούμε μηχανική εκμάθηση για να καθορίσουμε ποιες ενότητες πρέπει να βελτιστοποιηθούν στο καθορισμένο χρονικό πλαίσιο.
