Optimaliseer uw modellen automatisch om materiaal- en koolstofkosten te verlagen met behulp van Machine Learning

Overzicht

De SkyCiv S3D Optimizer is een plug-in voor S3D die autonoom de materiaal- en koolstofkosten van het bestaande S3D-model van een ingenieur minimaliseert. Het algoritme werkt door de secties van een S3D-model te manipuleren, sectie afmetingen, materialen, en knooppuntlocaties om de kosten te verlagen met behoud van structurele degelijkheid en architecturale integriteit. Dit wordt mogelijk gemaakt door machine learning-algoritmen in combinatie met de krachtige functionaliteit van S3D.

Hoe het werkt

De SkyCiv S3D Optimizer bevindt zich momenteel in de bètafase en wordt geïntroduceerd via een zachte lancering. Hoewel je nog geen controle hebt over wanneer of hoe je model wordt geoptimaliseerd, de optimizer wordt op de achtergrond uitgevoerd op uw bestaande modellen elke keer dat u ze oplost. Na voltooiing, u wordt mogelijk op de hoogte gesteld van de geoptimaliseerde resultaten en hebt de mogelijkheid om het geoptimaliseerde model te bekijken. Notitie, momenteel, de optimizer optimaliseert alleen bibliotheeksecties die aanwezig zijn binnen het bestaande model. U kunt deze functie op elk moment uitschakelen, door naar uw instellingen in S3D te gaan en het vakje aan te vinken dat zegt: Automatisch uitvoeren van SkyCiv Optimizer.

Een voorbeeldmelding van een geslaagde optimalisatie

Om de optimizer op uw model te laten draaien, uw eerste model moet bevatten:: ten minste één bibliotheeksectie; en ten minste één nutsratio hebben die kleiner is dan één. Houd er rekening mee dat, alleen de initiële hulpprogramma's die minder dan één zijn, worden beschouwd als ontwerpcriteria voor de optimizer.

Wat zijn de variabelen en criteria?

de variabelen (parameters) wordt gewijzigd in uw model, zijn beperkt tot de sectiegegevens. Het doorloopt alle mogelijke secties in de opgegeven bibliotheek. Bijvoorbeeld, als een gebruiker een sectie van W8x10 . heeft (overgenomen van de Amerikaanse – AISC-database), de Optimizer selecteert de meest optimale sectie in die specifieke bibliotheek.

De Optimizer is gebaseerd op de volgende criteria::

• De doorbuigingsspanverhouding moet kleiner zijn dan L/250
• Lederspanningen moeten een verhouding hebben van minder dan 0.95 voor materiaalsterkte (op basis van door de gebruiker gedefinieerde invoer)
• Lederspanningen moeten een verhouding hebben van minder dan 0.95 voor materiaalopbrengst: (op basis van door de gebruiker gedefinieerde invoer)
• De kosten minimaliseren ($ per massa) van de gebruikte materialen

Voorbeeldresultaten van een optimalisatierun. Gebruikers kunnen het geoptimaliseerde model vervolgens in een ander venster openen

FAQ

Waarom krijg ik geen melding met optimalisatieresultaten nadat ik mijn model heb opgelost??

Verschillende factoren kunnen ertoe leiden dat u niet op de hoogte wordt gesteld. Deze omvatten een initieel model dat niet structureel stabiel is, een model dat geen standaard bibliotheeksecties bevat, te groot model, of een model dat niet zinvol kan worden geoptimaliseerd.

We zullen geen modellen gebruiken die te groot zijn tijdens de zachte lancering. Gemiddeld, het zou moeten duren 1 minuut voordat de optimizer wordt uitgevoerd.

Hoe kan ik de secties kiezen die ik wil optimaliseren?? Kan ik andere aspecten van het model optimaliseren??

We beperken sectieselectie en andere optimalisatiecriteria voor de zachte lancering. Deze functies zullen in de nabije toekomst beschikbaar zijn.

Waarom krijg ik soms verschillende resultaten op hetzelfde model??

In sommige gevallen, er kunnen miljoenen varianten van een S3D-model zijn. Het is rekenkundig onmogelijk om ze allemaal te testen. Ons algoritme is gebaseerd op een metaheuristisch stochastisch proces (willekeurig) om zo snel mogelijk het beste model te vinden. Vanwege de willekeurige aard van dit algoritme, je vindt niet altijd het beste/hetzelfde model.

Waarom worden niet al mijn secties geoptimaliseerd??

We proberen de duur van de optimizer te beperken tot één minuut. Door dit, we hebben misschien geen tijd om alle secties te optimaliseren. We gebruiken machine learning om te bepalen welke secties moeten worden geoptimaliseerd in het toegewezen tijdsbestek.