Optimus plattform

Optimus
Utvecklare	Noesis lösningar
Stabil frisättning	2022.1 / April 2022
Operativ system	Cross-plattform
Typ	Teknisk beräkning
Licens	Proprietär
Hemsida	[1]

Optimus är en plattform för processintegration och designoptimering ( PIDO ) utvecklad av Noesis Solutions. Noesis Solutions deltar i viktiga forskningsprojekt, som PHAROS och MATRIX.

Optimus tillåter integrering av flera tekniska mjukvaruverktyg ( CAD , Multibody dynamics , finita element , computational fluid dynamics , ...) i ett enda och automatiserat arbetsflöde. När en simuleringsprocess är fångad i ett arbetsflöde kommer Optimus att styra simuleringarna för att utforska designutrymmet och för att optimera produktdesigner för förbättrad funktionell prestanda och lägre kostnad, samtidigt som den minimerar tiden som krävs för den övergripande designprocessen.

Processintegration

Optimus GUI möjliggör skapandet av ett grafiskt simuleringsarbetsflöde. En uppsättning funktioner stöder integrationen av både kommersiell och intern programvara. Ett enkelt arbetsflöde kan täcka ett enda simuleringsprogram, medan mer avancerade arbetsflöden kan inkludera flera simuleringsprogram. Dessa arbetsflöden kan innehålla flera grenar, var och en med ett eller flera simuleringsprogram, och kan innehålla speciella satser som definierar looping och villkorlig förgrening.

Optimus mekanism för exekvering av arbetsflöden kan sträcka sig från en steg-för-steg-genomgång av simuleringsprocessen upp till implementering på ett stort (och icke-heterogent) beräkningskluster. Optimus är integrerat med flera resurshanteringssystem för att stödja parallell exekvering på ett beräkningskluster .

Designoptimering

Optimus inkluderar ett brett utbud av metoder och modeller för att lösa problem med designoptimering:

Design av experiment ( DOE )
Response Surface Modeling ( RSM )
Numerisk optimering , baserad på lokala eller globala algoritmer, både för enstaka eller flera mål med kontinuerliga och/eller diskreta designvariabler

Design av experiment (DOE)

Design of Experiments (DOE) definierar en optimal uppsättning experiment i designutrymmet för att erhålla den mest relevanta och korrekta designinformationen till minimal kostnad. Optimus stöder följande DOE-metoder:

* Adaptiv DOE (ny)

* Full faktor (2-nivå & 3-nivå)

* Justerbar full faktor

* Bråkfaktor

* Plackett-Burman

* Utrymmesfyllning

* Central sammansättning

* Slumpmässig

* Latin-hyperkub

* Starpoints

* Diagonal

* Optimal design (I-, D- & A-optimal)

* Användardefinierad

Response Surface Modeling (RSM)

Response Surface Modeling ( RSM ) är en samling matematiska och statistiska tekniker som är användbara för att modellera och analysera problem där ett designsvar av intresse påverkas av flera designparametrar. DOE- metoder i kombination med RSM kan förutsäga designsvarsvärden för kombinationer av ingående designparametrar som inte tidigare beräknats, med mycket liten simuleringsansträngning. RSM tillåter således ytterligare efterbearbetning av DOE-resultat.

Optimus Response Surface Modeling sträcker sig från klassiska minsta kvadratmetoder till avancerade stokastiska interpolationsmetoder, inklusive Kriging , Neural Network , Radial Bas Functions och Gaussiska processmodeller . För att maximera RSM-noggrannheten kan Optimus också generera den bästa RSM automatiskt – med hjälp av en stor uppsättning RSM-algoritmer och optimera RSM med en korsvalideringsmetod.

Numerisk optimering

Optimus stöder ett brett utbud av en- och multi-objektiva metoder. Flerobjektiv optimeringsmetoder genererar vanligtvis en så kallad "Pareto-front" eller använder en viktningsfunktion för att generera en enda Pareto-punkt.

Baserat på sökmetoderna kan Optimus optimeringsmetoder (både enkla och multi-objektiva) kategoriseras i:

lokala optimeringsmetoder - sökning efter ett optimum baserat på lokal information om optimeringsproblemet (såsom gradientinformation). Metoderna inkluderar

* SQP ( Sequential Quadratic Programming )

* NLPQL

* Generalized Reduced Gradient

* NBI, viktade metoder (multi-objektiva)

globala optimeringsmetoder - sökning efter det optimala baserat på global information om optimeringsproblemet. Dessa är vanligtvis sannolikhetsbaserade sökmetoder. Metoder inkluderar

* Genetiska algoritmer ( Differential Evolution , Self-adaptive Evolution, ...)

* Simulerad glödgning

* CMA-ES

* NSEA+, mPSO (multi-objektiv)

hybridoptimeringsmetoder, t.ex. Efficient Global Optimization, som kombinerar det lokala och det globala tillvägagångssättet till ett tillvägagångssätt som vanligtvis förlitar sig på responsytmodellering för att hitta ett globalt optimum.
En automatisk optimeringsmetod är också tillgänglig. Det skulle automatiskt välja den bästa strategin för användaren.
Partner (eArtius) och öppet bibliotek (Dakota) är integrerade i Optimus via denna funktion

Användaren kan också integrera sin egen optimeringsstrategi i Optimus-miljön.

Robust designoptimering & Taguchi-metod

För att bedöma inverkan av osäkerheter och toleranser i verkliga världen på en given design, innehåller Optimus Monte Carlo-simulering samt en First-Order Second Moment-metod för att uppskatta och förbättra robustheten hos en design. Optimus beräknar och optimerar sannolikheten för fel med hjälp av avancerade tillförlitlighetsmetoder, inklusive första ordningens och andra ordningens tillförlitlighetsmetoder.

Optimus inkluderar också en dedikerad uppsättning funktioner för att sätta upp en Taguchi- studie genom definition av kontrollfaktorer, brusfaktorer och signalfaktorer i händelse av en dynamisk studie. Genichi Taguchi , en japansk ingenjör, publicerade sin första bok om experimentell design 1958. Syftet med Taguchi-designen är att göra en produkt eller process mer stabil inför variationer som det finns liten eller ingen kontroll över (till exempel säkerställa pålitlig prestanda för en bilmotor för olika omgivningstemperaturer).

Ansökningar

Användningen av Optimus täcker ett brett spektrum av applikationer, inklusive

externa länkar