Articulo de referencia

OptiY

OptiY es un software de entorno de diseño que proporciona estrategias de optimización modernas y algoritmos probabilísticos de última generación para la incertidumbre, la fiabil...

OptiY es un software de entorno de diseño que proporciona estrategias de optimización modernas y algoritmos probabilísticos de última generación para la incertidumbre, la fiabilidad, la robustez, el análisis de sensibilidad, la minería de datos y el metamodelado.

Características

OptiY es un entorno de diseño multidisciplinario que proporciona interfaces directas y genéricas para numerosos sistemas CAD/CAE y códigos internos. Además, dispone de una interfaz COM compleja y un nodo de usuario con plantilla predefinida para facilitar la integración de programas externos. La inserción de cualquier sistema en una cadena de procesos arbitraria es muy sencilla gracias al editor gráfico de flujos de trabajo. Es posible colaborar con diferentes clases de modelos de simulación, como redes, métodos de elementos finitos, sistemas multicuerpo, bancos de pruebas de materiales, etc.

minería de datos

La minería de datos es el proceso de extraer patrones ocultos de los datos. Permite identificar tendencias que van más allá del simple análisis. Mediante algoritmos sofisticados, usuarios sin conocimientos de estadística pueden identificar atributos clave de los procesos y detectar oportunidades. La minería de datos se está convirtiendo en una herramienta cada vez más importante para transformar estos datos en información. Se utiliza comúnmente en una amplia gama de aplicaciones, como la fabricación, el marketing, la detección de fraudes y el descubrimiento científico, entre otras.

Análisis de sensibilidad

La sensibilidad local, como los coeficientes de correlación y las derivadas parciales, solo puede utilizarse si la correlación entre la entrada y la salida es lineal. Si la correlación es no lineal, debe emplearse el análisis de sensibilidad global, basado en la relación de varianza entre la distribución de entrada y salida, como el índice de Sobol. Mediante el análisis de sensibilidad , se puede reducir la complejidad del sistema y explicar la cadena de causa y efecto. [ 1 ] [ 2 ]

Simulación probabilística

La variabilidad, la incertidumbre, la tolerancia y el error de los sistemas técnicos desempeñan un papel importante en el proceso de diseño del producto. Estos se deben a imprecisiones de fabricación, incertidumbre del proceso, influencias ambientales, abrasión y factores humanos, entre otros. Se caracterizan por una distribución estocástica. La simulación determinista no puede predecir el comportamiento real del sistema debido a la variabilidad e incertidumbre de las entradas, ya que un cálculo del modelo muestra solo un punto en el espacio de diseño. Es necesario realizar una simulación probabilística . De esta manera, las distribuciones de salida se calcularán a partir de las distribuciones de entrada basadas en el modelo de simulación determinista mediante cualquier sistema de simulación. Los comportamientos realistas del sistema se pueden derivar de estas distribuciones de salida. [ 3 ] [ 4 ]

Análisis de fiabilidad

La variabilidad de los parámetros suele provocar fallos en el sistema. El análisis de fiabilidad ( análisis de modos y efectos de fallo ) investiga la violación de los límites de la salida debido a la variabilidad de la entrada. Los mecanismos de fallo de los componentes se conocen en la especificación para el desarrollo del producto. Se identifican mediante mediciones, recopilación de datos de campo, datos de materiales, especificaciones del cliente, etc. En la simulación, la satisfacción de todas las especificaciones del producto se define como restricciones de los resultados de la simulación. La fiabilidad del sistema se da si todas las restricciones se encuentran dentro de los límites definidos. Aunque una simulación con parámetros nominales muestra que todos los valores de las restricciones se encuentran dentro de límites fiables, la fiabilidad del sistema no puede garantizarse debido a la variabilidad de la entrada. Una parte de la variabilidad de las restricciones que viola los límites definidos se denomina probabilidad de fallo de la solución. El análisis de fiabilidad calcula la probabilidad de fallo de los componentes individuales y también del sistema completo en un momento dado. [ 5 ]

Metamodelado

El metamodelado es la combinación de un modelo sustituto y redes neuronales basadas en la física , un proceso para establecer la relación matemática entre los parámetros de entrada y salida. Esta nueva forma de modelado permite obtener un metamodelo preciso para la computación en tiempo real a partir de una combinación de datos imperfectos y componentes físicos imperfectos . [ 6 ] [ 7 ]

Predicción de la vida útil por fatiga

La predicción de la fatiga (de los materiales) ha sido uno de los problemas más importantes en la ingeniería de diseño para garantizar la fiabilidad y la calidad. Tiene diversas aplicaciones prácticas: optimización rápida del diseño durante la fase de desarrollo de un producto y predicción de los límites de uso en campo, así como análisis de fallos de productos devueltos o que no superaron las pruebas de cualificación. El análisis de fatiga se centra en el mecanismo de fallo térmico y mecánico. La mayoría de los fallos por fatiga se atribuyen a tensiones termomecánicas causadas por diferencias en el coeficiente de dilatación térmica y mecánica. Los fallos por fatiga se producen cuando el componente experimenta tensiones y deformaciones cíclicas que generan daños permanentes.

Optimización multiobjetivo

En el proceso de desarrollo de productos técnicos, con frecuencia surgen problemas de diseño con múltiples objetivos o criterios de evaluación, como bajo costo, alta calidad, bajo nivel de ruido, etc. Es necesario encontrar parámetros de diseño que minimicen todos los criterios. A diferencia de una optimización simple, en la optimización multiobjetivo existe una estructura de orden diferente entre los espacios de parámetros y criterios . Los criterios entran en conflicto entre sí. Al intentar minimizar un criterio, otros pueden maximizarse. No solo existe una solución, sino también una frontera de soluciones óptimas de Pareto . La optimización multiobjetivo encuentra automáticamente todas las soluciones de Pareto en una sola ejecución. También se dispone de una herramienta de apoyo a la toma de decisiones múltiples para seleccionar la solución más adecuada. [ 8 ]

Optimización de diseño robusto

La variabilidad, la incertidumbre y la tolerancia deben considerarse en el proceso de diseño de sistemas técnicos para garantizar la alta calidad y fiabilidad requeridas. Son incontrolables, impredecibles y generan incertidumbre en el cumplimiento de las especificaciones del producto. El objetivo del diseño es asegurar las funcionalidades del producto especificadas a pesar de la variabilidad e incertidumbre inevitables. El enfoque para resolver este problema es el diseño robusto de los parámetros del producto en la fase inicial del proceso de diseño ( Diseño Robusto de Parámetros (RPD) ). De esta manera, se deben encontrar los parámetros óptimos del producto. Dentro de este marco, el comportamiento del sistema es robusto e insensible a pesar de la variabilidad inevitable. Por ejemplo, la variabilidad e incertidumbre constantes conducen únicamente a la mínima variabilidad de las características del producto. Por lo tanto, las especificaciones requeridas del producto siempre se cumplirán. [ 9 ]

Referencias

  1. Saltelli, A., Chan, K. y Scott, EM: Análisis de sensibilidad . John Wiley & Sons, Chichester, Nueva York, 2000.
  2. Oakley JE, O´Hagan A.: Análisis de sensibilidad probabilística de modelos informáticos: un enfoque bayesiano . Journal of the Royal Statistical Society, Serie B, 66:751-769, 2004
  3. Pham TQ, Neubert H. y Kamusella A.: Diseño para la fiabilidad y la robustez mediante métodos probabilísticos en COMSOL Multiphysics con OptiY . Actas de la 2.ª Conferencia Europea de COMSOL. 4-6 de noviembre de 2008 en Hannover:
  4. Sacks J., Welch WJ, Mitchell TJ, Wynn HP: Diseño y análisis de experimentos informáticos . Statistical Science 4, págs. 409-435, 1989
  5. Au, SK, Beck, JL: Simulación de subconjuntos y su aplicación al riesgo sísmico basada en análisis dinámico . Journal of Engineering Mechanics, vol. 129, n.º 8, 1 de agosto de 2003.
  6. Pham TQ, Kamusella A. y Neubert H.: Extracción automática de código Modelica a partir de análisis de elementos finitos o datos de medición . Actas de la 8.ª Conferencia Internacional Modelica. 20-22 de marzo de 2011 en Dresde:
  7. Santner, TJ, Williams, BJ, Notz, WI: Diseño y análisis de experimentos informáticos . Springer-Verlag Nueva York 2003
  8. Zitzler E., Thiele L.: Algoritmos evolutivos multiobjetivo: un estudio de caso comparativo y el enfoque de Pareto de fuerza . IEEE Transactions on Evolutionary Computations. págs. 257-271. Noviembre de 1999.
  9. Sung H. Park: Diseño y análisis robustos para la ingeniería de calidad . Chapman & Hall 1996. ISBN 0-412-55620-0