ANSYS optiSLang(多学科设计优化软件)

ANSYSoptiSLang是一款多学科优化设计分析软件，在参数敏感度分析、稳健性评估、可靠性分析、多学科优化、稳健与可靠性优化设计方面具有强大的分析能力。

　　ANSYS optiSLang是一款多学科优化设计分析软件，在参数敏感度分析、稳健性评估、可靠性分析、多学科优化、稳健与可靠性优化设计方面具有强大的分析能力。

软件优势

　　1、流程自动化

　　可与虚拟产品研发中的大部分软件工具 搭配使用，进而覆盖整个 CAE 工作流程。

　　2、设计和数据探索

　　使用由强大实验设计 (DOE) 和统计分析算法提供支持的 全交互式后期处理和可视化工具，了解设计或产品数据。

　　3、降阶建模

　　可构建基于仿真结果的元模型。您可使 用这些元模型进行优化，也可以将其导出，在系统仿真中用作 ROM。

　　4、优化

　　使用行业领先的算法驱动求解器，自动优化设 计。

　　5、鲁棒性设计和可靠性

　　易用的向导程序帮助您评估设计的可靠性并执行鲁棒性设计优化 (RDO)。

　　6、轻松从Workbench 进行访问

　　及其易用的向导程序由强大的算法提供支持，可在Workbench 平台内部进行访问和使用。

功能介绍

　　1、RDO的前沿算法

　　在虚拟产品开发中引入基于CAE的RDO对过程自动化，参数化虚拟模型和算法效率提出了很高的要求。 自2001年推出产品以来，Dynardo逐渐发展了软件的技术，特别是对于包含许多参数和随机变量的复杂非线性分析模型的应用。还实现了对设计失败和CAE求解器噪声的稳健处理。算法向导和用户 最佳实践指导模块化工作流程使软件成为一种简单灵活的软件工具，可用于基于CAE的产品优化。 最佳预测元模型（MOP）的创新技术，包含自动可变减少和响应变化预测质量的测量，使用户能够有效地解决具有挑战性的RDO任务。

　　2、CAE集成和流程自动化

　　为了生成合适的CAE参数模型作为RDO的关键要求，Workbench已被确立为最强大的参数化模型环境之一。它包括与主要CAD程序的双向接口，并能够在中央参数管理器中收集所有可用的CAE和CAD数据。因此，系统集成，过程自动化和作业控制也集成在Workbench中，以从参数管理器更新一个或多个设计。在这种情况下，开发了将这个直接整合到参数化建模环境中，其优先级与外部CAE代码集成到optiSLang函数中的优先级相同。

　　过程自动化。如果Workbench中提供了所有参数，则可以轻松使用这款软件的向导以及灵敏度分析，优化和稳健性评估的拖放模块。

　　设置和运行变量分析不再困难。

　　如果必须添加额外的输入或输出参数，需要处理信号，或者需要集成第三方工具，软件的GUI提供了强大的集成和自动化功能。对于Workbench项目的整合，可以使用ANSYS集成节点以及文本文件库通信功能。此外，我们的图形编程支持基于文件的流程集成，可直接访问ANSYS或SimulationX等参数化建模CAE环境，以及Excel，MATLAB或Python等环境。

　　3、CAx工作流 SPDM

　　为高效的参数化建模和流程生成提供了各种功能，包括模板或子流的定义和使用，或用户定义的算法和工作流的定制。自上而下5，已经实施了模拟和过程数据管理（SPDM）的网关，用于SPDM参数模型的定义和使用以及与EKM或Siemens Teamcenter的数据交换。

　　最佳实践模块

　　提供了最佳实践算法，包括默认和向导指南，用于在虚拟产品开发中定期集成基于CAE的RDO方法。 它的三个模块支持最佳算法和模块化工作流生成：

　　1）灵敏度分析了解设计，重新

　　最重要的参数，检查响应变化的预测质量，并自动生成最佳的元模型

　　2）优化以提高设计性能

　　3）鲁棒性评估以验证关于散射材料参数，生产公差或变化的环境条件的设计稳健性模块可以通过拖放功能轻松应用。使用基于向导的设置，用户输入减少到最小，只需要设置参数范围，分散，约束和目标。借助最佳实践默认值和向导引导的模块化工作流程自动生成Allalgorithm设置。在优化模块中，算法基于灵敏度分析和附加用户输入的结果生成最有效和最合适的优化策略。

　　4、可扩展性

　　软件的开放性还使用户能够插入：

　　DOE算法，优化，鲁棒性等

　　元模型

　　工具集成

　　数据库连接这些接口满足当前对灵活性和即将发生的可扩展性请求的要求。因此，我们是满足度量和仿真驱动的虚拟产品开发的未来需求的平台。

功能介绍

　　1、虚拟产品开发中的稳健设计优化（RDO）

　　如果您知道在多大程度上通过产品开发实现安全的经济优化，您会有什么优势？你的设计真的有多强大？

　　使用这个，您可以执行基于CAE的敏感性分析，多学科优化，稳健性评估和可靠性分析，因此可以：

　　量化风险

　　确定优化潜力

　　改善产品属性

　　安全资源许可证

　　缩短开发时间

　　使用预测系数（CoP）和最佳预后元模型（MOP）自动识别相关的输入和输出参数并量化预测能力，可预测性是有效优化的关键，并实现了一种可以最小化求解器调用的无法运行的哲学。使用我们这个软件，因此可以使用许多变量，散射输入变量或非线性系统行为来解决甚至复杂的优化任务。最佳实践管理自动选择适当的优化算法，例如梯度方法，遗传算法，进化策略或自适应响应面方法。所有优化和随机分析方法都可以根据任务进行组合。使用这个，您可以充分利用参数优化的可能性并加速您的虚拟产品开发。

　　2、方法

　　软件提供有效的稳健设计优化方法，以解决您在CAE领域的任务：

　　灵敏度

　　分析多学科优化

　　参数

　　识别鲁棒性评估

　　可靠性

　　分析鲁棒设计优化

　　随机场

　　3、集成外部CAE流程

　　任何求解器的仿真过程（MATLAB，Excel和Python的...）或前，后处理器可以通过ASCII文件和参数的敏感性研究，优化和随机分析将在图形编辑器来提供连接。

　　1）CAE一体化进程

　　交互式过程自动化和过程集成以及对最佳参数仿真模型的访问是成功进行基于CAE的变异分析的关键。通过输入助手和默认设置支持这些工作流程。

　　2）CAE

　　流程集成

　　支持虚拟产品开发领域中各种软件的参数化连接。通过基于文本或预定义的接口实现集成。目前，超过100种不同的CAx / PLM软件解决方案与optiSLang相结合。新一代就可以提供访问：

　　CAD（Catia，Nx，Creo，Solidworks ......）

　　CAE（Abaqus，AMESim ...）

　　MS Excel，Matlab，Python ......

　　PLM（EKM，Teamcenter，Subversion ...）

　　内部求解器

　　可以将不同的参数环境捆绑在一起，并将其组合到基于CAE的产品开发的自动参数工作流程中

　　3）接口，自动化和扩展

　　提供各种接口（Python，C ++，命令行），用于在这里和外部软件集成中自动创建，修改和执行项目。这确保了自定义应用程序的实现，并允许将这个项目集成到自定义平台中。重复性和耗时的任务是标准化和自动化的。

　　平台的高效率允许用户连接到：

　　DOE算法，优化，稳健性评估等

　　元模型

　　CAx集成

　　数据库链接

　　这使得我们成为一个灵活的平台，可以满足虚拟产品开发中参数仿真的当前和未来需求。

　　4）

　　CAx工作流程的实施

　　用户界面通过图形耦合的构建块和算法来支持工作流，以说明依赖性和时间线。这允许集中定义和控制交互。同时，显示易于理解的图表和按钮。这样可以实现整个工作流程的全面访问和可跟踪性。

　　用户可以连接来自CAE求解器的复杂仿真过程以及异构网络或集群中的前处理器和后处理器。自动化在捆绑的求解器流程链或复杂的多学科/多域工作流中实现。绩效表示及其评估也可以成为标准化项目的一部分。

　　5）将这个集成到CAE建模环境中

　　软件的模块化设计支持将模块直接集成到标准化的参数化建模环境中。这样可以在z中无缝集成。例如Workbench / AIM，Excel或SimulationX。在这里，用户不必离开其参数化建模环境，并且可以有效地访问我们模块

　　4、一般功能

　　可理解的分类

　　配置中的最小努力

　　简单的流程实施

　　最先进的算法

　　有针对性的个人性能限制定义

　　快速参数化

　　边界条件和目标的简单定义

　　5、关键应用

　　在这里，您将找到关键应用领域的概述，其中包含有关成功的客户项目和当前研究状态的信息。

　　液压-机械-热耦合在岩石FEM计算

　　制动系统的稳健设计优化

　　产品开发在消费品行业

　　由涡轮机械稳健优化设计

　　的鲁棒性形成模拟

　　汽车行业安全系统的稳健性

　　在汽车行业各种Karrosseriestrukturen的稳健性评估，

　　电子元器件和组件的优化

　　稳健设计优化医疗技术的

　　稳健设计海上风力发电机支撑结构的

　　优化半导体工业的优化

　　光学和光子学的模拟和优化

　　6、最佳预后（MOP）/预后系数（CoP）的元模型

　　工程任务受许多参数的影响。随着optiSLang和MOP ? / COP ?方法，你可以使用完整的优化潜力，而不必局限于少数PARAMATERS（CAE + CAD）。

　　作为灵敏度分析的一部分，自动识别最重要的参数，并找到具有相关输入和输出变量的最佳可能相关模型（元模型）。量化了许多全球元模型的预测能力。在灵敏度模块中，预测系数（CoP）?允许过滤相关的输入参数。根据结果大小的预测能力，选择最佳元模型。此最佳预测元模型（MOP）?代表参数变化和结果大小之间最重要的关系，可用作CAE计算的替代，用于优化或稳健性评估。通过预测仿真模型的预测质量，可以实现最小化求解器调用的“无运行太多”理念。