ออปติสแลง

ออปติสแลง
นักพัฒนา	บริษัท แอนซิส เยอรมนี จำกัด
เวอร์ชันเสถียร	23.2 / มิถุนายน 2023
ระบบปฏิบัติการ	ข้ามแพลตฟอร์ม
แพลตฟอร์ม	อินเทล x86 32 บิต , x86-64
มีจำหน่ายใน	ภาษาอังกฤษ
พิมพ์	ซอฟต์แวร์จำลอง
ใบอนุญาต	ซอฟต์แวร์เชิงพาณิชย์ที่เป็นกรรมสิทธิ์
เว็บไซต์	หน้าผลิตภัณฑ์ optiSLang

optiSLangเป็นแพลตฟอร์มซอฟต์แวร์สำหรับการวิเคราะห์ความไวตามCAE การเพิ่มประสิทธิภาพแบบสหสาขาวิชาชีพ (MDO)และการประเมินความทนทาน เดิมทีพัฒนาโดย Dynardo GmbH และเป็นกรอบการทำงานสำหรับการเพิ่มประสิทธิภาพการออกแบบที่ทนทานเชิงตัวเลข (RDO) และการวิเคราะห์เชิงสุ่มโดยการระบุตัวแปรที่ส่งผลมากที่สุดต่อเป้าหมายการเพิ่มประสิทธิภาพที่กำหนดไว้ล่วงหน้า ซึ่งรวมถึงการประเมินความทนทาน กล่าวคือ ความไวต่อการกระจายตัวของตัวแปรการออกแบบหรือความผันผวนแบบสุ่มของพารามิเตอร์^{[ 1 ]} ในปี 2019 Dynardo GmbH ถูกซื้อกิจการโดยAnsys ^{[ 2 ]}

การวิเคราะห์ความไวโดยใช้ค่าความแปรปรวน โดยการแทนตัวแปรปรับค่าเหมาะสมอย่างต่อเนื่องด้วยการกระจายแบบเอกรูปโดยไม่มีปฏิสัมพันธ์ระหว่างตัวแปร จะวัดปริมาณการมีส่วนร่วมของตัวแปรปรับค่าเหมาะสมต่อการปรับปรุงการตอบสนองของแบบจำลอง ในทางตรงกันข้ามกับวิธีการวิเคราะห์ความไวโดยใช้ค่าอนุพันธ์เฉพาะที่ วิธีการที่ใช้ค่าความแปรปรวนจะวัดปริมาณการมีส่วนร่วมโดยสัมพันธ์กับช่วงของตัวแปรที่กำหนดไว้

ค่าสัมประสิทธิ์การพยากรณ์ (CoP) ^{[ 3 ]} CoP เป็นการวัดที่ไม่ขึ้นกับแบบจำลองเพื่อประเมินคุณภาพของแบบจำลองและกำหนดไว้ดังนี้:

${\displaystyle CoP=1-{\frac {SS_{E}^{\text{pred}}}{SS_{T}}}}$

ผลรวมของกำลังสองของข้อผิดพลาดในการทำนายอยู่ ที่ไหนข้อผิดพลาดเหล่านี้ประมาณค่าโดยใช้การตรวจสอบแบบไขว้ (cross validation ) ในกระบวนการตรวจสอบแบบไขว้ ชุดจุดสนับสนุนจะถูกแมปไปยังชุดย่อย จากนั้นแบบจำลองการประมาณค่าจะถูกสร้างขึ้นโดยการลบชุดย่อยออกจากจุดสนับสนุนและประมาณค่าเอาต์พุตของแบบจำลองชุดย่อยโดยใช้ชุดจุดที่เหลืออยู่ ซึ่งหมายความว่าคุณภาพของแบบจำลองจะถูกประเมินเฉพาะที่จุดเหล่านั้นที่ไม่ถูกนำไปใช้ในการสร้างแบบจำลองการประมาณค่า เนื่องจากใช้ข้อผิดพลาดในการทำนายแทนความเหมาะสม วิธีการนี้จึงใช้ได้กับแบบจำลองการถดถอยและแม้แต่แบบจำลองการแทรกสอด ${\displaystyle SS_{E}^{\text{pred}}}$${\displaystyle q}$${\displaystyle i}$${\displaystyle y_{i}}$

เมตาโมเดลของการพยากรณ์ที่ดีที่สุด (MOP): ^{[ 3 ]} คุณภาพการทำนายของแบบจำลองการประมาณอาจได้รับการปรับปรุงหากตัวแปรที่ไม่สำคัญถูกลบออกจากแบบจำลอง แนวคิดนี้ถูกนำมาใช้ในเมตาโมเดลของการพยากรณ์ที่ดีที่สุด (MOP) ซึ่งอิงจากการค้นหาชุดตัวแปรอินพุตที่เหมาะสมที่สุดและแบบจำลองการประมาณที่เหมาะสมที่สุด (พหุนามหรือ Moving Least Squares ที่มีฐานเชิงเส้นหรือกำลังสอง) เนื่องจากความเป็นอิสระของแบบจำลองและความเป็นกลางของการวัด CoP จึงเหมาะอย่างยิ่งสำหรับการเปรียบเทียบแบบจำลองต่างๆ ในพื้นที่ย่อยต่างๆ

การเพิ่มประสิทธิภาพแบบสหวิทยาการ : พื้นที่ย่อยของตัวแปรที่เหมาะสมที่สุดและแบบจำลองการประมาณค่าที่พบโดยกระบวนการ CoP/MOP สามารถนำมาใช้สำหรับการเพิ่มประสิทธิภาพเบื้องต้นก่อนที่จะใช้ตัวเพิ่มประสิทธิภาพระดับโลก (อัลกอริธึมเชิงวิวัฒนาการ วิธีการพื้นผิวตอบสนองแบบปรับตัว วิธีการตามการไล่ระดับ วิธีการทางชีววิทยา) สำหรับการเพิ่มประสิทธิภาพเป้าหมายเดียวโดยตรง หลังจากทำการวิเคราะห์ความไวโดยใช้ MOP/CoP แล้ว ยังสามารถดำเนินการเพิ่มประสิทธิภาพแบบหลายเป้าหมายเพื่อกำหนดศักยภาพในการเพิ่มประสิทธิภาพภายในเป้าหมายที่ขัดแย้งกันและเพื่อหาปัจจัยถ่วงน้ำหนักที่เหมาะสมสำหรับการเพิ่มประสิทธิภาพเป้าหมายเดียวในขั้นตอนต่อไป สุดท้าย การเพิ่มประสิทธิภาพเป้าหมายเดียวนี้จะกำหนดการออกแบบที่เหมาะสมที่สุด

การประเมินความทนทาน: ในการวิเคราะห์ความทนทานโดยอิงตามความแปรปรวน จะมีการตรวจสอบการเปลี่ยนแปลงของผลตอบสนองของแบบจำลองที่สำคัญ ในoptiSLangจะใช้วิธีการสุ่มตัวอย่างเพื่อสร้างตัวอย่างแบบไม่ต่อเนื่องของฟังก์ชันความหนาแน่นความน่าจะเป็นร่วมของตัวแปรสุ่มที่กำหนด จากตัวอย่างเหล่านี้ ซึ่งได้รับการประเมินโดยตัวแก้ปัญหาในลักษณะเดียวกับการวิเคราะห์ความไว จะมีการประมาณค่าคุณสมบัติทางสถิติของผลตอบสนองของแบบจำลอง เช่น ค่าเฉลี่ย ค่าเบี่ยงเบนมาตรฐาน ควอนไทล์ และโมเมนต์สุ่มลำดับสูงกว่า

การวิเคราะห์ความน่าเชื่อถือ: ภายใต้กรอบของการประเมินความปลอดภัยเชิงความน่าจะเป็นหรือการวิเคราะห์ความน่าเชื่อถือ อิทธิพลที่กระจัดกระจายจะถูกจำลองเป็นตัวแปรสุ่ม ซึ่งกำหนดโดยประเภทการกระจาย โมเมนต์เชิงสุ่ม และความสัมพันธ์ระหว่างกัน ผลลัพธ์ของการวิเคราะห์คือส่วนเติมเต็มของความน่าเชื่อถือ นั่นคือความน่าจะเป็นของความล้มเหลว ซึ่งสามารถแสดงได้ในมาตราส่วนลอการิทึม

optiSLang ถูกออกแบบมาเพื่อใช้ตัวแก้ปัญหาหลายตัวในการตรวจสอบปัญหาทางกลศาสตร์ คณิตศาสตร์ เทคนิค และปัญหาอื่นๆ ที่สามารถวัดปริมาณได้ โดย optiSLang มีอินเทอร์เฟซโดยตรงสำหรับโปรแกรมภายนอก:

• ANSYS
• MATLAB
• จีนู อ็อกเทฟ
• เอ็กเซล
• OpenOffice Calc
• ไพธอน
• อาบาคส์
• การจำลอง X
• คาเทีย
• แอลเอส-ไดนา
• โฟลว์เน็กซ์
• มัลติพลาส
• ซอฟต์แวร์ใดๆ ที่มีการกำหนดอินพุตแบบข้อความ

ตั้งแต่ทศวรรษ 1980 ทีมวิจัยที่มหาวิทยาลัยอินส์บรุคและมหาวิทยาลัยเบาเฮาส์-ไวมาร์ได้พัฒนาอัลกอริทึมสำหรับการเพิ่มประสิทธิภาพและการวิเคราะห์ความน่าเชื่อถือร่วมกับ การจำลอง องค์ประกอบจำกัดส่งผลให้ซอฟต์แวร์ "ภาษาโครงสร้าง (SLang)" ถูกสร้างขึ้น ในปี 2000 วิศวกร CAEได้นำไปใช้เป็นครั้งแรกในการวิเคราะห์การเพิ่มประสิทธิภาพและความแข็งแกร่งในอุตสาหกรรมยานยนต์ ในปี 2001 บริษัท Dynardo GmbH ก่อตั้งขึ้น และในปี 2003 ซอฟต์แวร์ optiSLang ซึ่งพัฒนาต่อยอดจาก SLang ได้เปิดตัวเป็นโซลูชันอุตสาหกรรมสำหรับการวิเคราะห์ความไวการเพิ่มประสิทธิภาพการประเมินความแข็งแกร่ง และการวิเคราะห์ความน่าเชื่อถือโดยใช้ CAE ในปี 2013 optiSLang 4 เวอร์ชันปัจจุบันได้รับการปรับโครงสร้างใหม่ทั้งหมดด้วยส่วนติดต่อผู้ใช้แบบกราฟิกใหม่และส่วนติดต่อที่ขยายไปยังกระบวนการ CAE ภายนอก^{[ 1 ]}