單目標(biāo)拓?fù)鋬?yōu)化的案例
基于optistruct汽車控制臂單目標(biāo)拓?fù)?/em>優(yōu)化 ￥5
汽車控制臂三種工況下的單目標(biāo)拓?fù)鋬?yōu)化為例，講述在optistruct中是如何進(jìn)行拓?fù)鋬?yōu)化，從而滿足特定要求下汽車控制臂的概念設(shè)計。你會發(fā)現(xiàn)每一種工況下拓?fù)鋬?yōu)化的結(jié)果不一樣，對應(yīng)的應(yīng)變能迭代曲線也會有所區(qū)別。
變量：設(shè)計空間中每個單元的密度；
約束：體積分?jǐn)?shù)不超過0.3；
目標(biāo)：每種工況下的應(yīng)變能最小。
有限元模型
工況1優(yōu)化后的結(jié)果：
拓?fù)?/em>結(jié)果（ISO=0.15）
柔度迭代曲線
工況2優(yōu)化后的結(jié)果：
拓?fù)?/em>結(jié)果（ISO=0.15）
柔度迭代曲線
工況3優(yōu)化后的結(jié)果：
拓?fù)?/em>結(jié)果（ISO=0.15）
柔度迭代曲線
本案例僅提供模型文件及相關(guān)指導(dǎo)，凡購買的朋友針對本案例仿真實現(xiàn)上有什么疑問可以私信。下一節(jié)將推出如何結(jié)合多種工況進(jìn)行多目標(biāo)拓?fù)鋬?yōu)化。
展開 基于optistruct靜態(tài)多工況下汽車控制臂多目標(biāo)拓?fù)?/em>優(yōu)化 ￥80
本例以汽車控制臂三種工況下的多目標(biāo)拓?fù)鋬?yōu)化為例，講述在optistruct中是如何進(jìn)行多目標(biāo)拓?fù)鋬?yōu)化，從而滿足特定要求下汽車控制臂的概念設(shè)計，先通過單目標(biāo)拓?fù)鋬?yōu)化得到每個工況的最大與最小柔度值，然后通過基于SIMP的多工況靜態(tài)剛度拓?fù)鋬?yōu)化數(shù)學(xué)模型得到三各工況綜合柔度的優(yōu)化方程
，
基于optistruct汽車控制臂多目標(biāo)拓?fù)?/em>優(yōu)化 ￥15
汽車控制臂三種工況下的多目標(biāo)拓?fù)鋬?yōu)化為例，講述在optistruct中是如何進(jìn)行多目標(biāo)拓?fù)鋬?yōu)化，從而滿足特定要求下汽車控制臂的概念設(shè)計。對于單目標(biāo)拓?fù)鋬?yōu)化你會發(fā)現(xiàn)每一種工況下拓?fù)鋬?yōu)化的結(jié)果不一樣，多目標(biāo)拓?fù)鋬?yōu)化則綜合考慮多種工況下的目標(biāo)得到一個綜合結(jié)果。
對于多目標(biāo)優(yōu)化常用的手段：1、將目標(biāo)轉(zhuǎn)化為約束條件；2、對多目標(biāo)采用加權(quán)的方法得到一個綜合目標(biāo)。本案例中采用方法2。
變量：設(shè)計空間中每個單元的密度；
約束：體積分?jǐn)?shù)不超過0.3；
目標(biāo)：多種工況下的綜合應(yīng)變能最小（每種工況目標(biāo)權(quán)重自定義，此處都定為一樣的1）。
有限元模型
拓?fù)?/em>結(jié)果（ISO=0.15）
柔度迭代曲線
本案例僅提供模型文件及相關(guān)指導(dǎo)，凡購買的朋友針對本案例仿真實現(xiàn)上有什么疑問可以私信。
請尊重原創(chuàng)，版權(quán)所有，翻版必究
展開 如何使用Optistruct進(jìn)行應(yīng)力拓?fù)?/em>優(yōu)化或多目標(biāo)、多約束優(yōu)化 ￥9.99
第三步則要勾選一個個響應(yīng)，這些響應(yīng)要和公式中的未知數(shù)一一對應(yīng)，NEL一般很大，手動創(chuàng)建太難了，為此我們很自然想到使用腳本自動創(chuàng)建這些數(shù)據(jù)，只要了解Optistruct的語言習(xí)慣，自動創(chuàng)建不是難題，本人在研究時，首先創(chuàng)建了基本的優(yōu)化模型，并驗證可運行，然后使用Python腳本自動完成了1-3步。對于下面的經(jīng)典L型梁
其中有1600個單元，手動創(chuàng)建很不現(xiàn)實，部分響應(yīng)和公式如下圖所示
使用本人單獨開發(fā)的小腳本，很方便完成這部分內(nèi)容，然后將它們粘貼到之前創(chuàng)建的簡單優(yōu)化模型中即可。
優(yōu)化過程和優(yōu)化后的效果如下圖所示：
拓?fù)鋬?yōu)化后的等值圖如下圖，可見應(yīng)力集中的部位基本被消除。本人使用的p范數(shù)為6，大家可以嘗試其它數(shù)值得到更優(yōu)異的解：
而柔度最小化優(yōu)化的結(jié)果是下面這樣的，顯然和應(yīng)力最小拓?fù)鋬?yōu)化是不一樣的，因為拐角還是直的，沒有去除應(yīng)力集中。
創(chuàng)建公式需要注意格式，感興趣的同學(xué)可以嘗試下載附件，附件包括腳本和有效的應(yīng)力優(yōu)化模型，謝謝。
同樣使用本文的方法還可以求解多目標(biāo)優(yōu)化和多約束優(yōu)化等等，不僅僅是拓?fù)鋬?yōu)化，尺寸優(yōu)化，形狀優(yōu)化也能解決，因為這三種優(yōu)化類型都需要響應(yīng)。
展開 
飛機(jī)發(fā)動機(jī)吊掛多目標(biāo)拓?fù)?/em>優(yōu)化
飛機(jī)發(fā)動機(jī)吊掛多目標(biāo)拓?fù)鋬?yōu)化.docx
基于optistruct考慮靜態(tài)和動態(tài)的多目標(biāo)下汽車控制臂拓?fù)?/em>優(yōu)化 ￥100
案例是基于optistruct考慮靜態(tài)與動態(tài)特性下的汽車控制臂拓?fù)鋬?yōu)化。結(jié)構(gòu)多目標(biāo)拓?fù)鋬?yōu)化是以體積分?jǐn)?shù)不超過0.3為約束條件，同時考慮靜態(tài)多剛度目標(biāo)和動態(tài)振動頻率（1階模態(tài)頻率）為目標(biāo)的拓?fù)鋬?yōu)化。
有限元模型
基于SIMP的多工況靜態(tài)剛度-特征值拓?fù)鋬?yōu)化數(shù)學(xué)模型如下：
折衷拓?fù)鋬?yōu)化后的結(jié)果
目標(biāo)響應(yīng)迭代曲線
優(yōu)化前的前三階模態(tài)及陣型：
一階模態(tài)
二階模態(tài)
三階模態(tài)
優(yōu)化后的前三階模態(tài)及陣型：
一階模態(tài)
二階模態(tài)
三階模態(tài)
本案例僅提供模型文件結(jié)果文件及相關(guān)指導(dǎo)，凡購買的朋友針對本案例仿真實現(xiàn)上有什么疑問可以私信。
展開 基于optistruct考慮靜態(tài)和動態(tài)的多目標(biāo)下汽車控制臂拓?fù)?/em>優(yōu)化 ￥200
本案例是基于optistruct考慮靜態(tài)與動態(tài)特性下的汽車控制臂拓?fù)鋬?yōu)化。結(jié)構(gòu)多目標(biāo)拓?fù)鋬?yōu)化是以體積分?jǐn)?shù)不超過0.3為約束條件，同時考慮靜態(tài)多剛度目標(biāo)和動態(tài)振動頻率目標(biāo)的拓?fù)鋬?yōu)化。由折衷規(guī)劃法結(jié)合平均頻率法可得到多目標(biāo)拓?fù)鋬?yōu)化的綜合目標(biāo)函數(shù)：
有限元模型
基于SIMP的多工況靜態(tài)拓?fù)鋬?yōu)化數(shù)學(xué)模型如下：
折衷拓?fù)鋬?yōu)化后的結(jié)果
目標(biāo)響應(yīng)迭代曲線
優(yōu)化前的前三階模態(tài)及陣型：
一階模態(tài)
二階模態(tài)
三階模態(tài)
優(yōu)化后的前三階模態(tài)及陣型：
一階模態(tài)
二階模態(tài)
三階模態(tài)
更加詳細(xì)的說明見收費內(nèi)容部分，本案例僅提供模型文件結(jié)果文件及相關(guān)指導(dǎo)，凡購買的朋友針對本案例仿真實現(xiàn)上有什么疑問可以私信。
請尊重原創(chuàng)，版權(quán)所有，翻版必究！
展開 基于optistruct汽車控制臂三種工況、加上1階模態(tài)下的多目標(biāo)拓?fù)?/em>優(yōu)化案例 ￥80
本例以汽車控制臂三種工況、加上1階模態(tài)下的多目標(biāo)拓?fù)鋬?yōu)化為例，講述在optistruct中是如何進(jìn)行多目標(biāo)拓?fù)鋬?yōu)化，非公式，目的就是快速得到傳遞路徑，與傳統(tǒng)輸入公式傳遞路徑基本上百分九十以上的相似度，如果有需要公式方面的同學(xué)也可以聯(lián)系我，有相關(guān)的資料
購買后對于模型中不懂的地方都可以問
