參數魯棒性分析的案例
光柵的魯棒性分析與優化
傾斜光柵的魯棒性優化
但是光柵本身的參數并不是影響這類系統性能的唯一因素:已知大多數具有小特征尺寸的周期結構對入射光的偏振狀態非常敏感。作為本周的第二個用例，我們選擇了一個場景，在這個場景中，我們分析了二元光柵的偏振依賴性,并對結構進行了優化，使其在任意偏振角入射光下均能表現良好。
光柵是許多光學工程師的基本工具，因為它們的物理特性(將入射光衍射成一組離散的級次)使它們在許多不同的配置和許多不同的應用中都是非常有吸引力的工具。然而，研究主要的興趣是給定光柵設置如何能夠容許例如制造過程產生的與設計參數的小偏差。請查看下面的文檔，找到我們根據其填充因子優化傾斜光柵的示例。我們使用新發布的Parameter Variation Analyzer來執行設置的容差分析，并計算一個評價函數，該函數計算了不同填充因子下工作級次的平均效率。
展開 VirtualLab：光柵的魯棒性分析與優化
然而，研究主要的興趣是給定光柵設置如何能夠容許例如制造過程產生的與設計參數的小偏差。請查看下面的文檔，找到我們根據其填充因子優化傾斜光柵的示例。我們使用新發布的Parameter Variation Analyzer來執行設置的容差分析，并計算一個評價函數，該函數計算了不同填充因子下工作級次的平均效率。
但是光柵本身的參數并不是影響這類系統性能的唯一因素：已知大多數具有小特征尺寸的周期結構對入射光的偏振狀態非常敏感。作為本周的第二個用例，我們選擇了一個場景，在這個場景中，我們分析了二元光柵的偏振依賴性,并對結構進行了優化，使其在任意偏振角入射光下均能表現良好。
傾斜光柵的魯棒性優化
這個用例演示了一個具有稍微變化的填充因子的傾斜光柵的魯棒性優化。
高效偏振無關傳輸光柵的分析與設計
展開 設計仿真 | 基于ODYSSEE 的機器學習方法在汽車約束系統魯棒性分析中的應用
圖3 (a) 機器學習模型搭建；(b) 機器學習模型精度對比
假人傷害魯棒性分析
假人傷害魯棒性分析需要大量碰撞仿真，利用上述訓練的高精度機器學習模型，能夠快速計算不同輸入參數下系統的各個響應曲線，大大提高工作效率。
使用蒙特卡洛方法進行數據的采樣，假定3個設計變量滿足均值為設計值，均方差為設計值3.3%的正態分布。
從圖4統計結果來看，在魯棒性分析中，假人總得分均值略高于設計值，如考慮可靠性優化設計（如6σ設計要求），約束系統關鍵零部件設計參數仍需進一步優化，以確保假人在物理試驗中得分滿足預設的星級開發目標。
圖4. 假人總得分分布圖
應用價值
基于ODYSSEE的POD降階算法，使用少量的樣本點，就能夠實現對汽車約束系統中假人傷害曲線的高精度預測，可以有效提高仿真工程師的工作效率。
通過POD降階模型，與蒙特卡洛采樣方法的結合，能有效評估假人得分魯棒性，為性能開發人員快速提供參數調整依據。
展開 強度參數反分析(Back Analysis of Material Properties)---敏感性分析和概率分析
1 引言
在初步分析中, 可以使用經驗強度準則估算巖體強度值【FLAC3D和3DEC中Hoek-Brown準則參數的自動計算】，然后通過數值反分析對巖體強度進行校正和檢驗【數值反分析(Numerical Back-Analysis)；巖石邊坡工程課程---巖體物理力學參數的經驗估算(C6)；最新進展---Q-Slope在煤礦邊坡穩定性中的應用】。大多數解析的或數值的反分析使用實測位移值估算巖體強度參數。不過，在沒有實測位移的情況下，使用安全系數反分析巖體強度參數更方便和快捷。
反分析技術有兩種：一種是敏感性分析(Sensitivity Analysis)【巖石邊坡平面滑動穩定性分析---帶有拉伸裂縫(with tension crack)；巖石邊坡工程課程---平面滑動(Planar Sliding/Wedge)穩定性分析(C7)；使用BLOCK算法搜索邊坡的最小滑動面】，另一種是概率分析(Probabilistic Analysis)【邊坡穩定性概率分析的一些新技術】。 他們可以單獨使用，也可以聯合使用。本質上來說都是設置自由變量，但敏感性分析用于單變量的反分析，而概率分析可用于多變量的反分析。這樣，在假設一個或多個材料強度參數未知的情況下，就可以對材料性能進行反分析。
2 分析方法
敏感度分析用來研究輸入參數值的不確定性或變異性對安全系數的影響。在敏感性分析中，假定一個變量是自由變量，其余變量為定值，安全系數根據所有變量的平均值來計算。變量用最小值和最大值來定義，這產生了安全系數與參數值的關系圖，根據安全系數的值即可得到相應的自由變量的最佳值，如下圖所示。如果把兩個獨立的變量繪制在一個圖中，即可確定哪個參數對安全系數的影響最大，哪個參數對安全系數的影響不大。
展開 
機械零件可靠性分析的參數靈敏度分析
參數靈敏度分析
機械強度 2003年 06期-機械零件可靠性分析的參數靈敏度分析.pdf
利用FLUENT參數化分析網格無關性
本教程將通過一個簡單的管道內流體流動實例來說明利用FLUENT參數化分析來進行網格無關性測試。
1 啟動Workbench并建立分析項目
（1）在Windows系統下執行“開始”→“所有程序”→ANSYS 19.2→Workbench命令，啟動Workbench 19.2，進入ANSYS Workbench 19.2界面。
（2）雙擊主界面Toolbox（工具箱）中的Analysis systems→Fluid Flow（Fluent）選項，即可在項目管理區創建分析項目A。
2 導入幾何體
（1）在A2欄的Geometry上單擊鼠標右鍵，在彈出的快捷菜單中選擇Import Geometry→Browse命令，此時會彈出“打開”對話框。
（2）在彈出的“打開”對話框中選擇文件路徑，導入幾何體文件。
3 劃分網格
（1）雙擊A3欄Mesh項，進入Meshing界面，在該界面下進行模型的網格劃分。
（2）依次右鍵選擇模型入口邊界和出口邊界，在彈出快捷菜單中選擇Create Named Selection，彈出Selection Name對話框，輸入名稱inlet和outlet，單擊OK按鈕確認。
（3）右鍵單擊模型樹中Mesh選項，依次選擇Mesh→Insert→Sizing。Geometry選擇管道進出口邊緣，Type選擇Number of Divisions，在Number of Divisions中輸入20。
（5）單擊鼠標左鍵選擇Number of Divisions前的方框，顯示P字樣。同樣，選擇Mesh中Statistics里的Nodes和Elements，選擇三個計算參數。
展開 【技術】渦輪泵誘導輪幾何參數的敏感性分析及性能優化
CAESES和ANSYS的聯合工作流程
渦輪泵誘導輪的優化結果
為了得到不同幾何參數的影響規律，通過Sobol算法進行了參數敏感性分析，進行了150個不同模型的仿真分析研究。這里保持子午流道的輪廓和葉片包角的分布不變，調整三個葉片頂部流動角（β）分布參數。
葉片流動角分布的參數變化圖
通過后處理輸出的空化分布云圖以及處理得到的空化目標函數值，能夠分析不同參數對性能的影響規律，并確定當前的最佳模型。在當前結果中，最佳模型空化性能函數提升了36%左右。未來的工作將進一步針對葉片包角分布、前緣形狀參數以及葉片兩側不同的厚度分布進行研究。
原始幾何與敏感性分析得到的最佳幾何的比較
----------------本文作者：佛羅倫薩大學 埃里卡·吉尼奧尼博士----------------
展開 活動推介 | optiSLang 參數化穩健性分析——半導體封裝行業案例
比如半導體器件密封性能對壽命的長短、電參數是否穩定可靠有著關鍵的影響，然而半導體封裝密封檢測結果與數值模擬結果通常有一定的差異，有時甚至差異很大，常常困擾設計、研發和試驗人員。
Ansys optiSLang為上述問題提供了別樣的解決思路，同時，Ansys optiSLang成熟的工具配套廣泛的用戶群體，為半導體封裝乃至2.5D/3D IC的產品設計都提供了強有力的支撐。4月22日，Ansys聯合渠道合作伙伴北京朔和科技有限公司共同推出『optiSLang 參數化穩健性分析——半導體封裝行業案例』網絡研討會，歡迎預約參加本次活動。
時間
4月22日（星期五），10:00-10:45
面向受眾
半導體封裝研發設計人員、半導體封裝試驗測試人員、結構工程師、熱工程師、優化設計工程師以及有魯棒性、可靠性計算的大專院校研究生。
渠道合作伙伴：
北京朔和科技有限公司
講師介紹：
黃華清 | Mechanical & optiSLang 專家
北京朔和科技有限公司資深結構仿真工程師，從事Ansys仿真分析及咨詢工作多年，熟練使用Ansys Mechanical、optiSLang等，擁有豐富的結構、熱仿真經驗及半導體行業實操項目經歷。
會議大綱
半導體封裝um尺寸下的密封性能測試；
如何利用optiSLang探究半導體密封測試的模擬、試驗誤差問題；
有效利用optiSLang在類似或更廣義的半導體封裝行業進行結構和熱仿真。
展開 ABAQUS隔震分析—隔震單元雙線性模型的參數確定及設置方法（可實現三維隔震） ￥68
ABAQUS隔震分析—隔震單元雙線性模型的參數確定及設置方法
optiSLang助力優化微環調制器與 Lumerical 仿真自動化
第二步：參數敏感性分析與最佳元模型建立 (AMOP)
基于上述步驟，我們已經搭建完善的 optiSLang 與 Lumerical 的仿真自動化工作流。此步驟我們將演示如何進行參數敏感性分析以及 optiSLang 的最佳元模型搭建，optiSLang 最佳元模型是基于 optiSLang 特有的自適應采樣建模，通過對樣本空間的分析構建一套擬合Lumerical 求解器的數學模型，并用于后續快速的優化求解。我們只需要將 sensitivity wizard 拖拽入第一步測試的 Parametric System 即可生成 AMOP (Adaptive Metamodel of Optimal Prognosis) 模型，如下圖所示。
此步驟中找到適當數量的樣本空間很重要，增加采樣數可以獲得更好的元模型，同時也意味著增加完成仿真所需的時間（此步驟的每一步采樣均需要調用 Lumerical 做仿真求解，以幫助 optiSLang 尋找最佳化擬合元模型）。這里我們做了 300 個采樣點，可以看到每一個隨機采樣下的輸入輸出值，這里有一點需要強調，optiSLang 支持輸入參數的多種采樣方式，如連續采樣，離散采樣，高斯采樣等。
300個采樣仿真結束之后，我們在 post-processing中即可看到元模型的擬合結果以及各個輸出對輸入的依賴度，即 CoP (Coefficient of Prognosis) matrix，也就是我們所說的參數敏感性分析。
展開 