近似模型的案例
Isight集成UG+abaqus和近似模型 ￥50
解決集成abaqus輸出參數不變化問題，和UG連用問題，并采用近似模型和DOE設計實驗
Isight利用已有數據做近似模型優化與DOE ￥20
常常我們計算中并不能一次得到所有數據，并且大型仿真計算時構建近似模型與實驗設計非常麻煩容易出錯，我們可以通過多次計算最終把數據整合在一起，更加簡單有效的對數據進行分析。
此課程采用簡單的案例實現Isight數據分析流程，在實際應用中非常高效
手把手教你使用Isight構建近似模型進行多學科優化 ￥159.9
使用Isight構建近似模型，進行優化攏共分7步，其中前4步參見我之前發布的貼子《LS-DYNA批量生成K文件與批量計算》和《LS-DYNA批處理計算后處理Matlab腳本文件》。
圖1 多學科優化流程
下面把操作教程的部分章節放在免費部分請大家了解文檔內容和質量，有感興趣的朋友可以嘗試下載，無需下載的請不吝惜點贊、關注，爭取把小翼送入技術鄰影響力前50，謝謝。
.。。。。。。。。。。。。。。。。
詳情見附件。
離散斷裂網絡DFN三維模型與二維模型的傾角(Dip)近似等效方法
1 引言
相同的數據在二維模型中生成的DFN與在三維模型中生成的DFN結果是完全不一樣的。原因是
在二維空間內，傾角fdip(fracture.dip)的范圍是在0到180°，而在三維空間內fdip的角度是在0到90°；且在二維空間內沒法表示傾向。3DEC提供了一個命令block to-udec，可以使用原點、法線或傾角和傾角方向指定一個平面，然后把這個平面導出到UDEC。顯然這種操作方法得出的DFN結果不是UDEC自身生成的DFN。
block to-udec origin 0,25,0 dip 90 dip-direction 0
下圖所示的是相同數據生成的300條斷裂2D 和3D DFN模型。這個筆記簡要討論了二維模型和三維模型傾角近似等效的方法，也許這種方法并不具有實際意義。
2 等效方法
對于一個生成的3D DFN模型，我們可以求出這個模型中所有斷裂的平均傾角，這可以通過編寫一個簡單的FISH程序來實現，對fracture.list進行遍歷，把每條斷裂的傾角相加，再除以斷裂總數，就可以得到整個模型斷裂的平均傾角，例如得出的平均傾角為54°。
相同的模型在2D中運行，為了與3D模型得出的傾角相同，第一個過濾準則是只保留那些傾角小于90°(fracture.dip(frac)<90)的斷裂，第二個過濾準則是保留那些傾角在54°左右的斷裂，一個更精確的方法是在3D中求出傾角的平均值和標準偏差，然后在2D中使用這個值。這樣就可以在2D中作出一個僅傾角近似3D的DFN模型。
3 斷裂數目
在生成2D DFN的過程中，為了與3D生成的斷裂數目相同，需要用到斷裂數目的判斷方法。有三個不同層次的判斷斷裂數目的函數。
展開 
離散斷裂網絡DFN三維模型與二維模型的傾角(Dip)近似等效方法
1 引言
相同的數據在二維模型中生成的DFN與在三維模型中生成的DFN結果是完全不一樣的。原因是
在二維空間內，傾角fdip(fracture.dip)的范圍是在0到180°，而在三維空間內fdip的角度是在0到90°；且在二維空間內沒法表示傾向。3DEC提供了一個命令block to-udec，可以使用原點、法線或傾角和傾角方向指定一個平面，然后把這個平面導出到UDEC。顯然這種操作方法得出的DFN結果不是UDEC自身生成的DFN。
block to-udec origin 0,25,0 dip 90 dip-direction 0
下圖所示的是相同數據生成的300條斷裂2D 和3D DFN模型。這個筆記簡要討論了二維模型和三維模型傾角近似等效的方法，也許這種方法并不具有實際意義。
2 等效方法
對于一個生成的3D DFN模型，我們可以求出這個模型中所有斷裂的平均傾角，這可以通過編寫一個簡單的FISH程序來實現，對fracture.list進行遍歷，把每條斷裂的傾角相加，再除以斷裂總數，就可以得到整個模型斷裂的平均傾角，例如得出的平均傾角為54°。
相同的模型在2D中運行，為了與3D模型得出的傾角相同，第一個過濾準則是只保留那些傾角小于90°(fracture.dip(frac)<90)的斷裂，第二個過濾準則是保留那些傾角在54°左右的斷裂，一個更精確的方法是在3D中求出傾角的平均值和標準偏差，然后在2D中使用這個值。這樣就可以在2D中作出一個僅傾角近似3D的DFN模型。
3 斷裂數目
在生成2D DFN的過程中，為了與3D生成的斷裂數目相同，需要用到斷裂數目的判斷方法。有三個不同層次的判斷斷裂數目的函數。
展開 運用Isight進行頭碰優化設計
圖7 因子length_internal 和Th_internal_skin對加速度和位移的影響
05 利用近似模型進行優化
在小節4的近似模型基礎上采用NLPQL優化算法進行優化，流程如圖8。優化目標為加速度最小，約束為位移小于15.5mm。由于近似模型存在誤差，約束選擇小于15.5mm而不是16mm。如圖9所示，經過62次優化獲得收斂，加速度為114.6，位移為15.5mm。
圖8 優化流程圖
圖9 優化過程
上述優化是基于近似模型的，需要建立有限元模型進行驗證，兩者對比數據如表2，誤差均小于5%，進一步說明近似模型的可靠性。
本案例只是提供工程優化的思路，復雜程度離實際工程項目相差較遠，僅供參考，如需源文件，請留言。
作者：周偉
來源： 豐賜科技一最優IT綜合解決方案商
展開 Isight混合優化策略方法與實踐 附iSIGHT工程優化實例分析下載
混合優化策略的必要性
全局算法具有全局搜索最優的能力，但其缺點是優化效率低；梯度優化算法雖然優化效率高，但其缺點是對于復雜的優化模型往往會陷入局部最優解。為了快速的獲得高精度的全局最優解，我們可以組合兩類優化算法，就可以既發揮全局算法的全局性，同時又兼顧了數值算法的高效性。
DOE抽樣與梯度優化混合策略
首先應用DOE組件在設計空間均勻采樣，捕捉整個設計空間中最有效的設計區域，然后應用參數化模塊在有效設計區域中進行優化設計，最終獲得最佳設計結果。
全局優化和梯度優化組合
首先應用全局優化算法定位目標極值在設計空間中所處的區域，再應用梯度優化算法對該區域進行精確尋優，最終獲得最佳設計結果。
發揮了全局優化算法在整體設計空間遍歷方面的優勢，能夠快速對設計敏感區域定位
僅用全局算法進行粗略定位，避免了全局算法在細節優化方面的低效率問題
發揮了梯度優化算法在局部優化方面的優勢
避免了梯度優化算法在高度非線性或離散設計空間中直接尋優帶來的誤導
基于近似模型更新的全局優化
首先建立局部設計空間的近似模型，并在近似模型上進行優化計算，獲得局部最優的估計值，并通過驗證計算不斷更新近似模型位置繼續優化，最終獲得全局最優解；基于近似模型更新的全局優化策略適用于非線性設計空間以及單次計算耗時較長的問題，而不適用于不連續、非凸或高度約束的設計空間。
基于Pointer-2智能算法的策略
Pointer-2算法只能讓Isight軟件自動選擇最佳優化算法進行組合優化設計。
算法適用于多數線性及非線性設計空間，以及連續與不連續設計空間。同時也適用于解決單次計算耗時較長的問題。
展開 CAE與人工智能
元模型 (Meta Model)
之前提及的CPS可以稱為系統的系統(system of systems)。與此相反，在這個章節中我們說明的是元模型(Meta Model)和替代模型( Surrogate Model)被稱作模型的模型(a model of a model)。在此，系統中的系統是指將系統捆綁在一起，視系統的復雜度增加。但是模型中的模型則是指把模型變的簡單。人們使用近似法(Approximation method)以便使模型變的簡單。因為有時人們也稱元模型為 近似模型(Approximation model) 。也就是說近似模型是指將模型再次簡化的意思。
近似模型多用于優化中，在優化過程中，由于利用實際模型計算的反復次數增加，所需要的時間可能會很長，所以利用近似模型來縮短計算時間。
上面說明過的CAE使用的模型，目的是要得出正確的結果。因此如果使用計算密集型方法，即盡量精確的進行細致的模型設計而導致計算量和計算時間增大的計算密集型(computation-intensive)方法進行優化的話，根據情況，所需的時間會延長到幾個月，如此長的計算時間在工作中是非常難實現的。
因此在優化設計中使用的是近似模型，而不是計算密集型模型。通過使用這種近似模型，可以大幅減少優化所需要的時間。特別是優化使用的近似模型稱之為元模型。
制作元模型時，不管使用了什么樣的仿真模型和方法，我們只關注和使用這個系統的反應。輸入和反應生成元模型，并以此執行優化，這種方法被稱為基于近似的優化法（approximation based optimization）
5. 代理模型 (Surrogate Model)
代理模型與元模型，響應面模型都被稱為是近似模型(Response surface model)的方法之一。
展開 Isight混合優化策略方法與實踐
混合優化策略的必要性
全局算法具有全局搜索最優的能力，但其缺點是優化效率低；梯度優化算法雖然優化效率高，但其缺點是對于復雜的優化模型往往會陷入局部最優解。為了快速的獲得高精度的全局最優解，我們可以組合兩類優化算法，就可以既發揮全局算法的全局性，同時又兼顧了數值算法的高效性。
DOE抽樣與梯度優化混合策略
首先應用DOE組件在設計空間均勻采樣，捕捉整個設計空間中最有效的設計區域，然后應用參數化模塊在有效設計區域中進行優化設計，最終獲得最佳設計結果。
全局優化和梯度優化組合
首先應用全局優化算法定位目標極值在設計空間中所處的區域，再應用梯度優化算法對該區域進行精確尋優，最終獲得最佳設計結果。
發揮了全局優化算法在整體設計空間遍歷方面的優勢，能夠快速對設計敏感區域定位
僅用全局算法進行粗略定位，避免了全局算法在細節優化方面的低效率問題
發揮了梯度優化算法在局部優化方面的優勢
避免了梯度優化算法在高度非線性或離散設計空間中直接尋優帶來的誤導
基于近似模型更新的全局優化
首先建立局部設計空間的近似模型，并在近似模型上進行優化計算，獲得局部最優的估計值，并通過驗證計算不斷更新近似模型位置繼續優化，最終獲得全局最優解；基于近似模型更新的全局優化策略適用于非線性設計空間以及單次計算耗時較長的問題，而不適用于不連續、非凸或高度約束的設計空間。
基于Pointer-2智能算法的策略
Pointer-2算法只能讓Isight軟件自動選擇最佳優化算法進行組合優化設計。
算法適用于多數線性及非線性設計空間，以及連續與不連續設計空間。同時也適用于解決單次計算耗時較長的問題。
展開 螺栓連接鈑金應力的CAE評價方法
并且、知道了用Beam模型來近似螺栓模型，對FEM鈑金変形的解析精度、即螺螺釘傳遞載荷帶來一定的影響。該影響進行定量地評價或者改善螺栓模型是以后的研究課題。而且，本論文中沒有充分討論的Mises應力最大值的數值算法也是以后繼續研討的內容。還有，包括橫向載荷的螺栓連接鈑金的解析方法的構筑也是作為今后的開發課題。
Isight集成Meshworks和Optistruct
近似模型方法是通過數學模型的方法逼近一組輸入變量（獨立變量）與輸出變量（響應變量）的方法。
在這里簡單描述，即采用某（最優拉丁超立方）試驗設計方法采集足夠的樣本點，考慮設計變量與響應之間的關系，建立合適的近似模型。定義設計變量變化范圍，約束和優化目標，調用Isight內部優化算法（NSGA-Ⅱ）進行尋優。
流程文件可以私聊！
歡迎交流！！！
數字孿生體的“超級大腦”
根據通過“互動”過程收集的數據以及“先知”過程輸出的數據，利用相關性分析建立物理世界的近似模型，依據當前邊界條件和物理狀態進行下一步狀態的預測，并且對近似模型逐步優化。當前邊界條件和物理對象狀態是被不完整測量的，但也只能作為近似模型的不完備輸入條件，輸出的結果當然距離物理世界的真實情況有一定偏差。但隨著機器學習的持續，算法和模型逐步改善，近似模型會越來越逼近物理機理，預測結果也會逼近物理世界。也正是因為這個原因，業界有人將大數據（及AI）視為科學研究的“第四范式”，科研方法從傳統的三種方法——理論、實驗、計算拓展到第四種方法——大數據（及AI）。
我們把這個過程稱為“先覺”，提供了數字孿生體的“右腦”。人類的右腦專事感性思維，利用直覺和第六感來獲得對世界的判斷和預測。當然這里指的直覺那種優秀的直覺，而非普通人的直覺。優秀的直覺源于對豐富經歷和有效經驗的高度總結，還需要經常性的深度思考和遠期瞭望。我們的社會中確有一類具有這種優秀和敏銳直覺的人，是他們引導著你的企業、機構甚至人類的發展方向。
3、數字孿生體的突破
數字孿生體將撐起數字化之輪，但又不止于數字化。《從黑客帝國到數字孿生》文中講到，數字孿生體的突破在于：數字世界不滿足于展現一個舊的物理世界，還要模擬新的物理世界；既要實時接受物理世界信息，還要預測物理世界；既要接受物理世界的操縱，更要反過來驅動物理世界；數字世界要進化為物理世界的先知、先覺甚至超體。
這個演變過程稱為成熟度進化，即一個數字孿生體的生長發育將經歷數化、互動、先知、先覺和共智等幾個過程。這里首先要強調互動，因為沒有實時互動，數字世界和物理世界之間其實是偽孿生。
展開 快速網格變形技術在車身開發流程中的應用
1.3.4
近似
CAE
建模
根據設計變量和優化工況的特點，剛度
、
模態近似模
型選取二階逐次替換的響應面模型
。
為確定近似模型的精
度，對其進行了隨機抽取樣本點的誤差分析方法，結果表
明所建立的近似模型滿足工程開發的精度要求，彎曲
、
扭
轉剛度
、
模態的誤差分析結構，剛度
、
模態近似模型的誤差
都小于
2%
。
Isight多學科參數優化軟件模塊構成 附isight參數優化理論和實例詳解下載
近似模型算法庫（Approximation）
對于計算代價高昂的CAE分析，Isight用多種近似原理構造替代模型，減少優化中調用大規模CAE分析計算的次數，提高優化效率。近似模型還用于剔除輸入參數平緩變化而輸出參數卻劇烈振蕩的仿真噪音。
質量設計優化（Quality Desgin）
運用隨機仿真和優化理論（包括：蒙特卡洛仿真、Taguchi田口穩健性設計和基于6Sigma可靠性分析和穩健性設計DFSS，Design For Six Sigma），構成一個完整的、公式化的對可靠性和穩健性進行評價和改進的品質設計哲學框架。
下載地址：isight參數優化理論和實例詳解
展開 abaqus Isight參數研究與結構優化CH04-Data matching參數擬合
視頻連接https://www.yqgqt.org.cn/college/video/c15246
CH01-Isight與功能元件介紹
CH02-資料管理與DOE分析
>WORKSHOP01-Gripper進行DOE分析
CH03-Isight優化分析
>WORKSHOP02-Gripper優化分析
CH04-Data matching參數擬合
>WORKSHOP03-橡膠材料參數擬合
CH05-近似模型建立
>WORKSHOP04-Gripper近似模型建立
CH06-資料交換元件
展開 