Software ANSYS DOE: todo lo que necesita saber
Tabla de contenido
- Visión general
- ¿Cómo llevar a cabo DOE en el software ANSYS?
- Problemas comunes con Surface de respuesta y DOE
- Algoritmos de optimización del DOE en el software ANSYS
- Referencias
Visión general
Design of Experiment (DOE) se utiliza para muestrear un espacio de diseño que incluye todos los parámetros de diseño para que se pueda construir un modelo estadístico con el fin de predecir las respuestas. El DOE puede determinar respuestas como el estrés máximo y mínimo, la temperatura máxima y mínima y la primera frecuencia natural. DOE es específicamente útil cuando el usuario puede probar una cantidad limitada de puntos. Con el DOE en su lugar, los usuarios pueden crear geometrías complejas para ser probadas en un mundo virtual (ANSYS Inc., 2018).
El objetivo principal del diseño del experimento es extender las muestras para que los resultados tengan una baja incertidumbre. Esto también da como resultado una alta precisión y precisión en la predicción.
¿Cómo llevar a cabo DOE en el software ANSYS?
Definición de objetivos y parámetros
Para llevar a cabo el diseño del experimento para un modelo dado, primero se deben definir los objetivos y la lista de variables de diseño. Para hacerlo, abra la ventana “esquema del proyecto” que debería verse así:
Elegir un método de exploración de diseño
En la ventana de exploración de diseño, seleccione la “Superficie de respuesta”. Esto permite a los usuarios llevar a cabo el DOE para crear un modelo predictivo conocido como la superficie de respuesta. Arrastre la pestaña “superficie de respuesta” desde la caja de herramientas en los esquemas del proyecto.
Elegir un método DOE
El software ANSYS viene con muchos métodos DOE diferentes que se pueden usar con fines de prueba. Dos de los DOE más utilizados son el relleno de espacio óptimo con puntos de muestra definidos por el usuario y LHS (muestreo de hipercubos latinos), (CAE Associates, 2017). Una de las mayores ventajas de estos métodos es que la cantidad de parámetros y la cantidad de muestras es completamente independiente entre sí, lo que brinda a los usuarios más libertad para llevar a cabo el DOE. No se recomienda que los principiantes usen el diseño compuesto central (CCD), ya que en muchos casos el objetivo del CCD no se puede calcular con precisión a través de una función cuadrática y requiere entradas avanzadas por parte de los usuarios. CCD también tiene un largo tiempo de procesamiento y requiere un alto poder de procesamiento (Cunningham, 2015).
Haga clic sobre el “Tipo de diseño de experimentos”, seleccione el tipo de diseño deseado y DOE.
Al hacer doble clic en el DOE, se abrirá una nueva ventana donde se pueden configurar todos los parámetros de entradas y salidas.
Después de configurar los parámetros, haga clic en ‘vista previa’ para ver las listas de DOE de acuerdo con la configuración.
Ahora seleccione ‘actualizar’ y espere a que se realice el procesamiento. El tiempo de procesamiento varía de horas a varios días, dependiendo de las muestras que tenga y la potencia de procesamiento de su computadora. Sin embargo, debe tenerse en cuenta que en algunos casos, las muestras DOE no pueden evaluarse completamente debido a cambios significativos en la geometría.
Crear una superficie de respuesta
Los resultados obtenidos del DOE pueden usarse para generar superficies de respuesta que además pueden usarse para fines de predicción. El software ANSYS tiene la siguiente lista de métodos de superficie de respuesta;
- Superficie de respuesta estándar
La superficie de respuesta estándar hace uso de la superficie polinómica para ajustar los datos. En términos de potencia informática para la predicción y el ajuste, las superficies de respuesta estándar utilizan la menor cantidad de potencia. Este método de respuesta de superficie se recomienda solo si tiene muchos datos para trabajar y hay un cambio suave en el objetivo.
- Kriging
Kriging es un tipo no paramétrico de respuesta de superficie, y su predicción depende de los puntos de datos existentes. En casos donde hay una gran cantidad de datos para trabajar, kriging tiende a ser un proceso más lento. Aunque este método puede ser lento en algunos casos, kriging puede ajustarse automáticamente a todos los puntos de datos. Se recomienda utilizar Kriging cuando sus datos son limitados y no lineales, y usted confía completamente en que los resultados de su simulación sean precisos.
- Red neuronal
Crea una asignación no lineal desde el diseño del producto (entrada) hasta el valor objetivo (salida) que imita la costosa simulación. La red neuronal es lenta en el entrenamiento y puede tardar bastante tiempo en establecerse; sin embargo, una vez configurado, puede generar resultados precisos. Se recomienda utilizar este método cuando sus datos son enormes y no lineales.
- Regresión no paramétrica
La regresión no paramétrica hace uso de la regresión de vectores de soporte y es muy similar a kriging. Sin embargo, en lugar de utilizar todos los datos, la regresión no paramétrica determina los puntos de datos más importantes y realiza sus predicciones. Por lo tanto, el poder computacional para que este método funcione es bajo, pero el costo de adaptación sigue siendo alto. Se recomienda usar este método cuando los datos son altamente no lineales, y no requiere que su modelo se ajuste correctamente a sus datos.
Problemas comunes con Surface de respuesta y DOE
Hacer su DOE y crear una superficie de respuesta exige muchas pruebas y errores para alguien que no tiene mucha experiencia en él. Con el fin de contrarrestar esos problemas, estas son algunas de las soluciones propuestas;
| Problema | Razón probable | Solución |
| Los resultados de mi verificación son malos | El tamaño de su muestra es pequeño. Respuesta altamente no lineal. La respuesta superficial es demasiado flexible, lo que resulta en un sobreajuste | Aumentar el tamaño de la muestra. Pruebe con un modelo diferente para el ajuste de datos |
| Mi modo tiene un mal ajuste | Tamaño de muestra pequeño. Baja complejidad de la superficie de respuesta. | Aumente el tamaño de la muestra en DOE. Aumentar la complejidad de la superficie de respuesta. |
| Mi modo tarda días en procesar los resultados | El tamaño de su muestra es enorme. Está utilizando un modelo más lento para calcular. Sus poderes informáticos son limitados | Reduzca el tamaño de la muestra si es posible. Use modelos DOE más rápidos. Haga que su computadora pueda llevar a cabo procesos de alta potencia. |
| No puedo determinar qué modelo es el mejor. | No puede utilizar el comando ‘juez / punto de verificación’. Todos los datos recopilados se utilizaron para entrenar el modelo. | Recopile algunos datos a un lado para entrenar el modelo. Usa el error de validación |
Algoritmos de optimización del DOE en el software ANSYS
El software ANSYS proporciona al usuario varios algoritmos de optimización diferentes, algunos de los cuales se analizan a continuación;
- Poner en pantalla
La detección es el muestreo aleatorio del espacio para elegir la buena muestra de los datos. La detección se puede utilizar para dar al usuario una prueba inicial de la configuración. Por ejemplo, para determinar si sus simulaciones dan resultados razonables o no, la detección es un algoritmo ideal para usar.
- Optimización adaptativa de un solo objetivo (ASO)
ASO utiliza el relleno de espacio óptimo para el diseño del experimento, el kriging como superficie de respuesta y el MISQP para determinar las soluciones óptimas locales a partir de la superficie de respuesta. ASO se utiliza cuando las restricciones y los objetivos son caros, y el presupuesto y el tiempo son limitados para la optimización.
- Algoritmo genético multiobjetivo (MOGA)
MOGA es uno de los algoritmos más utilizados y se utiliza para determinar los diseños óptimos de Pareto simultáneamente. MOGA se usa cuando hay múltiples objetivos en la solución.
- Programación no lineal por Lagrangian cuadrática (NLPQL)
NLPQL es un algoritmo de búsqueda local rápido. Se utiliza principalmente cuando el tiempo de simulación es en minutos, cuando solo hay un objetivo y cuando el número de variables es pequeño (<10).
- Programación cuadrática secuencial de enteros mixtos (MISQP)
MISQP es similar al NLPQL, pero también permite las variables enteras. MISQP toma más tiempo de procesamiento en comparación con NLPQL debido a la adición de variables enteras.
Las optimizaciones de diseño y DOE son una de las fases cruciales en el diseño y creación de prototipos de productos de grado industrial. Para que los diseñadores de productos no presenten productos defectuosos fuera de la línea de ensamblaje, debe asegurarse de que el DOE se haga correctamente y el diseño esté completamente optimizado.
Referencias
- ANSYS Inc., 2018. ANSYS Mechanical Enterprise-Design of Experiment. [En línea]
Disponible en: https://www.ansys.com/products/structures/ansys-mechanical-enterprise
[Consultado el 15 de marzo de 2019]. - CAE Associates, 2017. La creación de prototipos virtuales ofrece una innovación mejorada de productos. [En línea]
Disponible en: https://caeai.com/ansys-software-support/ansys-benefits
[Consultado el 10 de marzo de 2019]. - Cunningham, P., 2015. ¿Cómo determina mi modelo DOE cuántos puntos de diseño generar? [En línea]
Disponible en: https://caeai.com/blog/how-does-my-doe-model-determine-how-many-design-points-generate
[Consultado el 10 de marzo de 2019].
