AIPOD—— 人工智能优化设计平台

AIPOD是QQ图片20180928101630_副本.jpg一款设计优化软件, 一个计算机辅助优化平台, 通过结合优化理论与数值模拟技术, 用于寻找适当的参数以满足设计需求,以及寻找更优的设计。


计算机辅助优化的目标就是自动地高效地获取高质量的设计方案,而它的核心是对优化策略的设计, 更好的优化策略表现为以更小的计算代价,更短的时间找到合理的更优的设计方案;AIPOD是专门针对工业设计领域进行优化的, 这是一类目标函数值普遍通过数值模拟获得的优化领域; 众所周知, 数值模拟的计算成本高, 往往需要一定的计算资源以及计算时间, 针对这类问题, AIPOD精心设计了优化策略:根据经验,选取了适合的优化参数;在优化方法选用上力求减少数值模拟次数, 但是获得良好优化效果的方案;

AIPOD不论是结构问题(线性或非线性,静态或动态,散装材料或复合材料)、流体问题、热力学问题, 或者声学问题、NVH问题、动力学问题以及同时存在以上几项问题,都可以帮助用户寻找最佳解决方案。

QQ图片20180928102502.png    QQ图片20180928102600.png

  流体优化问题                                                             结构优化问题  

    通过优化几何设计, 提高诸如效率, 流量需求等               通过优化几何设计, 改善诸如振动要求,结构性能等

  

6367366249803765609748431.jpg 主要功能及优势

(1)良好的优化策略设计——根据积累的经验,选取了适合的优化参数;非代理模型结合了NSGA2和差分优化算法的长处;代理模型选用Kriging结合GA的策略,并同时采用了两种优选的补点策略;首推的LHS采样策略。

(2)清晰的流程管理——求解器管理模块化;脚本管理以及变量Parser带来更强的自定制性;将约束管理统一到流程管理中,节约计算成本

(3)自动优化——支持多目标优化以及对性能曲线的多点优化;结合参数化建模软件CAESES可以实现由设计到优化的完整流程;AIPOD可兼容所有常用的CAE应用软件,能够使设计优化过程自动化。

(4)数据分析与后处理——建立优化数据,绘制Pareto图并显示Pareto前沿;敏感度分析以及影响因子图绘制;其它。

(5)并行优化技术——AIPOD可以同时提交多个方案给不同的处理器,提高优化速度

QQ图片20180928102936.png

由设计要求反推设计参数


6367366249803765609748431.jpg 算法测试案例

(1)单目标测试案例

QQ截图20181106174433.png


   Goldstein-Price

QQ截图20181107153207.png

6367720203795545618019706_副本.jpg

Goldstein-Price函数的            Kriging模型预测值的                                AIPOD(采用Kriging算法)    

  3D云图                                3D 云图                                             与其它方法优化效率对比

  

(2)双目标测试案例    

QQ截图20181106174631.png

QQ截图20181107153025.png

(3)三目标测试案例

QQ截图20181107153141.png


QQ截图20181107153152.png


6367366249803765609748431.jpg 实际应用案例

(1)某液力变矩器多点(多工况)优化实例


33_副本.jpg


(2)某液力变矩器设计反求实例


QQ图片20181204165003.png

22_副本.jpg


6367366249803765609748431.jpg AIPOD应用指导

AIPOD计算规模推荐设置

QQ图片20181204165725_副本.jpg


推荐设置分析:

1)由于单目标优化过程中,pareto前沿寻优过程退化,可以更快地向全局最小方向靠拢,

     因此,单目标优化的计算量通常少于多目标优化

2)同样的目标值数目下,通常设计变量空间越大,需要更多的计算,确保能够向真正的Pareto前沿靠拢

3)Kriging代理模型的响应面建立的时间成本随着样本点数目的增加而显著提高,因此,通常不适用于大

     规模的样本数

4)任何优化算法都需要确定一个最低的计算限度(比如30次)