Design Process개선, 설계 및 개발 기간 단축, 제품 개선 및 품질 향상에 초점을 맞춰 효율성 향상을 위한 다양한 기능과 최적화 방법등을 제공합니다.
Ansys DesignXplorer
제품문의설계 변경이나 신제품 개발을 지원하는 최적설계 도구
Design Exploration for All Physics
Ansys DesignXplorer technology와 폭 넓은 multiphysics solution을 결합하여 사용하게 되면 모든 물리계에 대한 최적화를 진행할 수 있습니다. Ansys DesignXplorer는 Workbench 환경으로부터 모든 물리계(구조, 열, 비선형, 충돌, 유동, 전자기장, multiphysics)의 최적화를 지원합니다. 다물리계(multiple physics)에서 연성으로 구성된 해석은 독립적으로 분석될 수 있거나 또는 결합된 방법으로도 지원됩니다.
Design Parameter
DesignModeler 및 다양한 CAD S/W에서 생성한 Parameter에 대해 양방향으로 Parameter Control이 가능하며, 해석환경에서 설정한 하중, 재료물성들도 최적화 해석의 Parameter로 사용할 수 있습니다.
What if Case Study
- DesignXplorer Simulation은 "what if"라는 질문에 답을 구하는 도구로 사용할 수 있습니다.
- 만약, 적용된 하중이 10%의 변화율을 가지면 제품에 어떤 결과가 발생할 것인가?
- 어떤 parameter가 설계된 제품의 성능에 직접적인 영향을 미칠 것인가
Parameter Correlation
- 최적의 설계 조건 달성은 다양한 변수들과 목적함수의 상관관계를 만드는 것을 의미합니다. 목적함수를 충족하는 최적 설계점의 탐색은 direct optimization algorithm을 사용하는 것에 의존하면 제대로 수행할 수 없습니다. 그 이유는"what-if"의 질문에 답을 얻기 위해, 현재 고려되는 설계점과 제품 성능에 미치는 설계변수의 영향을 정량화 하는 것에 필요한 정보를 확보하기가 불충분하기 때문입니다. 그렇기에 고려되는 설계점에서 예기치 않은 결과를 얻지 않도록 올바른 결정을 위한 정확한 정보를 얻을 수 있어야 합니다. Parameter Correlation tool은 correlation matrices, determination matrices, correlation scatter plots, sensitivity chart들을 생성하여 중요하지 않은 입력변수를 식별하는데 도움을 줍니다.
Correlation Coefficient Formulation
- 상관관계 평가에 대한 실제 데이터로 사용합니다.
- 두 변수 간의 선형 의존성을 측정하는 것과 같이 선형 연관성을 분석할 때 가장 좋은 방법입니다.
Spearman’s rank correlation
- 데이터의 순위를 사용합니다.
- 단조관계(monotonic relationship)가 요구되지만, 선형관계 보다는 덜 제약적입니다. (관계를 얼마나 잘 측정하는지는 단조함수를 사용하여 나타낼 수 있습니다.)
- 보다 정확한 것으로 간주하므로, 사용을 권장합니다.
Correlation Matrix and Plot
- 두 변수 간의 관계에 대해 양의 값 혹은 음의 값으로 상관계수(correlation coefficient)를 표시합니다.
- DX는 상관관계를 분석한 matrix와 figure를 제공합니다.
- -1 혹은 1의 값에 가까울 수록 강한 관계를 나타냅니다.
Determination Matrix and Plot
- 2차 결정계수(quadratic coefficient of determination)(다른 말로 R-square)는 표본점들의 곡선접합에 의해 표본점들 간의 편차의 비율을 설명하거나 평가합니다.이는 곡선이 점들에 얼마나 가까운지 표시합니다.
- 이것은 모델에 의해 예측되어질 미래의 결과를 얼마나 잘 측정할 수 있는지에 대해 제공합니다.
Determination Histogram
- 모든 입력변수들의 관계에 대한 어떤 출력변수든 linear 혹은 quadratic R-square로 출력합니다.
- R-square가 100%인 경우, linear/quadratic curve는 데이터와 정확히 접근한 것입니다.
- R-square 값이 작은 경우, 입력변수의 변화 및 중요할 수 있는 다른 factor들(noise, mesh error, lack of points, etc.)과 출력변수의 변화는 규명하기 힘들 수 있습니다.
Input Parameter type
- Parameter Type
- Description
- Example
- Discrete
- 연속적이지 않은 특정 값을 설정
- Number of holes Number of weld points Number of prism layers
- Continuous
- Incompressible flow/ Compressible flow
- Chemical reaction
- Manufacturable
- 이론적으로 연속적인 값이지만,
가공과정에서 혹은 현실적인 한계의 값을 설정 - Drill bit sizes, readily available bolts, screws
DOE((Design of Experiment) Method
- Custom
- Custom + Sampling
- Central Composite Design (CCD)
- Box Behnken Design (BBD)
- Optimal Space Filling Design (OSF)
- Latin Hypercube Sampling (LHS)
Sparse Grid
- 적응형 반응표면 모델입니다. (스스로 자동으로 개선 합니다.)
- 보통 다른 반응표면 모델 보다 더 많은 계산실행이 필요 합니다. 그래서 계산이 빠를 때 사용합니다.
- 처음부터 "Sparse Grid Initialization" DOE 설정이 필요합니다.
- 오직 개선이 필요한 방향으로만 반응표면이 개선 됩니다. 적은 계산점들은 동일한 품질의 반응표면을 위해 추가적인 계산점들이 필요합니다.
Response Surface Model
- Standard Response Surface(Full 2nd Order Polynomials)
- Kriging
- Non-Parametric Regression
- Neural Network
- Sparse Grid
Goal Driven Optimization
- Good design은 제품 성능과 설계 변수 둘 사이의 상관관계를 확인하는 것에서 출발합니다. 대부분의 경우, 설계 변수들과 제품의 설계 목적을 따라 "최적" 설계 조건을 결정하게 됩니다. Ansys DesignXplorer는 최적조건을 탐색하기 위한 몇 가지 반응표면(response surface)모델들과 상관관계를 분석하는 도구들, 그리고 다목적 검색과 같은 최적화 알고리즘들을 제공합니다.
- 이 기술의 분석은 입력한 구속조건들, 각 생산 단가, 그리고 사용자가 선택한 조건으로부터 최적 설계 후보군을 제공합니다.
Optimization Method
- Screening (Shifted-Hammersley Sampling)
- MOGA (Multi-Objective Genetic Algorithm)
- NLPQL (Nonlinear Programming by Quadratic Lagrangian)
- Adaptive Single-Objective
- 1. Hybrid optimization method using Latin Hypercube Sampling, a Kriging response surface, NLPQL, and domain reduction in a Direct Optimization system
- Adaptive Multiple-Objective
- Hybrid optimization method using a Kriging response surface and MOGA in a Direct Optimization system
Samples Chart
- 각 점은 하나의 입력 혹은 출력변수의 값이며, 각 sample은 line curve들의 그룹으로 표시됩니다.
- Curve들의 색은 Pareto front를 식별하거나 sample에 속하는 혹은 curve가 후보군에 가장 적합한지 또는 모든 sample들이 표시되도록 설정할 수 있습니다.
- 각 축 위에 노란색 화살표를 이동하여 축 범위를 증가, 감소시킬 수 있습니다. 노란색 화살표 바깥 범위에 있는 sample들은 자동으로 숨겨집니다.
Tradeoff Chart
- 각 축은 하나의 목적함수가 목표를 달성하기 위해 다른 목적함수를 희생하는 관계를 시각화 합니다.
- Pareto front는 최소한 하나의 목표를 위해 어떤 하나를 개선하는 동안, 다른 품질은 희생되는 관계를 가지는 그룹 입니다.
- Sample들 중 가장 좋은 것은(first Pareto front) 파란색으로 표시 됩니다.
- Sample들 중 가장 최악은(worst Pareto front) 빨간색으로 표시 됩니다.
Six Sigma Analysis
- 일반적인 분석은 입력변수에 고정된 값을 정의하고 이러한 가정에 대해 안전계수를 도입하고 있습니다. (deterministic)
- Six Sigma 설계는 입력 값의 분산 데이터를 고려하여 시스템의 응답에 어떤 영향을 미치는지에 대한 통찰력을 제공할 수 있습니다. (probabilistic)
다음과 같은 질문에 도움될 수 있습니다.
- 출력변수의 분산범위가 얼마나 큰가? 출력변수의 강건성은 얼마나 되는가?
- 입력변수의 변화량에 의해 출력변수의 분산 달라진다면, 출력변수가 더 이상 충족되지 않는 상태의 설계기준 확률은 얼마나 되는가?
- 예상하지 못한 상황들(예를 들면 파손 확률)이 발생할 확률은 얼마나 되는가?
- 어떤 입력변수가 출력변수의 분산과 실패 확률에 가장 큰 기여를 보이는가?
- 입력변수의 변화에 관련하여 출력변수의 민감도는 얼마나 되는가?
다음과 같은 질문에 도움될 수 있습니다.
- 출력변수의 분산범위가 얼마나 큰가? 출력변수의 강건성은 얼마나 되는가?
- 입력변수의 변화량에 의해 출력변수의 분산 달라진다면, 출력변수가 더 이상 충족되지 않는 상태의 설계기준 확률은 얼마나 되는가?
- 예상하지 못한 상황들(예를 들면 파손 확률)이 발생할 확률은 얼마나 되는가?
- 어떤 입력변수가 출력변수의 분산과 실패 확률에 가장 큰 기여를 보이는가?
- 입력변수의 변화에 관련하여 출력변수의 민감도는 얼마나 되는가?
Excel Interoperability
- Workbench project 환경에서 Excel data를 변수로 사용할 수 있습니다. 함수계산을 통한 하중 적용이 필요한 경우(Excel -> Ansys DX) 혹은 해석결과 값을 참조하여 제작비용과 같은 계산이 필요한 경우 (Ansys DX -> Excel) Excel data를 연동하여 활용할 수 있습니다.
