Автоматизация, оптимизация и создание прогнозирующей модели в DT Seven (ранее pSeven) на примере электромагнитного расчета
В статье продемонстрирована эффективность инструмента для анализа данных и оптимизации DT Seven в создании автоматизированных расчетных цепочек, интеграции стороннего программного обеспечения и нахождении оптимальных точек для исследуемых изделий.
В качестве объекта исследования был выбран цилиндрический электромагнит в решателе электромагнитного поля Ansys Maxwell. При разработке электромагнитов обычно имеют место такие вопросы, как определение заданного усилия в диапазоне хода якоря с учетом одной или нескольких пружин, изменение массогабаритных характеристик при сохранении мощности, сокращение времени срабатывания, оптимизация работы электромагнита в составе механизма.
Тяговое усилие электромагнита развивается при нарастании магнитного поля в зазоре между якорем и магнитопроводом и сильно связано с большим количеством геометрических переменных, свойствами материалов и обмоточными данными катушки возбуждения. По мере изменения доступной области под катушку (внешний диаметр, внутренний диаметр и высота) выходные параметры также изменяются. Многие пользователи подходят к этому процессу итеративно, вычисляя параметры катушки самостоятельно и вручную обновляя модель FEA.
Рисунок 1 — Электромагнит в разрезе
Первая задача состоит в создании автоматизированной расчетной цепочки для определения геометрических параметров электромагнита, обеспечивающих минимальные омические потери в медном проводе и минимальную массу изделия.
Вторая задача заключается в создании предиктивной модели, заменяющей многочасовые ресурсозатратные вычисления на мгновенные расчеты, точно прогнозирующие результаты.
Данная работа включает этапы по созданию:
• Конструкции электромагнита в Ansys Maxwell в связке Ansys WorkBench
• Автоматизированной цепочки
• Аппроксимационной модели
Особенности решаемых задач:
• Обратная зависимость оптимизируемых параметров
• Необходимость в рамках ограниченного числа расчетных итераций получить оптимальную конструкцию электромагнита, которая будет учитывать ограничение на силу, значение которой становится известным только после вычисления в Ansys WorkBench
• Создание автоматизированной связи между самописным ПО и программой Ansys WorkBench
Решение:
На этапе создания автоматизированной расчетной цепочки (рисунок 2) размещаются следующие блоки:
• DSE — создает комбинации точек, передаваемых на расчет
• IN — формирует текстовый файл для передачи в решатель
• Program — содержит программу, высчитывающую и сохраняющую в текстовый файл число витков, сопротивление катушки и другие параметры
• OUT — читает сохраненный блоком Program текстовый файл и нужные величины передает в Ansys WorkBench
• ANSYS — открывает заранее подготовленный проект в Ansys WorkBench, изменяет параметры и производит расчет.
Рисунок 2 — Автоматизированная расчетная цепочка
В ходе адаптации автоматизированной схемы под задачи оптимизации блок DSE настраивается так, чтобы геометрические размеры составных частей электромагнита изменялись согласно рисунку 3.
Рисунок 3 — Анимация перестраиваемой геометрии электромагнита
Детальные настройки блока DSE содержатся на рисунке 4:
Целевые функции:
• масса → min
• потери → min
Ограничение на целевую функцию:
• сила ∈ [10; 40 Н]
Варьируемые величины изделия:
• Высота катушки ∈ [20; 30 мм]
• Приращение радиального размера катушки ∈ [0; 3 мм]
• Калибр провода принимает одно из дискретных значений: 25, 26, 27
• Напряжение ∈ [10; 50 В]
Постоянные величины изделия:
• Внутренний диаметр катушки
• Температура катушки
• Коэффициент заполнения и др.
Рисунок 4 — Графический интерфейс блока DSE
О работе блока DSE. В созданной конфигурации блок в рамках указанного расчетного бюджета (120 точек) сперва генерирует несколько комбинаций точек из раздела Variables и передает их на расчет. Когда значения из блока Ansys вернутся в раздел Responses блока DSE, внутри него построится внутренняя модель машинного обучения, определяющая, какие новые расчетные комбинации нужно сформировать, чтобы за наименьшее число итераций получить минимумы массы и потерь в электромагните. Затем эти точки передаются на расчет и каждые несколько итераций аппроксимационная модель перестраивается.
По окончанию расчетов оптимальными будут признаны 36 точек (рисунок 6 — таблица Real Model).
Во второй задаче с помощью блоков для визуального программирования строится прогнозирующая модель (рисунок 5).
На этапе валидации, который не связан с тестовой выборкой, в ML-модель передаются те входные точки из раздела Variables блока DSE, которые ранее были признаны оптимальными. Затем эта модель прогнозирует для них выходные результаты, которые сравниваются с реальными посчитанными данными (рисунок 6) из первой задачи этой статьи. Ошибка прогноза составляет тысячные доли. Время расчета сократилось с 4 часов до 1 секунды
Рисунок 5 — Прогнозирующая модель
Рисунок 6 — значения, полученные из Ansys Workbench и значения, предсказанные ML-моделью
Таким образом, DT Seven — великолепный инструмент, который обеспечивает невероятную эффективность в создании автоматизированных расчетных цепочек, интеграции стороннего программного обеспечения и нахождении оптимальных точек для исследуемых изделий. В сочетании с высочайшим профессионализмом специалиста-расчетчика этот продукт способен сократить время, затрачиваемое на расчеты, в разы. А если воспользоваться прогностической моделью, эффективность увеличится в тысячи раз.
Автор статьи:
Д.А. Бархатов, технический специалист ГК «ПЛМ Урал»
Примеры использования pSeven:
Двухуровневое улучшение конструкции стабилизатора
Оптимизация формы лопасти ветрогенератора
Применение аппроксимационных моделей для прогноза данных по нагрузкам на элементы вертолета
Создание аппроксимационных моделей оборудования
