PIDO智能仿真 | Ansys optiSLang实现仿真流程集成与多学科优化

经过多年实践证明，CAE仿真技术的广泛应用能够切实帮助企业实现研发周期的缩短、研发成本的降低。然而在新科技浪潮下，革新性产品不断涌现，对企业产品上市时间、成本、综合性能等都提出更高要求。受限于传统仿真方法形成的离散、单个现状，想要突破现有研发流程，对关键CAE技术的应用提出全新的需求和挑战，因此，仿真流程集成与多学科优化设计的仿真技术变革成为了必然趋势。

在新形势下的产品设计和仿真应用中，有众多的企业和仿真工程师都存在以下几个方面的困扰或特定需求。本文基于Ansys optiSLang工具平台，希望针对上述需求为大家呈现有效的解决思路和方案。

• 仿真置信度的困扰。由于材料数据/边界参数缺失，导致仿真结果与测试数据存在偏差；

• 仿真流程整合与自动化的迫切需求。产品设计通常需要多学科/多领域联合仿真，而企业中采用的软件工具来自不同的供应商或自研软件，又该如何实现？

• 多学科优化设计的关键应用。产品的综合性能设计，需要采用多目标机制平衡学科间影响，探索整体最优解，通过协同优化来避免串行重复设计。

• 仿真流程标准化与专家经验推广。不论专家还是初级工程师，在面临繁重的仿真工程任务，也能依据标准化的仿真流程获得可信结果，也利于企业内专家经验的留存及传播。

Ansys optiSLang是一款先进的仿真流程集成与设计优化（Process Integration and Design Optimization，简称PIDO）工具，具有非常灵活开放的仿真流程搭建平台，可以集成100种以上的CAE和CAD工具，帮助企业构建特定的自动化仿真设计流程。

• 工程师通过optiSLang连接所有求解器实现自动化运行，实现手动重复性工作的自动化；
  

• 在流程中可以增加条件执行逻辑、嵌套循环、优化设计等特定流程需求；

• 提供PLM平台接口，可以获得更新后的CAD模型完成仿真；

• 可集成于SPDM平台，实现自动化流程与仿真任务流程的完美结合。

• 基于构建的仿真流程，可以进行进一步的参数化变量分析，来最终帮助用户提升产品质量，包括参数敏感性分析、优化设计、鲁棒性分析和可靠性分析等。在后续章节详细展开介绍。
  

PIDO流程概览

下面为大家呈现一个客户案例——某企业PET塑料瓶自动化优化设计流程。本案例的出发点是满足瓶子性能要求的前提下，通过构建PIDO流程，自动探索最低成本的塑料瓶加工方案。

塑料瓶自动化优化设计流程的实现过程如下：

1. 以塑料甲方提出的性能指标为输入，通过Ansys Mechanical集成于optiSLang实现结构优化设计，得到塑料瓶的最小厚度；

2. 以最小厚度为输入，通过Ansys Polyflow 集成于optiSLang进行吹塑过程优化设计，得到模具的初始温度；

3. 以初始温度为输入，通过Ansys Fluent集成于optiSLang进行加热环境优化，得到加热器的最优功率分配；

4. 通过Excel进行人工、电力、材料等成本计算，并通过Ansys optiSLang构建自动化仿真设计流程。

通过构建塑料瓶自动化仿真设计流程，该企业最终实现材料成本和电费成本的大幅降低，18个工厂一年节省成本达到1,860万美金。

某企业PET塑料瓶自动化优化设计流程

此外，备受繁重仿真设计任务和大量重复性工作的困扰，开发企业的专用APP就愈显重要。用户还可以采用Ansys optiSLang的Web application功能，将复杂的设计流程构建成企业特有的APP，大幅降低仿真应用的难度，从而实现非仿真专家中复用推广。

通过Ansys optiSLang 构建企业APP

optiSLang与产品的研发设计周期紧密结合，全方位提升工程师仿真设计能力。首先是模型标定/参数识别，通过仿真与试验数据的结合，提高仿真精度；第二是参数敏感性分析，帮助工程师理解设计并生成最佳元模型，专家经验快速增长；第三是优化设计，探索空间最优解；第四鲁棒性设计，考虑变量的分散性进行鲁棒性和可靠性分析。

仿真置信度是每个仿真工程师都会面临的难题，工作中常见的影响仿真置信度的不确定因素有：材料本构及参数、边界参数、仿真模型精度等；Ansys optiSLang提供了模型标定功能，能够结合试验数据拟合上述不确定参数，从而获得高精度仿真模型和方式，为仿真标准化奠定基础。

模型标定的实现流程

敏感性分析是产品设计过程中不可或缺的环节，一方面帮助工程师深度理解设计及参数关系；另一方面为后续优化设计提供最佳元模型（MOP）。

Ansys optiSLang在这个环节体现了三点优势功能：

• 通过一个预测质量的关键指标预测系数（CoP - Coefficient of Prognosis）来评估对实际模型的预测质量，该COP采用交叉验证的方式保证MOP拟合质量不受无关干扰参数的影响。

• optiSLang通过敏感性分析找到重要参数，并自动过滤不重要参数，实现参数降维，减少计算量。

• 提供了具有自主学习功能的AMOP技术，可以在关键位置进行自动加密采样；也可以通过局部精度控制进行自主局部判断和加密采样处理。

  
  

敏感性分析

optiSLang拥有非常完备的优化算法，针对不同的优化问题需要选择正确的高效的优化算法，这成为优化设计正确应用的难题。optiSLang提供优化算法决策树，根据所获得信息自动推荐优化算法，让工程问题的解决更加高效准确。

Ansys optiSLang可自动推荐优化算法

产品的设计有稳健性或可靠性的要求，一个稳健（可靠）的产品设计其性能不应该受到随机扰动因素太大的影响，即设计参数的离散性不应该导致产品性能过大的波动。optiSLang的稳健性/可靠性分析可以分析产品的设计参数，如材料、几何、加工或者环境因素的离散性对产品性能的影响程度，从而实现对产品的稳健性/可靠性的评估与优化。

Ansys optiSLang 还提供了嵌套式的循环流程，实现基于鲁棒性的自动优化设计，工程师采用此流程可实现任何鲁棒性水平的优化设计。

鲁棒性分析

基于上述，我们了解到Ansys optiSLang可以实现仿真流程集成、设计优化等领域的应用，在新技术日新月异的当下，针对诸多前沿科技技术，optiSLang也同样起着关键作用，如数字孪生、人工智能及自动驾驶等等...

在科技浪潮的推动下，可以说数字孪生技术将我们带入了仿真模拟的新时代。而数字孪生所采用的仿真模型有两个关键点：实时仿真和高保真度。Ansys optiSLang可以为数字孪生的实现提供高保真度的ROM模型，下图展示的案例是汉莎航空针对涡轮叶片流固耦合模型所生成的ROM模型，实现了涡轮叶片流固耦合的实时仿真，同时保证了温度场和应力结果精度接近100%。

新版本Ansys optiSLang在现有机器学习的框架中集成了深度学习算法，包含Keras & Tensorflow并且向任何第三方的深度学习算法开放。基于此optiSLang可以对每个参数进行不同规律的深度学习，在面对海量数据的分析需求时仍可获得高质量的MOP最佳元模型。为将来的数字孪生、自动驾驶等技术的全面工程化提供技术支撑。

新版Ansys optiSLang已集成机器学习和深度学习