Оптимизация конструкции стальной решётчатой башни
Отрасль Промышленное строительство / Мачтовые и башенные конструкции Проект реализован компанией PLM Урал совместно с Sigma Technology с применением систем ANSYS (КЭ-анализ) и IOSO PM (Sigma Technology). Докладчик: Дмитрий Фролов, инженер технической поддержки, PLM Урал. Технический кейс: Оптимизация конструкции металлической башни при помощи инструментов ANSYS и IOSO / Optimization of Metal Tower Structure Using ANSYS and IOSO Tools Задача Требовалось найти оптимальную конфигурацию стальной решётчатой башни высотой 20 м (10 секций по 2 м) с антенным оборудованием массой 100 кг и наветренной площадью 3 м². Оптимизатор должен был одновременно минимизировать два конкурирующих показателя: суммарную массу конструкции (с ограничением до 4 т) и максимальное горизонтальное отклонение вершины башни при ветровой нагрузке, рассчитанной по российским нормам СНиП 2.01.07-85* (ветровой район I, тип местности B). Исходные ограничения и сложности Колоссальное пространство вариантов. Четыре дискретных проектных параметра — ширина основания секции, число делений секции по высоте, номер сечения стоек и номер сечения раскосов и распорок — в совокупности формировали пространство поиска, насчитывающее более 10 миллионов возможных комбинаций. Полный перебор был заведомо невозможен. Многоэтапность расчётного цикла. Для корректной оценки каждого варианта конструкции требовалось выполнить три последовательных расчёта в ANSYS: модальный анализ для определения первой собственной частоты с учётом массы антенного оборудования, а также два статических расчёта — при фронтальной и диагональной ветровой нагрузке. Нормативная проверка устойчивости. Помимо стандартных прочностных расчётов, для каждого варианта требовалась автоматическая проверка устойчивости стоек и раскосов в соответствии с требованиями СНиП II-23-81*, реализованная средствами языка APDL. Без автоматизации этой процедуры оценка каждого нового варианта потребовала бы значительных ручных трудозатрат. Дискретность переменных. В отличие от непрерывных задач оптимизации, параметры сечений профилей принимают лишь дискретные значения из стандартного сортамента, что существенно усложняет применение градиентных методов поиска. Подход и решение Параметрическая конечно-элементная модель башни была создана в ANSYS с полной автоматизацией построения геометрии, формирования нагрузок и выполнения всех трёх расчётных сценариев. Проверка несущих элементов по нормам реализована в виде APDL-скрипта, запускаемого автоматически после каждого расчёта. Внешний оптимизатор IOSO PM управлял перебором вариантов через файловый обмен входных и выходных параметров, не требуя встраивания в расчётную среду ANSYS. Такая архитектура позволила легко интегрировать оптимизатор с существующим расчётным сценарием. Из более чем 10 миллионов возможных комбинаций IOSO выполнил расчёт около 500 вариантов и выделил 50 Парето-оптимальных точек, отображающих зависимость массы конструкции от горизонтального отклонения вершины башни. Результаты Оптимальная конфигурация башни, найденная в ходе оптимизации: Параметр Значение Ширина основания 1,15 м Сечение стоек Угловой профиль 125×8 мм Сечение раскосов и распорок Угловой профиль 45×3 мм Число делений по высоте в секции 1 Масса конструкции 1 800 кг Достигнутая масса конструкции составила 1 800 кг — более чем вдвое меньше допустимого ограничения в 4 000 кг. При этом все условия прочности, устойчивости по СНиП II-23-81* и допустимого горизонтального отклонения вершины были полностью соблюдены. Ценность для заказчика Радикальное снижение металлоёмкости. Масса оптимизированной конструкции более чем вдвое ниже допустимого предела, что означает прямую экономию металла и сварочных работ — особенно значимую при серийном производстве типовых башен. Эффективное исследование миллионов вариантов. IOSO позволил найти оптимальное решение, просчитав лишь около 500 из более чем 10 миллионов возможных комбинаций — то есть менее 0,005% пространства поиска, — что принципиально недостижимо при ручном или полном переборе. Полная автоматизация нормативной проверки. Разработанный APDL-скрипт проверки по СНиП II-23-81* исключает ручной труд при оценке соответствия каждого нового варианта нормативным требованиям, существенно сокращая время на верификацию проектных решений. Универсальность подхода. Разработанная методология одинаково применима как к типовым изделиям серийного производства, так и к уникальным несущим сооружениям с нестандартными нагрузками и геометрией, что делает её универсальным инструментом для проектных организаций в области промышленного строительства.
Многокритериальная оптимизация металлоконструкции архитектурного монумента
Отрасль Архитектура / Металлоконструкции / Городское оформление Проект реализован совместно лабораторией CompMechLab, научно-исследовательским центром YTI Университета прикладных наук (Миккели, Финляндия) и британской студией Wolfgang Buttress в рамках международного практического семинара CompMechWorkShop с применением систем ANSYS (КЭ-анализ) и IOSO NM (Sigma Technology). Технический кейс: Многокритериальная оптимизация металлической конструкции архитектурного элемента городского оформления / Multi-Criteria Optimization of Steel Structure for Architectural Urban Design Element Задача В рамках проекта требовалось провести многокритериальную оптимизацию металлоконструкции декоративного архитектурного элемента для городского оформления. Объект представлял собой серпообразный монумент из тонкостенного стального профиля высотой 18 м, шириной 20 м и длиной дуги около 40 м. Оптимизатор должен был одновременно минимизировать два конкурирующих показателя — массу конструкции и максимальное перемещение острия под действием ветровой нагрузки — при соблюдении всех нормативных требований по прочности и жёсткости. Исходные ограничения и сложности Нормативные требования. Конструкция должна была соответствовать британским строительным нормам и международным стандартам ANSI/ASCE 7-88 и ANSI A58.1-82. Ветровая нагрузка рассчитывалась для скорости ветра 31,65 м/с. Геометрическая сложность. Монумент состоит из пяти секций с равносторонним треугольным поперечным профилем, размеры которого плавно уменьшаются от основания (сторона 1 м) к острию (сторона 10 см), что требовало тщательной параметризации модели. Противоречие критериев оптимизации. Снижение массы конструкции за счёт уменьшения толщин профиля неизбежно увеличивает гибкость и перемещения острия, тогда как повышение жёсткости влечёт рост металлоёмкости. Единственного «наилучшего» решения не существует — требовалось построить полный спектр компромиссных вариантов. Прочностные ограничения. Максимальные напряжения в конструкции не должны были превышать 300 МПа, а перемещения острия — 3,5 м. Оба ограничения должны соблюдаться для каждого рассматриваемого варианта толщин профиля в пяти секциях. Подход и решение В системе КЭ-анализа ANSYS была создана параметрическая конечно-элементная модель монумента с автоматическим расчётом ветровой нагрузки по заданному нормативному сценарию. Пять проектных параметров — толщины профиля в каждой из пяти секций — передавались оптимизатору как управляемые переменные. Для управления оптимизационным циклом применялась система IOSO NM, реализующая многокритериальный поиск без вычисления градиентов целевых функций. За 300 итераций оптимизатор исследовал пространство допустимых решений и сформировал множество Парето-оптимальных конфигураций, отображённых на графике зависимости «масса — максимальное перемещение острия». Результаты По итогам оптимизации было получено 33 Парето-оптимальных решения, охватывающих следующий диапазон характеристик: Вариант Масса конструкции Перемещение острия Минимальная масса ~2,9 т ~3,4 м Промежуточный ~4,0 т ~2,3 м Минимальное перемещение ~5,6 т ~1,5 м Для каждого из трёх характерных решений были получены карты распределения эквивалентных напряжений по Мизесу в деформированном состоянии, подтверждающие соблюдение прочностных ограничений во всех вариантах. Ценность для заказчика Готовое множество обоснованных проектных решений. Архитекторы и конструкторы получили не единственный вариант, а полный спектр допустимых конфигураций, из которых можно выбрать оптимальный в зависимости от приоритета — минимизация стоимости материала или максимальная жёсткость конструкции. Количественное обоснование перед заказчиком. Результаты оптимизации позволяют предъявить заказчику наглядный график компромиссов «масса — жёсткость» с конкретными числовыми значениями, что исключает избыточный запас прочности и одновременно гарантирует соответствие нормам. Соответствие международным стандартам. Автоматическая проверка прочностных ограничений на каждой итерации обеспечивает соответствие всех решений на кривой Парето требованиям ANSI/ASCE 7-88 и ANSI A58.1-82 без дополнительных ручных проверок. Применимость к уникальным архитектурным объектам. Разработанная методология параметрической оптимизации тонкостенных пространственных конструкций переменного сечения применима к широкому классу нестандартных архитектурных элементов городской среды.
Оптимизация конструкции мостовой фермы с минимизацией веса и стоимости
Отрасль Гражданское строительство / Мостостроение / Строительная механика Проект реализован с применением системы многокритериальной оптимизации IOSO NM (Sigma Technology) для решения задачи оптимального проектирования несущей конструкции мостовой фермы с минимизацией расхода материала при сохранении заданной несущей способности. Технический кейс: Оптимизация конструкции моста / Bridge Design Optimization Задача Целью проекта была минимизация веса и стоимости мостовой фермы при заданном наборе внешних нагрузок. Рассматриваемая конструкция закреплена на правом краю и свободна на левом. Оптимизатор должен был подобрать оптимальные положения шести узлов фермы (1–6) таким образом, чтобы при воздействии нагрузок P1–P7 результирующая конструкция имела минимальный вес и стоимость при полном сохранении несущей способности всех элементов. Исходные ограничения и сложности Высокая размерность задачи. Задача включала 42 проектных переменных, что делает полный перебор вариантов и ручной подбор параметров практически невозможными — пространство допустимых решений слишком велико для исследования традиционными методами. Комплексность параметрического пространства. Параметры анализа охватывали широкий спектр характеристик: вес и стоимость фермы, угловые положения узлов t1–t6, минимальные и максимальные длины элементов конструкции, а также внутренние усилия в каждом стержне фермы. Многосвязность ограничений. Необходимо было одновременно обеспечить выполнение условий прочности для всех стержней конструкции при каждом из заданных сочетаний нагрузок P1–P7 — изменение положения любого из шести узлов перераспределяет усилия во всех элементах, что создаёт сложную систему взаимозависимых ограничений. Нелинейность задачи. Зависимость внутренних усилий от геометрии фермы нелинейна, что исключает применение градиентных методов оптимизации и требует использования специализированных алгоритмов глобального поиска. Подход и решение Для решения задачи применялась система IOSO NM (Intelligent Optimization System), разработанная компанией Sigma Technology. IOSO реализует уникальную технологию нелинейной многомерной оптимизации, не требующую вычисления градиентов целевой функции, что принципиально важно для задач со сложным рельефом целевой функции. Минимально необходимые поперечные сечения стержней, способные выдержать приложенные нагрузки при данной конфигурации узлов, вычислялись автоматически на каждой итерации оптимизационного цикла. Таким образом, оптимизатор одновременно решал две взаимосвязанные задачи: поиск оптимальной геометрии фермы (положения узлов) и определение минимально достаточных сечений всех несущих элементов. IOSO последовательно исследовал пространство из 42 переменных, на каждом шаге уточняя конфигурацию расположения узлов фермы и проверяя выполнение всех прочностных ограничений, пока не была достигнута оптимальная конфигурация конструкции. Результаты В результате оптимизации была достигнута эффективность конструкции на 5% выше по сравнению с исходным инженерным решением. Оптимизированная конфигурация расположения узлов обеспечивает ту же несущую способность при меньшем суммарном расходе материала, что напрямую снижает стоимость строительства. Все прочностные ограничения для элементов конструкции при воздействии полного набора нагрузок P1–P7 были соблюдены. Ценность для заказчика Экономия материалов в масштабе реального объекта. Снижение веса конструкции на несколько процентов в масштабах реального мостового пролёта означает значительную экономию на металлопрокате, сварочных работах и нагрузке на фундамент — суммарный экономический эффект может исчисляться миллионами рублей на одном объекте. Сокращение времени проектирования. Автоматический поиск оптимального решения в 42-мерном пространстве параметров системой IOSO существенно сокращает трудозатраты проектировщиков и позволяет рассмотреть значительно больше вариантов конструкции, чем при ручном подборе. Тиражируемость результатов. Найденные оптимальные конфигурации узлов и сечений могут быть использованы как типовые проектные решения при строительстве серии аналогичных объектов, что многократно умножает суммарный экономический эффект от проведённой оптимизации. Обоснованность проектных решений. Применение формализованной оптимизационной процедуры с документированными ограничениями и целевыми функциями обеспечивает прозрачность и воспроизводимость проектных решений, что важно при согласовании проектной документации и экспертизе. Масштабируемость подхода. Разработанная методология оптимизации мостовых ферм с помощью IOSO NM применима к конструкциям с различным числом пролётов, схемами опирания и наборами нагрузок, что делает её универсальным инструментом для проектных организаций в области мостостроения.
Оптимизация статического смесителя для утилизации отходящего газа NH₃ на нефтеперерабатывающем предприятии
Отрасль Нефтепереработка / Экологическая инженерия / Утилизация промышленных отходов / Вычислительная гидродинамика (CFD) Проект направлен на решение задачи безопасной утилизации отходящего аммиака (NH₃) путём его равномерного смешения с транспортным воздухом в статическом смесителе с применением многокритериальной оптимизации IOSO NM. Технический кейс: Оптимизация геометрических параметров статического смесителя для равномерного смешения аммиака с воздухом в нефтеперерабатывающей промышленности / NH3 Utilization: Static Mixer Geometrical Parameters Optimization for Waste Gas Processing in Oil Industry Задача На нефтеперерабатывающих предприятиях в ходе технологических процессов образуется отходящий газ — аммиак (NH₃), требующий утилизации. Принятая схема утилизации предусматривает смешение NH₃ с воздухом в транспортном трубопроводе в соотношении 1:100 с последующей подачей смеси на дожигание или каталитическую нейтрализацию. Критическое требование к смесителю — равномерность смешения на выходе: неравномерное распределение концентрации NH₃ приводит к локальным пиковым концентрациям, снижающим эффективность последующей нейтрализации и создающим технологические риски. Однако повышение качества смешения за счёт интенсификации турбулентности неизбежно влечёт рост гидравлического сопротивления смесителя, что увеличивает энергозатраты на транспортировку газа. Таким образом, задача изначально является двухкритериальной и предполагает поиск компромиссных решений. Исходные ограничения и сложности Противоречие двух целей. Качество смешения и гидравлическое сопротивление смесителя — конкурирующие показатели: любое конструктивное решение, улучшающее одно, как правило, ухудшает другое. Единственного «наилучшего» решения не существует — есть спектр компромиссных конфигураций. Высокая размерность пространства параметров. Геометрия статического смесителя описывается 15 независимыми переменными — размерами и формой его элементов. Полный перебор вариантов или ручная оптимизация в таком пространстве невозможны. Сложность физической модели. Расчёт требовал полноценного 3D-CFD-моделирования течения двухкомпонентной газовой смеси (воздух + NH₃ как идеальные газы) с учётом конвективного переноса компонентов, что существенно увеличивало время одного расчёта. Необходимость автоматизации полного цикла. Каждая итерация оптимизации включала перестроение геометрии, перемешивание расчётной области и полный CFD-расчёт — без автоматизации этого цикла проведение сотен итераций было бы невозможным. Подход и решение Был выстроен автоматизированный многодисциплинарный оптимизационный контур: CATIA V5 — параметрическая 3D-модель статического смесителя с 15 управляемыми геометрическими параметрами; ANSYS ICEM CFD — автоматическое построение неструктурированной расчётной сетки для каждого варианта геометрии; StarCD / pro-STAR (CD-adapco) — CFD-решатель с моделью смешения идеальных газов для расчёта полей скоростей и концентраций NH₃; IOSO NM — многокритериальный оптимизатор, управляющий всем циклом и строящий кривую Парето оптимальных решений. Постановка задачи оптимизации: Цель 1: минимизация максимальной концентрации NH₃ на выходе из смесителя; Цель 2: минимизация гидравлического сопротивления (потерь давления) смесителя. За время оптимизации IOSO NM выполнил 250 вызовов математической модели и построил полную кривую Парето — множество оптимальных компромиссных решений. Результаты Оптимизация позволила получить кривую Парето, охватывающую широкий спектр проектных решений с различным балансом между качеством смешения и гидравлическим сопротивлением: Точка Парето Макс. концентрация NH₃ на выходе Потери давления Точка 1 ~0,005 ~340 Точка 5 ~0,006 ~240 Точка 9 ~0,008 ~100 Точка 11 ~0,0095 ~50 Точка 17 ~0,021 ~10 Точка 20 ~0,028 ~5 Визуализация полей скоростей и концентраций NH₃ в pro-STAR наглядно демонстрирует принципиальные различия между конфигурациями: решения с высоким качеством смешения (низкая концентрация NH₃ на выходе) характеризуются интенсивной турбулизацией потока и высоким гидравлическим сопротивлением; решения с минимальным сопротивлением обеспечивают менее полное смешение с более высокими пиковыми концентрациями аммиака. Ценность для заказчика Полная картина компромиссов вместо единственного решения. Кривая Парето даёт инженерам исчерпывающую информацию о доступных проектных решениях и позволяет осознанно выбрать оптимальный баланс между качеством утилизации NH₃ и энергозатратами на транспортировку газа — с учётом конкретных требований предприятия. Экологическая и производственная безопасность. Обеспечение равномерного смешения NH₃ с воздухом на входе в установку нейтрализации гарантирует стабильную и эффективную работу этой установки, снижает риск превышения допустимых концентраций аммиака и обеспечивает соответствие экологическим нормативам. Эффективное исследование большого пространства параметров. 250 вызовов модели для 15-параметрической задачи — значительно меньше, чем потребовалось бы при систематическом переборе или градиентных методах, что свидетельствует о высокой эффективности алгоритма IOSO NM в задачах данного класса. Готовые к реализации конструктивные параметры. Каждая точка кривой Парето соответствует конкретному набору геометрических параметров смесителя, готовому к передаче в производство после выбора заказчиком приемлемого компромисса между целевыми показателями. Универсальность методологии. Разработанный подход — параметрическая CAD-модель + автоматическое смешивание + CFD-расчёт + многокритериальная оптимизация IOSO — может быть перенесён на оптимизацию других смесительных и массообменных аппаратов нефтехимических производств.
Оптимизация конструкции жидкостного распределителя для нефтеперерабатывающей промышленности
Отрасль Нефтепереработка / Химическая промышленность / Вычислительная гидродинамика (CFD) Проект реализован с применением технологии оптимизации IOSO в связке с промышленными CAD/CAE-инструментами для решения задачи равномерного распределения потока жидкости в технологическом оборудовании нефтеперерабатывающих предприятий. Технический кейс: Оптимизация конструкции жидкостного распределителя для нефтеперерабатывающей промышленности / Liquid distributor design optimization for Oil Processing Industry Задача В технологических установках нефтепереработки жидкостные распределители обеспечивают подачу рабочей среды (в данном случае — воды) из одного входного коллектора в несколько выходных патрубков. Ключевое требование к такому оборудованию — равномерность массового расхода через каждый выходной патрубок. Исходная конструкция распределителя имела симметричную схему: 1 входной патрубок и 8 выходных патрубков. При одинаковых диаметрах всех выходных патрубков (Ø 20 мм) массовые расходы через них существенно различались из-за неравномерного поля скоростей в коллекторе — жидкость, двигаясь вдоль него, последовательно ответвляется, и к дальним патрубкам поступает значительно больше, чем к ближним. Цель проекта — определить оптимальные диаметры выходных патрубков, обеспечивающие равные массовые расходы через все выходы. Исходные ограничения и сложности Физика задачи. Распределение потока в коллекторном распределителе — нелинейная гидродинамическая задача: изменение диаметра одного патрубка влияет на распределение давления во всём коллекторе и перераспределяет расходы через остальные выходы. Ручной подбор диаметров итерационными методами крайне трудоёмок. Постановка задачи оптимизации. Задача имела 3 независимые переменные — диаметры трёх патрубков с переменным диаметром (диапазон от 20 до 40 мм), при этом диаметр одного из четырёх патрубков был фиксирован (Ø 20 мм). Оптимизация велась по 3 целевым функциям — отклонениям массового расхода через каждый из патрубков с переменным диаметром от расхода через патрубок с фиксированным диаметром. Вычислительные затраты. Каждая итерация требовала полного цикла: перестроение геометрии в CATIA V5 → перемешивание расчётной области в ANSYS ICEM CFD → CFD-расчёт в FLUENT. Это делало ручной перебор вариантов практически нереализуемым. Подход и решение Для решения задачи был выстроен автоматизированный оптимизационный контур, объединяющий четыре программных инструмента: CATIA V5 — параметрическое задание геометрии распределителя (диаметры патрубков как управляемые параметры); ANSYS ICEM CFD — автоматическое построение расчётной сетки для каждого варианта геометрии; FLUENT — CFD-решатель для расчёта поля скоростей и массовых расходов; IOSO NM — многокритериальный оптимизатор, управляющий циклом и направляющий поиск к оптимальному решению. IOSO NM автоматически менял значения диаметров, запускал полный расчётный цикл и анализировал результаты, последовательно приближаясь к конфигурации с равномерным распределением расходов. Результаты Исходная конструкция (все патрубки Ø 20 мм) демонстрировала значительную неравномерность расходов: от 0,39 кг/с через ближний патрубок до 0,55 кг/с через дальний — разброс составлял около 41%. Оптимизированная конструкция получила следующие диаметры патрубков: Патрубок Диаметр (мм) Массовый расход (кг/с) 1 30 0,49 2 23 0,49 3 21 0,47 4 20 0,46 Разброс расходов сократился с 41% до менее чем 7%. Поле скоростей в CFD-визуализации (FLUENT) наглядно подтвердило выравнивание скоростей в выходных патрубках — в оптимизированной конфигурации картина распределения скоростей стала значительно более однородной. Ценность для заказчика Решение инженерной задачи, недоступной ручными методами. Взаимозависимость диаметров патрубков и поля давлений в коллекторе делала ручной подбор параметров практически невозможным без автоматизированной оптимизации. Готовые к производству параметры. Результатом проекта стали конкретные значения диаметров патрубков, которые могут быть непосредственно переданы в производство без дополнительных итераций. Снижение эксплуатационных потерь. Равномерное распределение потока через все выходы повышает эффективность последующих технологических процессов, снижает локальные гидравлические нагрузки на оборудование и уменьшает риск неравномерного износа. Масштабируемость подхода. Разработанный оптимизационный контур CATIA → ICEM CFD → FLUENT → IOSO NM может быть повторно применён для оптимизации других типов распределительного оборудования с иным числом патрубков и другими рабочими средами.
Оптимизация параметров литейного моделирования
Технический кейс: «Калибровка параметров численного моделирования литейных процессов: сопоставление FLOW-3D с экспериментальными данными с помощью IOSO» / «Calibration of Casting Simulation Parameters: Matching FLOW-3D Results with Experimental Thermocouple Data via IOSO Optimization» Отрасль Автомобилестроение / Литейное производство / Вычислительная гидродинамика (CFD) Проект реализован совместно PSA Peugeot-Citroën и XC Engineering srl — итальянской компанией, специализирующейся на CFD-симуляциях и являющейся представителем Flow Science и SigmaTech в Европе. Задача Инженеры PSA Peugeot-Citroën регулярно сталкивались с двумя фундаментальными вопросами при проведении литейных симуляций в программном комплексе FLOW-3D: Насколько точными могут быть симуляции литья? Какие значения следует задавать для численных параметров — таких как коэффициент теплообмена между металлом и формой (HOBS), коэффициент теплообмена с пустотами (HFLV1), параметры затвердевания (FSCO, FSCR, TSDRG) и других? Подбор этих параметров вручную представлял собой серьёзный барьер на пути к получению точных результатов: при неверных значениях симуляции давали существенное расхождение с реальными экспериментальными данными. Исходные ограничения и сложности Физическая сложность задачи. Процесс гравитационного литья алюминия в песчаные формы включает два взаимосвязанных этапа — заполнение формы и затвердевание. Каждый из них описывается множеством взаимозависимых параметров, которые невозможно оптимизировать последовательно вручную. Большое пространство параметров. Для этапа заполнения было идентифицировано 10 независимых переменных (включая HFLV1, CLHT1, TSDRG, FSCO, ROUGH, TEMPI и четыре значения HOBS при разных температурах), для этапа затвердевания — 12 переменных с широкими диапазонами допустимых значений. Риск «обмана» оптимизатора. Мощные оптимизационные алгоритмы склонны эксплуатировать слабые места модели, находя формально «оптимальные» решения, не соответствующие физической реальности. Это потребовало предварительной доработки CFD-модели. Высокое вычислительное время. Исходная симуляция занимала около 30 часов, что делало многократный запуск для перебора параметров практически невозможным. Неопределённость экспериментальных данных. В качестве эталона использовались данные 15 термопар, размещённых в форме, с временным диапазоном от 0 до 1000 секунд. При этом допускалась погрешность ±10 °C по температуре и до 1 секунды по времени; 3 из 15 термопар были признаны недостоверными и исключены из анализа. Подход и решение Подготовка модели Перед запуском оптимизации команда XC Engineering провела комплексную доработку CFD-модели по трём направлениям: Повышение точности — для обеспечения корректного сравнения с экспериментальными данными термопар; Повышение робастности — для предотвращения выхода оптимизатора за физически осмысленные границы; Ускорение расчётов — с 30 часов до 5 часов на одну симуляцию при сохранении высокой точности, что позволило многократно увеличить число итераций оптимизации. Инструментарий Для автоматизированной оптимизации был выбран программный комплекс IOSO Optimization Technology, интегрированный с FLOW-3D. IOSO обеспечивал автоматический запуск симуляций и поиск оптимального решения в многомерном пространстве параметров без участия инженера. Математическая постановка задачи оптимизации Оптимизация проводилась в рамках двухцелевой постановки: Цель 1: минимизация суммарного отклонения температур по всем 15 термопарам в конкретный момент времени (например, t = 16 с); Цель 2: минимизация суммарного интеграла абсолютного отклонения температурных кривых от экспериментальных данных на интервале от 0 до 200 секунд. Такой подход позволил построить кривую Парето — множество оптимальных решений, отражающих все компромиссы между двумя целями. Для этапа затвердевания IOSO потребовался примерно 51 запуск CFD-модели для достижения наилучшего результата. Раздельная оптимизация этапов Этапы заполнения и затвердевания оптимизировались независимо, что позволило сосредоточиться на специфических параметрах каждой стадии процесса. Результаты По итогам оптимизации было достигнуто отличное совпадение симуляции с экспериментом на 10 из 12 термопар (2 термопары показали удовлетворительное, но не идеальное совпадение). До оптимизации расхождение с экспериментом было значительным. Анализ чувствительности параметров позволил выявить ключевые закономерности: Параметры с высоким влиянием на результат: FSCO (доля связной твёрдой фазы) — наиболее критичный параметр; оптимальное значение > 0,4; ROUGH (шероховатость стенок) — критически важен для этапа заполнения; оптимальный диапазон 0,55–0,8 × 10⁻³ м (существенно отличается от значения по умолчанию); FSCR (критическая доля твёрдой фазы) — оптимальный диапазон 0,65–0,9; CLHT1 (скрытая теплота кристаллизации) — значения из базы данных JMatPro оказались близкими к оптимальным, с поправкой не более +4% от номинала. Параметры с умеренным влиянием: TSDRG (коэффициент торможения при затвердевании): оптимальный диапазон 150–200; HFLV1 (теплообмен металл–пустота): рекомендуемый диапазон 15–25; Коэффициенты HOBS при различных температурах: важны как диапазон значений, но не требуют высокой точности настройки. Ценность для заказчика Устранение «барьера параметров». Методология оптимизации превратила непрозрачный процесс ручного подбора численных параметров в систематизированную, воспроизводимую процедуру, опирающуюся на экспериментальные данные. Практические рекомендации. Проект дал конкретные ориентиры для настройки FLOW-3D при моделировании гравитационного литья алюминия в песчаные формы — данные, которые ранее отсутствовали в открытом доступе. Освобождение инженерного времени. Использование автоматизированной оптимизации позволило инженерам заниматься другими задачами в то время, пока система самостоятельно выполняла десятки расчётов. Подтверждённая точность. Достигнутый уровень совпадения симуляций с экспериментом (10 из 12 термопар при погрешности в пределах ±10 °C) соответствует уровню «state-of-the-art» для задач данного класса и открывает возможности для надёжного прогнозирования качества литых деталей на этапе проектирования. База для дальнейших исследований. Полученные результаты сформулировали новые исследовательские вопросы: применимость параметров для высокого давления литья (HPDC), возможность упрощения табличного задания HTC, влияние модели усадки — что создаёт фундамент для последующих работ по верификации CFD-моделей в литейном производстве.
Оптимизация прибылей литейной формы для клапанной отливки
Инструмент: IOSO NM + FLOW-3D Интеграция: специальный модуль IOSOintFLOW-3D.exe Технический кейс:«Оптимизация конструкции литниковых систем в литье с использованием FLOW-3D и IOSO» / «Optimization of Risers Design in Metal Casting Using FLOW-3D and IOSO Technology» Отрасль Литейное производство. Проектирование систем питания литейных форм (прибылей) для получения плотных отливок без усадочных раковин. Задача Для существующей конструкции клапанной отливки (valve casting) с несколькими прибылями (risers) найти оптимальные геометрические параметры прибылей, обеспечивающие одновременно: Минимизацию объёма усадочных раковин внутри отливки (максимизацию плотности отливки) Минимизацию суммарного объёма прибылей (экономия металла) Исходные ограничения и сложности Усадочные раковины (shrink holes) образуются при затвердевании металла в местах, куда прибыли не обеспечивают достаточной подпитки — задача требует правильного баланса размеров прибылей Два критерия противоречат друг другу: увеличение прибылей улучшает питание отливки, но увеличивает расход металла и стоимость; уменьшение прибылей — наоборот Геометрия описана STL-файлом реальной детали; для каждого варианта размеров прибылей требуется полный расчёт затвердевания в FLOW-3D Необходимо настроить интеграцию между IOSO NM и FLOW-3D через специальный связующий модуль Подход и решение IOSO NM управляет расчётами FLOW-3D через модуль IOSOintFLOW-3D.exe, который размещается в папке с проектными файлами FLOW-3D и обеспечивает автоматический обмен данными. Входные параметры оптимизации (6 переменных): Прямоугольная прибыль: ширина xh(2), глубина yl(2), высота zh(2). Цилиндрическая и сферическая прибыли: радиус цилиндра rah(6), высота цилиндра zh(6), радиус сферы rsh(7). Ограничение: rsh(7) = rah(6) — радиус сферы равен радиусу цилиндра. Критерии: максимизация синтетического параметра synt(f*vf) — произведение доли жидкости на объёмную долю (косвенная характеристика плотности отливки); одновременно минимизация суммарного объёма прибылей, вычисляемого как синтетический параметр по формулам геометрии. Настройка проекта в IOSO NM: добавление модели FLOW-3D, указание prepin-файла, определение входных и выходных параметров, выбор функции результата (Sum для объёма усадочных раковин). Результаты Оптимальное решение найдено примерно за 300 итераций FLOW-3D. Построен фронт Парето из 20 точек. Сравнение исходной и оптимизированной геометрии прибылей: Параметр Исходная конструкция Оптимизированная Прямоугольная прибыль xh(2) 0,076 0,0485 Прямоугольная прибыль zh(2) 0,28 0,253 Радиус цилиндрической прибыли rah(6) 0,074 0,061 Высота цилиндрической прибыли zh(6) 0,185 0,155 Суммарный объём прибылей снижен примерно на 37% при одновременном уменьшении объёма усадочных раковин в отливке — что наглядно подтверждается сравнительными изображениями распределения усадочных дефектов до и после оптимизации. Ценность для заказчика Снижение объёма прибылей на 37% — прямая экономия металла на каждой отливке без ухудшения качества, а в данном случае с улучшением плотности Полная автоматизация цикла «изменение геометрии прибылей → расчёт затвердевания → оценка качества»: инженер задаёт границы параметров и запускает оптимизацию, не участвуя в каждой итерации Наличие фронта Парето позволяет выбрать компромисс между экономией металла и качеством отливки в зависимости от требований конкретного производства Встроенная интеграция IOSO NM с FLOW-3D через модуль IOSOintFLOW-3D.exe делает настройку задачи процедурной и воспроизводимой Подход применим к любым отливкам, описываемым STL-геометрией и рассчитываемым в FLOW-3D, без изменения методологии
Многокритериальная оптимизация химического состава высокотемпературных сталей
Партнёры: Florida International University и University of Texas at Arlington (США) Инструмент: IOSO NM Технический кейс: «Многокритериальная оптимизация химического состава сплавов с использованием IOSO» / «Multi-objective Optimization of Alloy Chemical Composition for Target Mechanical Properties Using IOSO Technology» Отрасль Материаловедение. Разработка жаропрочных аустенитных сталей для высокотемпературных применений — энергетика, авиация, химическая промышленность. Задача Найти оптимальный химический состав стального сплава (концентрации легирующих элементов), обеспечивающий одновременную оптимизацию нескольких конкурирующих свойств материала: Максимальная прочность на растяжение (Stress, PSI — максимизировать) Максимальная рабочая температура (T — максимизировать) Максимальное время до разрушения под нагрузкой (Hours — максимизировать) Минимальная стоимость исходных компонентов (Cost — минимизировать) Минимальная плотность сплава (Density — минимизировать) Исходные ограничения и сложности Пространство переменных: концентрации 17 легирующих элементов — C, S, P, Cr, Ni, Mn, Si, Cu, Mo, Pb, Co, Cb, W, Sn, Al, Zn, Ti — каждый из которых может присутствовать в составе или отсутствовать вовсе (дискретная переменная «да/нет») Задача имеет двухуровневую структуру: внешний оптимизатор (дискретный) перебирает возможные наборы присутствующих элементов (химическую структуру), внутренний оптимизатор находит оптимальные концентрации для каждой заданной структуры Ряд легирующих элементов (например, никель, кобальт) значительно дороже остальных — что создаёт реальный конфликт между прочностью и стоимостью Зависимость свойств сплава от состава — нелинейная многоэкстремальная функция многих переменных; аналитической модели не существует — данные берутся из экспериментальной базы или математической модели свойств сплавов Подход и решение Использована двухуровневая оптимизационная схема: Внешний дискретный оптимизатор задаёт «химическую структуру» — набор элементов, которые будут присутствовать в сплаве (каждый: да или нет). Для каждой такой структуры IOSO (внутренний оптимизатор) по базе данных или математической модели находит оптимальные концентрации этих элементов, минимизируя стоимость при заданных ограничениях на механические свойства. Результатом является множество Парето оптимальных структур и соответствующих им составов. Для демонстрации были заданы предустановленные требования: прочность ≥ 4000 PSI, рабочая температура ≥ 1800°F, время до разрушения ≥ 6000 часов. Критерии оптимизации — минимизация концентраций Cr и Ni как наиболее дорогостоящих компонентов. Результаты Получены пять оптимальных составов с разным числом компонентов (от 7 до 10 легирующих элементов), все удовлетворяющие заданным ограничениям по механическим свойствам: Число компонентов C Mn Mo Cb W Ti Cr% Ni% 10 0,529 1,21 0,065 1,344 0,199 0,014 ~31 ~20 9 0,329 0,894 0,061 1,026 0,188 0,048 ~28 ~26 7 0,527 1,21 0,021 — 0,281 0,032 ~28 ~24 9 0,506 0,879 0,053 0,839 0,37 0,001 ~25 ~35 8 0,457 0,977 0,013 1,367 0,476 0,059 ~20 ~40 Построены кривые Парето «плотность — стоимость» для разных требований к времени до разрушения (от 1000 до 7000 часов) при ограничениях Stress > 3000 PSI и Temperature > 1800°F. Кривые наглядно показывают, как ужесточение требования по долговечности смещает фронт в сторону более дорогих и плотных составов. Ценность для заказчика Замена многолетнего эмпирического подбора составов сплавов систематическим многокритериальным поиском — сокращение числа экспериментальных плавок и испытаний Инструмент позволяет одновременно учитывать стоимость, вес и механические свойства, а не оптимизировать их последовательно Метод масштабируется на любые классы сплавов: коррозионностойкие стали, жаропрочные никелевые сплавы, алюминиевые сплавы — и может учитывать дополнительные требования: коррозионную стойкость, особенности микроструктуры, режимы термообработки, технологичность Дискретная переменная «присутствие элемента в составе» позволяет исследовать не только концентрации, но и принципиальные решения о составе системы легирования
Оптимизация профиля скорости поршня в процессе литья под давлением (HPDC)
Заказчик / автор: XC Engineering srl, Италия (Stefano Mascetti) Консультант по оборудованию: Bühler AG, Швейцария — мировой лидер в производстве машин для литья под давлением Инструмент: IOSO NM + FLOW-3D Технический кейс:«Оптимизация скорости поршня в процессе литья под давлением: первая фаза заполнения «/ «Optimal Piston Velocity Profile in HPDC First-Phase Sleeve Process Using FLOW-3D and IOSO NM» Отрасль Литейное производство. Высокоскоростное литьё под давлением (HPDC — High Pressure Die Casting). Задача актуальна для всех производителей алюминиевых, цинковых и магниевых отливок, использующих машины Bühler и аналогичное оборудование. Задача Найти оптимальный профиль скорости поршня во время первой фазы заполнения камеры прессования (shot sleeve) — то есть закон изменения скорости поршня в зависимости от его положения, — обеспечивающий одновременно: Минимальное время первой фазы процесса (скорость → качество металла, меньше охлаждение и окисление) Минимальное захватывание воздуха металлическим расплавом (Air Entrainment → качество отливки, меньше пористость) Оба критерия равнозначны и при этом принципиально противоречат друг другу. Исходные ограничения и сложности Фундаментальное противоречие: быстрое движение поршня сокращает время процесса и снижает охлаждение металла, но вызывает разрушение поверхности волны и захват воздуха; медленное движение даёт гладкую поверхность волны, но увеличивает время процесса до 1,1–1,5 секунды, что означает повышенное охлаждение металла и его окисление — то есть более высокую стоимость при более низком качестве Физика процесса крайне нелинейна: волна металла движется вдоль камеры, отражается от стенок, суммируется и разрушается непредсказуемым образом Существующие одномерные и двумерные аналитические методы дают приближённое решение; трёхмерное моделирование принципиально точнее, но требует управления через оптимизатор Современные машины HPDC позволяют задавать профиль скорости поршня до 20 точками «ход–скорость», что открывает огромное пространство возможных комбинаций, недоступное ручному перебору Задача имеет сложную нелинейную топологию пространства параметров Подход и решение Связка IOSO NM + FLOW-3D: IOSO выбирает очередной профиль скорости поршня, FLOW-3D выполняет полный трёхмерный расчёт турбулентного движения металла в камере прессования и извлекает показатели качества выстрела, IOSO интерпретирует результаты и генерирует следующий вариант. Параметры задачи: 10 независимых переменных — 6 точек положения поршня и 6 соответствующих значений скорости (начальная и конечная точки фиксированы). Два критерия оптимизации: время первой фазы (1stPhaseTime) и захватывание воздуха (AirEntrained). Результат — не одна точка, а кривая Парето всех наилучших компромиссных решений. Машина для расчёта: обычный настольный компьютер. Расчёт продолжался около 4 рабочих дней при суммарном числе вызовов FLOW-3D порядка 2000. Уже после первого дня работы были найдены хорошие решения; сходимость фронта Парето достигнута к концу второго дня. В дальнейшем IOSO только уточнял и делал решения более робастными. Результаты Фронт Парето охватил широкий диапазон компромиссных решений с двумя хорошо определёнными крайними точками. Ключевой вывод по времени процесса: максимальное время первой фазы среди всех найденных оптимальных решений составило не более 0,9 секунды — это примерно на 30% быстрее, чем традиционный подход с медленным движением поршня (1,1–1,5 сек), применяемый для предотвращения разрушения волны. Для крайней точки Парето с минимальным захватыванием воздуха значение AirEntrained стремится практически к нулю. Найденный оптимальный профиль скорости поршня оказался близок к профилю, применяемому на машинах Bühler на основе производственного опыта: медленный длительный разгон → постоянная скорость → резкое ускорение в финале. Это одновременно подтверждает корректность инженерной интуиции и показывает, что найденный профиль является лучшим среди всех похожих. Дополнительная валидация: отдельная однокритериальная оптимизация (только минимизация захваченного воздуха, без ограничения на время) дала результат, отличающийся от двухкритериального расчёта лишь на 2% — это доказывает, что найденная точка Парето реально близка к абсолютному минимуму по данному критерию. Физическая интерпретация оптимального профиля: поршень управляет волной металла, постепенно увеличивая её крутизну без разрушения; при достижении критического угла — ускоряется, чтобы не дать волне упасть и образовать воздушные пузыри. Ценность для заказчика Получен научно обоснованный оптимальный закон движения поршня вместо эвристических правил — с полным описанием компромисса между скоростью процесса и качеством отливки Процесс на 30% быстрее традиционного «медленного» подхода при сопоставимом качестве поверхности — прямая экономия на времени цикла и температуре металла Фронт Парето из нескольких десятков точек позволяет оператору осознанно выбирать настройку машины под конкретные требования производства Трёхмерное моделирование в FLOW-3D позволяет точнее предсказать критический угол разрушения волны, чем упрощённые 1D/2D методы — решение ближе к физическим пределам Подход применим к конкретным конструкциям литниковых систем; для общего случая рекомендуется дополнить задачей Robust Design Optimization (RDO) для оценки устойчивости решения к производственным отклонениям
Многокритериальная оптимизация аэродинамики автомобильного бокса на крышу
Инструмент: IOSO NM + Pro/Engineer + ANSYS ICEM CFD + ANSYS CFX Кейс по оптимизации: «Многокритериальная оптимизация геометрии автомобильного багажника: аэродинамика и объём» / «Multi-objective Geometry Optimization of Car Bag: Aerodynamic Drag and Volume» Отрасль Автомобильная промышленность. Проектирование навесного оборудования для легковых автомобилей — автомобильных боксов на крышу (roof cargo box / car bag). Задача Найти оптимальную геометрию корпуса автомобильного бокса на крышу, обеспечивающую одновременно два конкурирующих критерия: Минимизация аэродинамического сопротивления (Fx → MIN) — снижает расход топлива при езде Максимизация объёма (S → MAX) — увеличивает полезную вместимость Скорость обдува: V = 50 м/с. Переменные: геометрия корпуса, 4 параметра. Исходные ограничения и сложности Задача принципиально двухкритериальная с противоречивыми целями: более обтекаемая форма с низким сопротивлением, как правило, имеет меньший объём, и наоборот — широкий вместительный бокс создаёт большое лобовое сопротивление Для каждой итерации требовался полный цикл: перестроение параметрической геометрии в Pro/Engineer, автоматическое создание расчётной сетки в ANSYS ICEM CFD и CFD-расчёт обтекания в ANSYS CFX — то есть цикл из трёх последовательных программ Необходимо было не найти одну «лучшую» точку, а построить весь фронт компромиссных решений Парето, чтобы конструктор мог осознанно выбирать между вместимостью и аэродинамикой Подход и решение IOSO NM управлял полностью автоматизированным трёхэтапным вычислительным циклом: Pro/Engineer — параметрическое изменение геометрии бокса по вектору переменных от IOSO (жёлтые параметры — переменные, красные — постоянные) ANSYS ICEM CFD — автоматическое построение расчётной сетки вокруг новой геометрии ANSYS CFX — CFD-расчёт аэродинамики, получение значений Fx и S Результаты возвращались в IOSO NM для обновления аппроксимационной модели и генерации следующей точки Результаты За ~200 вызовов расчётного цикла IOSO построил фронт Парето из 20 точек, охватывающий весь спектр компромиссных решений между аэродинамикой и вместимостью: Точка Парето Аэродинамическое сопротивление Fx Объём S N1 (минимум сопротивления) 2,28 51 650 N7 (компромисс) 3,1 61 432 N11 (компромисс) 3,85 71 470 N13 (компромисс) 5,36 75 967 N20 (максимум объёма) 9,63 77 135 Диапазон найденных решений: Аэродинамическое сопротивление варьируется более чем в 4 раза (от 2,28 до 9,63) Объём варьируется более чем в 1,5 раза (от 51 650 до 77 135) Для каждой точки Парето ANSYS CFX предоставляет детальные картины распределения скорости и давления вокруг корпуса бокса, позволяющие физически понять характер обтекания для каждого компромиссного решения. Ценность для заказчика Конструктор получает не одно «оптимальное» решение, а полную карту компромиссов между аэродинамикой и вместимостью — 20 точек Парето с детальной геометрией и CFD-картинами для каждой Полностью автоматизированный цикл из трёх разных программ (Pro/Engineer → ANSYS ICEM CFD → ANSYS CFX) работает без участия человека на каждой итерации При ручном переборе геометрий инженер мог бы исследовать единицы вариантов; IOSO исследует пространство из 200 расчётных точек и строит оптимальный фронт Подход демонстрирует универсальность IOSO: он одинаково эффективно работает как с авиационными двигателями, так и с потребительскими товарами — любой задачей, где есть параметрическая геометрия и расчётный код
