船体形状設計の最適化
船体形状設計の多目的最適化
お客様のCAE環境に合わせた独自の最適化ソフトウェア
設計の最適化はここから始まります。
FINE™/Design3Dは、多分野にわたる多目的設計の最適化を可能にする独自の最適化フレームワークで、そのすべてが高効率のDoE生成とMinamoのサロゲートモデリングに基づいています。
不確かさ解析というオプションが追加されたことで、エンジニアは、入力条件、形状、またはその組み合わせの変動を考慮に入れながら、実世界の条件で設計を行い、設計範囲内での性能を確保することができます。
すべてのNUMECAソフトウェアソルバーに接続されており、他のソフトウェアコードにも対応しているFINE™/Design3Dは、設計プロセスに簡単に統合できるようにカスタマイズすることができます。
このビデオでは、実際のワークフローの全容をご覧いただけます。
パラメータ化
最適化を成功させるには、スマートなパラメータ化が鍵となります。
AxCent™とAutoblade™は、ターボ機械に特化したパラメータ化環境を提供します。 これらは、広い設計空間を定義するための柔軟なモデリングを提供し、翼断面、キャンバー、厚さ、スタッキングに基づく古典的な設計モデルで、あらゆるタイプのターボ機械の翼システムを簡単に扱うことができます。
海洋設計プロジェクトのために、NUMECAはGrasshopperジオメトリモデラーとの直接プラグインを開発し、造船や海洋エンジニアが簡単に3Dジオメトリを作成できるようにしました。
モーフィングとアドジョイントソルバー
専用のパラメータ化ツールの強力な代替手段であるモーフィング手法では、エンジニアはパラメータ化されていないジオメトリやメッシュを変更したり、変形させたりすることができます。
メッシュトポロジーを変更することなく、ボディ形状の任意の変更が可能です。
設計空間を効率的に探索するためのすべての機能は、MinamoのDoEと最適化アルゴリズム、またはアドジョイントソルバーに結合することで実現できます。
実験計画法の最適化
最適化カーネルMinamoはCenaeroによって開発され、実験計画法（DoE）技術に基づいています。
設計空間の探索方法は、最適化の収束と最適値の探索に大きな影響を与えます。
Minamoには、実験計画に必要なサンプル数を大幅に削減する優れた空間充填技術が含まれています。
また、高次元の設計空間や制約の多い最適化問題を効率的に処理するための自動適応型DoE技術を搭載しています。
タスクマネージャにより、CFDの実行をクラスタ上に分散し、複数のサンプルを並列に生成することが可能です。
Minamoを用いた最適化とサロゲートモデリング
サロゲートモデルは、サンプリングされた設計空間のDoE点間の解を近似することで、設計空間の探索を迅速に行います。
人工ニューラルネットワークから放射状基底関数ネットワーク（RBF）やKrigingまで、いくつかのアルゴリズムが利用可能です。次に、サロゲートモデルを使用して反復最適化アルゴリズムを適用し、大域最適を見つけます。
このアプローチは、初期のコンセプト定義から最終設計段階まで、開発プロセスのさまざまな段階でメリットをもたらし、高忠実度シミュレーションに関連する計算コストを削減することで、複雑な製品の開発サイクルを加速させます。
データマイニング＆分析
分散分析 (ANOVA)
データマイニングアルゴリズムは、設計空間のより深い理解を得るために使用され、最適化プロセス中により多くの洞察を提供し、最適化全体のCPUコストを削減します。
サロゲートモデルに基づいて、分散分析（ANOVA）は、どの設計変数が結果により多くの影響力を持つかについての情報を提供します。
自己組織化マップは、高次元のデータを低次元（通常は2D）のマップに投影します。これらの視覚的な検査ツールは、主要な傾向を明らかにし、パラメータおよび/または応答間の相関および反相関を発見するのに役立ちます。
複合領域設計最適化
最適化プロセスは、設計外の条件、機械的信頼性、騒音、製造コストなどを考慮することができれば、より強力なものになります。FINE™/Design3Dは、そのような柔軟性を可能にするために開発され、柔軟な量の評価ツールとソルバーを呼び出すことができます。
すべてのソルバー、CFD、音響、構造物を結合して解析フェーズ内に含めることができ、柔軟でオープンなフレームワークにより、ユーザーはすべてのNUMECAと外部ソルバーをプラグインして最先端の技術の恩恵を受けることができます。
さらに、ユーザーは、設計性能を最適化するだけでなく、解析に複数の運転条件を含めることで、運転範囲を確保し、制御することができます。
不確かさ解析とロバスト設計最適化
CFD および設計手順は、形状や運転条件がよく知られていることを前提として、常に適用されてきました。しかし、実際には、製造上のばらつきや運転条件の変化に左右されます。
不確かさ解析により、これらの不確実性を計算し、システム性能への影響を推定することができます。例えば、最大の感度を持つ変数を特定したり、製造公差が厳しくない場合の影響を計算したりするために使用できます。
設計モードでは、不確かさ解析により、不確実性が性能に与える影響を最小限に抑えることができ、最終的な設計性能がロバストであることを保証します。性能は、それらの不確実な変数の変動に対する感度が低くなります。
ケーススタディ
プロペラ形状最適化
標準的な設計最適化とロバスト設計最適化により得られた船舶プロペラ形状の比較
翼形状の最適設計
FINE™/Design3D を使用し、コンプレッサホイール形状の空力性能最適化を実現
ターボチャージャーインペラー最適化
FORD Motor様の事例: ターボチャージャーインペラーの複数作動点を考慮した複合領域ロバスト設計最適化
主な特徴
- 複合領域最適化プラットフォーム
- メッシュ生成、CFD解析、ポスト処理のためのすべてのNUMECAツールがプラグイン可能
- FEA/CFD解析
- ターボ機械・船舶専用ワークフロー
- マルチフィジックス最適化のための汎用ワークフロー
- Autoblade™、Axcent™、Rhino、OMNIS™/Morphingなどのパラメトリックモデラー、ユーザー定義関数またはツール
- Minamo: 現代的で高効率な最適化カーネル
- DoE生成のための最新技術：ラテン超立方体サンプリング、ボロノイテッセレーションに基づくサンプリングなど
- 放射状基底関数ネットワーク、Krigingなどの高度なサロゲートモデル
- 単一目的または集合目的最適化アルゴリズム
- 多目的アルゴリズム（パレート）
- 自己組織化マップ、ANOVAなどの包括的なデータマイニングおよび分析ツール
- レガシー最適化カーネル
- DoE生成のための多数の技術：ラテン超立方体、Rechtschaffner、Plackett-Burmann、D-最適サンプリングなど
- ニューラルネットワークを用いた単一・多目的最適化の支援
- 操作上、幾何学的、製造上のばらつきのための独自の不確かさ解析
- 独自のロバスト設計最適化