- شرح محصول
- مشخصات
- نقد و بررسی
همانطور که می دانیم به طور کلی بهینه سازی به این معناست که در یک موضوع قصد داریم به یک نقطه مطلوب برسیم.
در شبیه سازی های CFD ، چه در نرم فازهای خانواده ANSYS مانند Fluent و CFX کار کنید، چه در محیط هایی مثل COMSOL و STAR CCM معمولا روند به این صورت است که کار را از مدلسازی هندسه شروع می کنیم و پس از مراحل شبیه سازی و تحلیل و .... به یه سری نتایج می رسیم و می توان گفت کار با گرفتن خروجی ها به اتمام رسیده است. اما خیلی از اوقات با ارزیابی خروجی ها متوجه می شویم که فیزیکی که برای مسئله به کار بردیم می توانست حالت بهتری داشته باشد. پس خیلی از اوقات در هنگام کار با نرم افزارها، با تغییر یکی از موارد شبیه سازی و ارزیابی این تغییر می توان جهت درست حرکت در مسیر حل مسئله را پیدا کرد.
در این دوره از دو دیدگاه به بهینه سازی پرداخته خواهد شد:
- طراحی آزمایشات (DOE) در این تئوری، از بین بی نهایت حالت مختلف که کمیت ها می توانند داشته باشند چند حالت را انتخاب کنیم که احتمالا گوناگونی تعداد بزرگ اولیه را نشان می دهد. به طور مثال اگر 10 کمیت داشته باشیم و در نظر داشته باشیم 4 حالت متفاوت را مشاهده کنیم باید ترکیب 4 از 10 شبیه سازی انجام داده و نتایج را بررسی کنیم، طبیعتا در عمل انجام این تعداد شبیه سازی در بحث های CFD یا FEM غیر ممکن است. پس به کمک تئوری های DOE تعداد آزمایش ها یا شبیه سازی ها را کاهش می دهیم. و بعدها میتوان به کمک الگوریتم های دیگر بهینه سازی مانند الگوریتم ژنتیک این کمبود را جبران می کنیم و در حقیقت ارتباط بین کمیت ها را برقرار می کنیم و بهینه سازی را انجام میدهیم.
روش دوم که در نرم افزار فلوئنت طراحی شده، متد گرادیان یا gradient based نام دارد. در واقع نرم افزار Fluent یک حلگر بهینه سازی در اختیار کاربران قرا داده است. هدف از این دیدگاه این است که در داخل خود نرم افزار بتوانیم پس از انجام شبیه سازی، کمیت های قابل تغییر و محدوده تغییرات را مشخص کنیم و با استفاده از حلگرهای سیالاتی موجود در فلوئنت و به کمک باقی مانده و توابعی که بر مبنای گرادیان های متغیر به دست آمدند، تاثیر تغییرات را بررسی و مشاهده کنیم.
در طول دوره هر دو روش بررسی شده و مثال هایی از هر کدام انجام می شود.
همه چیزش عالی بود فقط فیلم های دوره خیلی کیفیتشون پایین بود و من نتونستم به خوبی مرور کنم