메뉴 over/out 스크립트 자바스크립트를 지원하는 브라우저를 사용하거나, 자바스크립트를 활성화 시켜 주세요

상단 바로가기 본문 바로가기 하단 바로가기

엔지니어링SW

  • 디엔디이의 제품군을 소개합니다.
    1. 구조해석제품군(MBU)
    2. 유동해석제품군(FBU)
    3. 전자기해석제품군(EBU)
    4. 산업군별 적용분야
  • ANSYS DesignXplorer

    • DesignXplorer는 설계 변경이나 신제품 개발을 지원하는 최적설계 도구로써, Design Process개선, 설계 및 개발기간 단축, 제품 개선 및 품질향상에 초점을 맞춰 효율성 향상을 위한 다양한 기능과 최적화 방법 등을 제공합니다.

    • Design Exploration for All Physics

      ANSYS는 설계 제품의 fluid, structural, electromagnetic, thermal modeling을 정확히 해결할 수 있으며, 여러 물리계에 걸쳐진 연성해석을 해결할 수 있는 폭 넓은 기능을 제공합니다. ANSYS DesignXplorer technology와 폭 넓은 multiphysics solution을 결합하여 사용하게 되면 모든 물리계에 대한 최적화를 진행할 수 있습니다.


      ANSYS DesignXplorer는 Workbench 환경으로부터 모든 물리계(구조, 열, 비선형, 충돌, 유동, 전자기장, multiphysics)의 최적화를 지원합니다. 다물리계(multiple physics)에서 연성으로 구성된 해석은 독립적으로 분석될 수 있거나 또는 결합된 방법으로도 지원됩니다.

    • 다양한 연성해석의 Parametric analysis

    • Design Parameter

      DesignModeler 및 다양한 CAD S/W에서 생성한 Parameter에 대해 양방향으로 Parameter Control이 가능하며, 해석환경에서 설정한 하중, 재료물성들도 최적화 해석의 Parameter로 사용할 수 있습니다.

    • 다양한 CAD S/W들의 Parameter 호환성

    • What if Case Study

      DesignXplorer Simulation은 "what if"라는 질문에 답을 구하는 도구로 사용할 수 있습니다.

      만약, 적용된 하중이 10%의 변화율을 가지면 제품에 어떤 결과가 발생할 것인가?
      어떤 parameter가 설계된 제품의 성능에 직접적인 영향을 미칠 것인가?
    • Parameter Correlation

      최적의 설계 조건 달성은 다양한 변수들과 목적함수의 상관관계를 만드는 것을 의미합니다. 목적함수를 충족하는 최적 설계점의 탐색은 direct optimization algorithm을 사용하는 것에 의존하면 제대로 수행할 수 없습니다. 그 이유는"what-if"의 질문에 답을 얻기 위해, 현재 고려되는 설계점과 제품 성능에 미치는 설계변수의 영향을 정량화 하는 것에 필요한 정보를 확보하기가 불충분하기 때문입니다. 그렇기에 고려되는 설계점에서 예기치 않은 결과를 얻지 않도록 올바른 결정을 위한 정확한 정보를 얻을 수 있어야 합니다.
      Parameter Correlation tool은 correlation matrices, determination matrices, correlation scatter plots, sensitivity chart들을 생성하여 중요하지 않은 입력변수를 식별하는데 도움을 줍니다.

    • Correlation Coefficient Formulation

      Pearson’s linear correlation
      1. 상관관계 평가에 대한 실제 데이터로 사용합니다.
      2. 두 변수 간의 선형 의존성을 측정하는 것과 같이 선형 연관성을 분석할 때 가장 좋은 방법입니다.
    • Spearman’s rank correlation

      데이터의 순위를 사용합니다.
      단조관계(monotonic relationship)가 요구되지만, 선형관계 보다는 덜 제약적입니다. (관계를 얼마나 잘 측정하는지는 단조함수를 사용하여 나타낼 수 있습니다.)
      보다 정확한 것으로 간주하므로, 사용을 권장합니다.
    • Correlation Matrix and Plot

      두 변수 간의 관계에 대해 양의 값 혹은 음의 값으로 상관계수(correlation coefficient)를 표시합니다.
      DX는 상관관계를 분석한 matrix와 figure를 제공합니다.
      -1 혹은 1의 값에 가까울 수록 강한 관계를 나타냅니다.
    • Correlation Matrix와 Plot chart

    • Determination Histogram

      2차 결정계수(quadratic coefficient of determination)(다른 말로 R-square)는 표본점들의 곡선접합에 의해 표본점들 간의 편차의 비율을 설명하거나 평가합니다. 이는 곡선이 점들에 얼마나 가까운지 표시합니다.
      이것은 모델에 의해 예측되어질 미래의 결과를 얼마나 잘 측정할 수 있는지에 대해 제공합니다.
    • Determination Matrix와 Plot chart

    • Determination Histogram

      모든 입력변수들의 관계에 대한 어떤 출력변수든 linear 혹은 quadratic R-square로 출력합니다.
      R-square가 100%인 경우, linear/quadratic curve는 데이터와 정확히 접근한 것입니다.
      R-square 값이 작은 경우, 입력변수의 변화 및 중요할 수 있는 다른 factor들(noise, mesh error, lack of points, etc.)과 출력변수의 변화는 규명하기 힘들 수 있습니다.
    • Determination Histogram에 대한 chart

    • Design of Experiments and Response Surfaces

      ANSYS DesignXplorer는 실험계획법(Design of Experiment)과 반응표면법(Response Surface)을 사용하여 설계변수와 제품의 성능에 대한 상호 관련성을 표시하여 제공합니다. 실험계획법과 반응표면법은 Simulation 기반 제품 개발의 이점을 얻기 위해 요구되는 모든 정보를 제공합니다. 설계변수에 의한 제품 성능의 변화율을 알고 있을 때, 제품 설계에서 필요로 하는 조건들을 이해하고 목적을 충족시키기가 쉬워집니다. 반응표면이 생성되면 curve, surface, sensitivity와 그 외의 도구들을 이용하여 설계변수와 제품의 성능의 상호 관련성을 쉽게 이해할 수 있습니다. 이러한 도구들은 새로운 설계조건을 검증하는 추가적인 simulation을 수행하지 않고도 제품을 개발하는 동안 언제든 내용을 확인할 수 있습니다.

    • Input Parameter type

    • Parameter Type? Description? Example?
      Discrete 연속적이지 않은 특정 값을 설정? Number of holes, Number of weld points, Number of prism layers
      Continuous 변수의 상-하한 값 범위에서 연속적인 값을 설정? Thickness, Force, Temperature
      Manufacturable 이론적으로 연속적인 값이지만, 가공과정에서 혹은 현실적인 한계의 값을 설정? Drill bit sizes, readily available bolts, screws
    • DOE((Design of Experiment) Method

      Custom
      Custom + Sampling
      Central Composite Design (CCD)
      Box Behnken Design (BBD)
      Optimal Space Filling Design (OSF)
      Latin Hypercube Sampling (LHS)
    • CCD(face centered), CCD(rotatable), Box Behnken, LHS, OSF type

    • Sparse Grid

      적응형 반응표면 모델입니다. (스스로 자동으로 개선 합니다.)
      보통 다른 반응표면 모델 보다 더 많은 계산실행이 필요 합니다. 그래서 계산이 빠를 때 사용합니다.
      처음부터 “Sparse Grid Initialization” DOE 설정이 필요합니다.
      오직 개선이 필요한 방향으로만 반응표면이 개선 됩니다. 적은 계산점들은 동일한 품질의 반응표면을 위해 추가적인 계산점들이 필요합니다.
    • Sparse Grid의 Refinement Process

    • Response Surface Model

      Standard Response Surface(Full 2nd Order Polynomials)
      Kriging
      Non-Parametric Regression
      Neural Network
      Sparse Grid
    • 반응표면 모델 생성 및 Goodness of Fit

    • Kriging과 Sparse Grid 모델의 Relative Error에 대한 수렴 그래프

    • Goal Driven Optimization

      Good design은 제품 성능과 설계 변수 둘 사이의 상관관계를 확인하는 것에서 출발합니다. 대부분의 경우, 설계 변수들과 제품의 설계 목적을 따라 "최적" 설계 조건을 결정하게 됩니다. ANSYS DesignXplorer는 최적조건을 탐색하기 위한 몇 가지 반응표면(response surface)모델들과 상관관계를 분석하는 도구들, 그리고 다목적 검색과 같은 최적화 알고리즘들을 제공합니다. 이 기술의 분석은 입력한 구속조건들, 각 생산 단가, 그리고 사용자가 선택한 조건으로부터 최적 설계 후보군을 제공합니다.

      Optimization Method

      Screening (Shifted-Hammersley Samph5ng)
      MOGA (Multi-Objective Genetic Algorithm)
      NLPQL (Nonlinear Programming by Quadratic Lagrangian)
      Adaptive Single-Objective
      1. Hybrid optimization method using Latin Hypercube Samph5ng, a Kriging response surface, NLPQL, and domain reduction in a Direct Optimization system
      Adaptive Multiple-Objective
      1. Hybrid optimization method using a Kriging response surface and MOGA in a Direct Optimization system
    • 목적함수와 제약조건에 대한 설정

    • 목적함수 검색에 대한 History chart

    • 다목적 최적화에 대한 최적 설계조건으로 검색된 후보군

    • Samples Chart

      각 점은 하나의 입력 혹은 출력변수의 값이며, 각 sample은 line curve들의 그룹으로 표시됩니다.
      Curve들의 색은 Pareto front를 식별하거나 sample에 속하는 혹은 curve가 후보군에 가장 적합한지 또는 모든 sample들이 표시되도록 설정할 수 있습니다.
      각 축 위에 노란색 화살표를 이동하여 축 범위를 증가, 감소시킬 수 있습니다. 노란색 화살표 바깥 범위에 있는 sample들은 자동으로 숨겨집니다.
    • Pareto Fronts Samples chart

    • Tradeoff Chart

      각 축은 하나의 목적함수가 목표를 달성하기 위해 다른 목적함수를 희생하는 관계를 시각화 합니다.
      Pareto front는 최소한 하나의 목표를 위해 어떤 하나를 개선하는 동안, 다른 품질은 희생되는 관계를 가지는 그룹 입니다.
      Sample들 중 가장 좋은 것은(first Pareto front) 파란색으로 표시 됩니다.
      Sample들 중 가장 최악은(worst Pareto front) 빨간색으로 표시 됩니다.
    • Two-Dimensional Tradeoff Chart Showing Feasible and Infeasible Points

    • Six Sigma Analysis

      일반적인 분석은 입력변수에 고정된 값을 정의하고 이러한 가정에 대해 안전계수를 도입하고 있습니다. (deterministic) Six Sigma 설계는 입력 값의 분산 데이터를 고려하여 시스템의 응답에 어떤 영향을 미치는지에 대한 통찰력을 제공할 수 있습니다. (probabilistic)

    • Two-Dimensional Tradeoff Chart Showing Feasible and Infeasible Points

    • 다음과 같은 질문에 도움될 수 있습니다.
      출력변수의 분산범위가 얼마나 큰가? 출력변수의 강건성은 얼마나 되는가?
      입력변수의 변화량에 의해 출력변수의 분산 달라진다면, 출력변수가 더 이상 충족되지 않는 상태의 설계기준 확률은 얼마나 되는가?
      예상하지 못한 상황들(예를 들면 파손 확률)이 발생할 확률은 얼마나 되는가?
      어떤 입력변수가 출력변수의 분산과 실패 확률에 가장 큰 기여를 보이는가?
      입력변수의 변화에 관련하여 출력변수의 민감도는 얼마나 되는가?
    • 입력변수의 distribution 정의

    • 입력변수 distribution에 의한 출력변수의 distribution

    • Excel Interoperability

      Workbench project 환경에서 Excel data를 변수로 사용할 수 있습니다. 함수계산을 통한 하중 적용이 필요한 경우(Excel -> ANSYS DX) 혹은 해석결과 값을 참조하여 제작비용과 같은 계산이 필요한 경우 (ANSYS DX -> Excel) Excel data를 연동하여 활용할 수 있습니다.

  • 이전글 Design Life
  • 다음글 Rigid Body Dynamics
  • 목록 TOP