• 최적설계를 수행하기 위해 반복적으로 해석을 수행하는 과정을 미리 짜여진 각본대로 재실행할 수 있도록 자동화한다는 것입니다. (일반적으로 이를 템플릿이라고도 합니다.)

• CAE SW는 해석모델을 읽어서 해석 과정을 통해 결과를 출력합니다.

• PIAnO와 같은 PIDO SW는 CAE SW가 제공하는 매크로나 API를 이용하여,

• 해석모델에서 설계변수에 해당되는 값을 업데이트할 수도 있고,

• 또 해석을 수행한 후에 결과 파일로부터 목적함수나 구속조건값을 가져올 수도 있습니다.

• 한번만 해석 자동화를 해 두면, 설계변수값을 바꿔가며 반복적인 해석을 자동으로 수행할 수 있습니다.

• 프로세스가 자동화되면 다양한 최적화 전략을 원클릭으로 손쉽게 시도할 수 있습니다. 그러나 필수 사항은 아닙니다.

• 프로세스를 자동화하기 어려운 경우에 수동으로라도 데이터를 획득할 수 있으면 메타모델로 다양한 최적화 전략을 수행해 낼 수 있습니다.

• 가능합니다. 

• PIAnO는 “Remotejob”이라는 기능으로 클라우드나 수퍼컴 환경의 CAE SW 인터페이스를 지원합니다.

• 이 기능은 사용자가 원격 PC에 접속하는 동일한 방식으로 접속하여 데이터를 Upload하고, Job Command를 전달하여 해석을 수행한 후에 결과 데이터를 Download하는 과정을 자동화합니다.

• PIAnO에서 Mapping 기능으로 Input/Output 파일을 직접 접근할 수 있거나 script(ex. Python, VBscript 등)로 API를 구현할 수 있으면 됩니다.

  - Mapping 기능의 예) ADAMS/Car의 sub 파일, Nastran의 bdf 파일 등

  - API 구현의 예) Ansys WB의 python API 기능 등

• 설계변수는 설계자가 변경할 수 있는 변수입니다. 수학적으로 표현하자면 독립변수에 해당됩니다. 예: 두께, 치수, 개수 등

• 목적함수는 설계변수의 함수로 구성된 성능지수 중 최소화하거나 최대화하고 싶은 변수입니다. 수학적으로 표현하자면 종속변수에 해당됩니다. 예: 효율, 중량, 수명 등

• 구속조건은 설계변수의 함수로 구성된 성능지수 중 요구 사항이 범위의 형태를 갖는 변수입니다. 수학적으로 표현하자면 종속변수에 해당됩니다. 예: 강성, 강도, 온도, 충돌성능, 고유주파수 등

• 성능지수는 기본적으로는 위에서 정의된 형태로 구성하지만 상황에 따라 목적함수나 구속조건 어디든 자유롭게 배치할 수 있습니다. 

• 힌트를 드리자면, 최적화 알고리즘은 구속조건을 먼저 만족시킨 후에 목적함수의 속성을 만족시키려는 경향을 갖습니다.

• 따라서, 구속조건의 범위가 좁은 경우에는 목적함수의 속성(최대화 혹은 최소화)이 의도대로 되지 않는 경우도 발생합니다.

• 구속조건의 범위가 여유가 있으면 그 범위 내에만 위치하면 되므로 목적함수의 개선에 집중한 솔루션을 얻을 수 있습니다.

• 전통적인 최적설계 이론에 해당되며, 목적함수의 최대/최소값을 찾기 위해 기울기(민감도)를 구해 방향을 바꿔가며 이동하는 방식입니다.

• 초기값에 따라 최적해가 달라질 수 있고, 가장 좋은 최적해(전역 최적해)를 탐색한다는 보장이 없어서 국부 최적화 알고리즘에 속합니다.

• 수학적으로는 무한히 데이터를 뽑으면 가장 좋은 최적해에 수렴할 수 있음을 보장하는 최적화 알고리즘입니다.

• 전역 최적해 탐색이 목적이기 때문에 초기값에 따라 최적해가 달라지지는 않습니다.

• 가장 좋은 최적해를 탐색할 수 있지만 많은 양의 해석을 수행해야 하기 때문에 통상적으로는 예측모델이나 빠른 해석기로 최적설계를 할 때 주로 사용됩니다.

• 10가지 최적화 알고리즘을 제공하고 있으며, MGA와 EA는 CMA-ES나 HMA로 대체가 될 수 있기 때문에 폐기될 예정입니다.

  - STDQAO(Sequential Two-point Diagonal Quadratic Approximate Optimization) - 국부/효율성 관점/연속 설계변수

  - FSolver - 국부/효율성 관점/연속 설계변수

  - ePPAO(Efficient Progressive Polynomial Approximate Optimization) - 국부/효율성 관점/연속 설계변수

  - PQRSM(Progressive Quadratic Response Surface Modeling) - 국부/효율성 관점/연속 설계변수 (국부 최적화 기법으로 추천)

  - MGA (Micro Genetic Algorithm) - 국부/연속 및 이산 설계변수 (폐기 예정)

  - CMA-ES(Covariance Matrix Adaptation Evolution Strategy) - 전역/연속 및 이산 설계변수

  - HMA(Hybrid Metaheuristic Algorithm) - 전역/연속 및 이산 설계변수 (전역 최적화 기법으로 추천)

  - EA (Evolutionary Algorithm) - 전역/연속 및 이산 설계변수 (폐기 예정)

  - MOGA(Multi-Objective Genetic Algorithm) - 다중 목적함수 처리/전역/연속 및 이산 설계변수 (다중 목적함수를 다룰 경우에 추천)

  - PADO(Progressive Approximate Discrete Optimization) - 국부/연속 및 이산 설계변수

• 다중 목적함수를 다루는 방식은 크게 3가지로 구분해 볼 수 있습니다.

  - 여러 개의 목적함수에 가중치를 곱하여 하여 한 개의 목적함수로 바꾸는 방식 (모든 최적화 알고리즘으로 처리 가능)

  - 동시에 여러 개의 목적함수로 다루지 않고, 구속조건으로 변환하여 구속조건의 경계값에 따라 최적해를 찾는 방식 (모든 최적화 알고리즘으로 처리 가능)

  - 여러 개의 목적함수를 동시에 고려하여 파레토 셋을 탐색하는 방식 (MOGA에서 처리 가능. 해석비용의 증가는 필수)

• PIAnO에서는 다양한 DOE 기법을 PIAnO Sampler에서 제공하고 있습니다.

• DOE에 대한 비전문가를 위해 PIAnO 샘플러는 "자동 선택" 기능을 지원합니다.

• 이 기능은 DOE의 목적, 레벨 수, 가능한 실험점 개수 정보를 제공하면 가장 적합한 DOE 데이터를 제안해 줍니다.

• 보다 상세한 내용은 교육 코스를 활용하시거나 기술 지원으로 문의해 주시기 바랍니다.

• DOE 데이터는 아래와 같이 다양한 정보를 제공할 수 있기 때문에 설계 전략을 수립할 때 중요한 역할을 담당합니다.

  - 설계변수와 성능지수 간의 관계

  - 설계변수 중요도 순위

  - 설계변수의 함수로 성능지수를 표현하는 Metamodel

  - 유용한 설계 개선안들

• 11개의 DOE 기법을 제공합니다.

  - FFD(Full Factorial Design)

  - CCD(Central Composite Design)

  - ICCD(Interior Central Composite Design)

  - FCCD(Face-centered Central Composite Design)

  - PBD(Placket-Burman Design)

  - BBD(Box-Behnken Design)

  - OA(Orthogonal Array)

  - OLHD(Optimal Latin Hypercube Design)

  - CV(Centroidal Voronoi Tessellation)

  - Sobol Sequence

  - Augmenting Design

• Augmenting Design을 사용하면 됩니다.

• 기존 데이터의 분포를 고려하여 최대한 균등한 분포를 갖도록 추가 데이터를 선정해 주는 방법입니다.

• OLHD(Optimal Latin Hypercube Design)와 같이 공간 충진성을 향상시키는 ALHD(Augmented Latin Hypercube Design) 기법이 적용됩니다.

• 아래와 같이 총 6가지 예측기법을 제공합니다. 

   - 회귀모델 - PR(Polynomial Regression), RBFr(Radial Basis Function Regression), EDT(Ensemble of Decision Trees), MLP(Multi-Layer Perceptron)

   - 보간모델 - Kriging, RBFi(Radial Basis Function Interpolation)

• 예측기법은 크게 2가지로 회귀모델과 보간모델로 구분됩니다. 

• 회귀모델은 실제 실험처럼 실험점들이 랜덤 에러를 포함하는 경우에 실험점의 경향성을 잘 표현할낼 수 있는 방식입니다.

• 보간모델은 전산 실험처럼 랜덤 에러가 없는 경우에 실험점들을 정확히 지날 수 있도록 예측모델을 구성하는 방식입니다.

• PIAnO에서는 다양한 Metamodeling 기법을 PIAnO Metamodeler에서 제공하고 있습니다.

• 비전문가를 위해 PIAnO Metamodeler는 “Bruce”라는 AI로 사용자가 제공한 데이터에 가장 적합한 메타 모델을 자동으로 생성해 줍니다.

• 보다 상세한 내용은 교육 코스를 활용하시거나 기술 지원으로 문의해 주시기 바랍니다.