基于Optislang副车架多学科参数优化

一. 性能分析

1.1 强度分析

强度分析包括两个工况，一个常规工况，一个极限工况。

1.2 模态分析

副车架采用自由模态分析，校核第一阶模态。一般为扭转模态。因此优化过程中亦不需要进行模态追踪。

初始性能结果：

二.多学科优化参数化模型

对副车架创建5个设计变量，包括三个形状变量，2个厚度变量。

      整个参数化创建过程均在ANSA软件环境下进行，当然可以使用其他软件包括depmeshworks等。里面有一些具体的细节在这里不做详细展开，包括具体形状参数的创建方法，位置，变量范围。

      强度分析使用nastran求解器，模态分析使用Optistruct求解器。强度结果通过meta提取，模态结果通过直接读取.out文件提取。Optislang有ansa和Meta的接口，可以方便将参数化的ansa模型文件和meta结果提取文件进行集成联合仿真。与其他优化软件一样，也可以通过通用的模块将第三方软件进行联合集成。本例中，ansa、nastran和optistruct通过Batch Script接口进行联合。Meta通过自带的接口进行设置联合。

      整个优化过程为：首先进行DOE分析，构建metamodel元模型。在Optislang软件中称为Metamodel of Optimal Prognosis (MOP)。为了提高计算效率，使用到了Adaptive Metamodel of Optimal Prognosis (AMOP)方法。然后基于metamodel进行多学科优化。

首先，搭建分析流程：

首先将ansa参数化模型的参数控制文件通过Text input模块进行参数化设置，这里需要注意参数格式是C语言格式。并且设置文件路径为Relative to project。

通过Batch Script集成ansa生成参数化的模型。注意在Input files中加入参数化的ansa文件。

通过ETK模块读取ansa的response文件，提取模型质量响应。

通过Batch Script集成optistruct进行模态求解。注意在Inputfiles中加入.fem头文件。

通过ETK模块读取optistruct的out结果文件，提取第一阶模态频率响应。

通过Batch Script集成nastran进行强度求解。注意在Input files中加入.dat头文件。

通过Batch Script集成meta进行强度响应的提取。具体命令是直接通过meta模块自动生成的，只需要根据提示选取对应的文件即可。如果不使用自带的meta模块进行集成。则按照正常的Script设置即可。此时，所需的文件通过在Input files中进行设置即可。同样地，如果是使用Batch Script进行集成时，如果需要其他文件，也可以通过copy命令将所需的文件复制到当前目录下即可，而不需要在Input files中进行设置。

在meta output中提取强度结果响应。

以上，便完成了整个分析流程的设置。此时，可以点击run运行该流程，运行完成后，双击流程，并在Result design下检查结果。如果所有结果响应都正确提取，则可以进行后续的DOE分析并创建MOP。

将Wizards中的Sensitivity wizard拖放到上一步的分析流程中，设置DOE分析并进行灵敏度分析。

首先设置设计变量，保持原设置不变，选择Next即可。

在进行DOE分析时，不需要考虑约束和目标，因此在Criteria中不需要任何设置，点击Next即可。

在选择DOE方法时，这里选择other进行手动设置。点击Next继续。

在Sampling type中选择Space filling Latin Hypercube Sampling方法，并设置数量为10（2*N），这里特意设置了一个比较小的数值，主要是为了使用后续的AMOP方法。

最后，确认勾选了Create MOP选项，并选择合适的元模型方法。最后点击Finish结束灵敏度分析设置。然后在点击Run运行灵敏度分析。当计算完成后可以进行灵敏度分析结果后处理。

相关系数矩阵图可以看到输入输出之间的灵敏度系数关系。

这里我们看到模态频率的CoP值只有0.949。后续我们通过Adaptive Metamodel of Optimal Prognosis (AMOP)方法来高效地提升CoP值。Optimus和modefrontier等软件也有类似的方法。

将Wizards中的Sensitivity wizard拖放到上一步的分析流程中，设置AMOP方法增加DOE样本来提升元模型精度。

选择Adaptive Metamodel of Optimal Prognosis (AMOP)方法，点击Next。

打开AMOP的设置菜单中Adaption一项中，其中Maximum number of samples=Number of samples（Refinement）* Maximum iterations。本例中，设置最大迭代次数为4次，每次增加样本数量为10个。同时，设置目标CoP值为0.98。以上设置，当所有元模型的CoP值到达0.98以后会自动停止迭代，或者当迭代次数到达4次时停止迭代。

本例中，迭代了两次就停止了迭代，可以看到强度、模态、质量响应的元模型的精度都随着样本的增加在增加。当迭代2次后，CoP值都达到了0.98后停止了迭代。也就是说，总共的DOE样本数量为30个。这比盲目地设置DOE样本数的方法高效的多。

此时，模态频率的CoP值为0.98。其他响应的CoP值均大于0.98。满足后续基于元模型优化的要求。

将Wizards中的Optimization wizard拖放到上一步的AMOP分析流程中，设置后续的优化方法。

拖放响应到相应的位置，本例中约束强度和模态性能，以最小化质量为目标。本例中，需要通过最小的质量增加来达到性能达标的目标。

选择使用MOP Solver进行计算，并选择遗传算法进行优化分析。

优化迭代到500次得到了优化解。

从优化结果来看，通过只增加了0.236Kg，将所有的性能优化达标。