Otimização Multidisciplinar

Otimização Multidisciplinar (MDO) é o ramo da engenharia que utiliza algoritmos de otimização visando identificar soluções que maximizem ou minimizem determinados parâmetros de desempenho, levando em consideração as restrições e objetivos do sistema, equipamento ou processo.

A estratégia permite que engenheiros analisem sistemas complexos com grande número de variáveis de projeto, avaliando um modelo matemático em diversas configurações, e evoluindo iterativamente a solução até a configuração que apresente os melhores indicadores de desempenho.

Os modelos de desempenho podem conter desde equações analíticas simples em uma planilha Excel, até simulações numéricas complexas e acopladas entre diversos softwares e plataformas como CFD e FEA.

Problemas típicos que podem ser resolvidos através de otimização multidisciplinar:

● Definir as dimensões de uma peça mecânica com o máximo de resistência e o mínimo de peso;
● Determinar a melhor configuração aerodinâmica de uma aeronave para maximizar alcance e minimizar consumo de combustível;
● Selecionar a melhor rota a ser percorrida por um veículo para minimizar o tempo até o destino.

Primeiramente cria-se um conjunto de variáveis de projeto iniciais, denominado condição inicial. Estas condições iniciais são avaliadas pelo modelo matemático e os indicadores de desempenho são calculados para cada configuração. O algoritmo de otimização analisa o desempenho de cada configuração e define, através de comparações de desempenho, um novo conjunto de variáveis de projeto. Este novo conjunto de configurações é avaliado novamente pelo modelo de desempenho, e o processo é repetido iterativamente até que as melhores soluções sejam encontradas.

Existem diversas estratégias e algoritmos de otimização, que varrem o universo de busca de maneiras diferentes como:

● Simplex;
● Genetic Algorithm;
● Particle Swarm;
● Simulated Annealing;
● Entre outros.

Algoritmos de otimização podem ser divididos em objetivo simples ou multi-objetivo:

Algoritmos de objetivo simples

Avaliam o universo de busca com relação à um único objetivo, determinado pela função custo. Esse objetivo pode ser maximizar ou minimizar um determinado indicador de desempenho, ou até uma combinação de indicadores de desempenho agrupados e somados de maneira ponderada. O resultado desta análise é uma única combinação de variáveis de projeto que representam a configuração com o melhor desempenho, de acordo com a função custo definida.

Algoritmos multi-objetivos

Avaliam o universo de busca com relação a dois ou mais objetivos, e resultam em um conjunto de configurações que apresentam os melhores desempenhos com relação aos objetivos selecionados. Este conjunto de configurações ótimas recebe o nome de Solução de Pareto, e é formado pelas soluções do sistema onde, para melhorar o desempenho com relação a um dos objetivos, é necessário a degradação de um ou mais dos demais objetivos. Uma análise de engenharia ou trade-off é realizado para selecionar a solução mais adequada dentre as configurações encontradas na solução de Pareto.

A ATS utiliza o iChrome Nexus e o Python como plataformas de otimização. Ambos possuem algoritmos diversos implementados, e podem ser utilizados para conectar diversos softwares e plataformas, criando um modelo de desempenho de acordo com a necessidade do sistema, equipamento ou processo.

Solicite contato agora mesmo!