优势
提高设计性能和质量
HyperStudy 具有最先进的创新优化、 设计实验及随机分析方法,可快速完成评估,提高设计性能和质量。
将模具翘曲程度减少了 26%
执行比较研究
HyperStudy 的配合功能允许用户创建响应面拟合。这些高效的假人模型可以用来进行比较研究,也可以导出为电子表格供现场工程师使用。
减少开发时间和成本
HyperStudy 帮助工程师减少试错迭代,从而缩短设计的开发和测试时间。
通过易于使用的环境提高生产率
HyperStudy 的分步式过程可引导用户建立和开展设计研究。其开放式架构可与第三方求解器轻松集成。
强大的数据集分析功能
凭借一整套后处理和数据挖掘方法,可简化工程师的工作并帮助他们分析和理解大型模拟数据集。
提高仿真相关性
HyperStudy 的优化功能可用于提高分析模型与测试结果的相关性,或者不同模型之间的相关性。
功能
实验设计
HyperStudy 中的实验设计 (DOE) 方法包括:
全因子 部分因子 Plackett-Burman Box-Behnken
中心复合设计 拉丁超立方体法 Hammersley 用户自定义以及外部运行矩阵的直接输入。
该研究矩阵可以由可控制或不受控制的连续或离散变量构成。DOE 研究可以借助精确仿真或拟合模型进行。
响应面法 (Fit)
提供的响应面法包括:
最小二乘回归 移动最小二乘法
HyperKriging 径向基函数
响应面可用于执行利弊权衡、DOE、优化和随机研究。
优化
HyperStudy 具有综合优化方法,可解决不同类型的设计问题,包括多目标和基于可靠性/稳健性的设计优化。具体方法包括:
自适应响应面法 (ARSM) 全局响应曲面法 (GRSM)
序列二次规划法 多目标遗传算法
遗传算法 基于 ARSM 的 SORA
序列优化与可靠性分析 (SORA) 用户自定义优化算法。
单循环方法
优化研究可以采用精确仿真或拟合模型执行。此外,HyperStudy 还提供 API 来整合外部优化算法。
随机
HyperStudy 中的随机方法有助于工程师评估设计的可靠性和稳定性,并根据这些评估结果来对改进和优化提供定性指导。HyperStudy 抽样方法包括:
简单随机抽样 拉丁超立方体法
Hammersley
随机研究可以采用精确仿真或拟合模型执行。
后处理和数据挖掘
HyperStudy 具备各种后处理和数据挖掘功能,能够帮助工程师进一步加深对设计的理解。 这大大简化了对结果进行研究、分类和分析的工作。可以对研究结果进行后处理,并以统计数据、相关性矩阵、散点图、箱线图、交互作用图、直方图以及平行坐标图等形式呈现。此外,HyperStudy 还可以指导用户根据设计目标选择要使用的后处理方法。