FEMtools 모듈 정보
- Framework
- Dynamics
- Pretest & Correlation
- Model Updating
- Optimization
- Model Updating & Optimization
- FE Data Interface Driver
- Modal Parameter Etractor
- Rigid Body Parameter Extractor
2.4 FEMtools Model Updating상위메뉴 > |
FEMtools Model Updating은 다음의 기능을 포함하고 있다. |
|
민감도 분석(Sensitivity Analysis) |
---|
민감도 분석은 해석자가 스프링 강성, 재로 강성 형상 등과 같은 매개변수의 수정에 의해 모델의 구조 응답이 어떻게 영향을 받는지에 대한 민감도를 구할 수 있는 기술이며 민감도 분석은 다음과 같은 목적으로 사용될 수 있다.
민감도 계수는 매개변수 값을 수정한 결과 응답 값의 변동을 정량화 한다. 응답 및 매개변수의 모든 조합에 대하여 얻은 계수는 민감도 행렬에 저장된다. 이 행렬을 분석하면 구조의 민감하고 둔감한 영역에 대한 정보가 생성되며 이러한 다양한 영역을 시각화하고 매개변수 선택을 빠르게 최적화 할 수 있도록 컬러 그래픽을 사용할 수 있다. |
주요특징 (KeyFeatures) |
|
구조 응답 (Structural Response) |
민감도 분석을 위하여 다음과 같은 기준 응답 유형을 선택할 수 있다.
|
설계변수 (Design Variable) 주요 특징 |
민감도 분석에서 다음의 매개변수를 사용할 수 있다.
매개변수는 국부 또는 Global 레벨로 선택될 수 있다.
|
모델 업데이트 (Model Updating) |
FEMtools Model Updating에는 유한요소 모델을 업데이트하여 시험 데이터 같은 기준 모델의 결과와 잘 일치하도록 만드는 유틸리티 및 방법이 포함되어 있다. 업데이트 방법의 특징은 선택된 물리적 요소 특성을 반복적으로 업데이트하여 시뮬레이션 된 응답과 목표 값 사이의 상관관계를 개선하는 민감도 계수를 사용한다. 응답 형태는 정적 변위, 질량, 모달 데이터, FRF, Operational 데이터 또는 상관관계 값일 수 있으며 업데이트 할 수 있는 매개변수는 FE 모델에 사용된 모든 질량, 강성 및 감쇠 특성들이다. 결과적으로 FE 모델은 훨씬 더 신뢰할 수 있는 구조해석을 할 수 있으며 응용의 예로는 FE모델 검증 및 개선, 진동 시험에서 재료 식별, FE 모델 reduction, 손상 감지 등이다. |
모델 업데이트 작동 방식 (How Model Updating Works) |
FEA 결과와 기준 데이터 간의 불일치는 지배적인 물리적 관계(예를들면 선형 유한요소 이론을 사용한 비선형 거동 모델링), 부적절한 경계조건의 사용 또는 요소 재료 및 기하학적 특성 등의 가정, 너무 거친 매쉬를 사용한 모델링 등에서 불확실성이 발생할 수 있다. 이러한 "에러"는 실제로 일반 모델링 오류보다 정보가 부족하기 때문에 발생한다. FEA 결과에 미치는 영향을 분석하고 FE모델과 관련된 오류를 줄이려면 이러한 것들에 대한 개선이 필요하다. 모델 업데이트는 측정된 구조 데이터를 사용하여 FE모델의 오류를 수정하는데 널리 사용되는 이름이 되었다. 모델 업데이트는 FEA 데이터와 시험 데이터 간의 개선된 일치에 도달할 때까지 FE모델의 질량, 강성, 및 감쇠 매개변수를 수정하며 작동합니다. 주어진 상태를 재현 할 수 있는 수학적 모델을 생성하는 직접적인 방법과 달리 FE모델 업데이트의 목표는 부정확한 모델링 가정을 수정하기 위한 모델 매개변수를 물리적으로 의미있게 변경하여 FE모델과 시험 데이터간의 일치를 향상시키는 것이다. 이론적으로 업데이트 된 FE모델을 사용하면 추가 시험 없이 다른 하중, 경계조건 또는 구성을 모델링 할 수 있다. 이러한 모델은 시뮬레이션 된 하중으로 인한 응답과 변위를 예측하는데 사용할 수 있다. |
FEMTools에서의 모델 업데이트 |
유한요소 모델 업데이트는 여러가지 방법이 있으며 FEMTools는 민감도 계수와 가중치 값 (Bayesian Estimation)을 사용하여 입증된 Itertive, Parametric, 모달 및 FRF 기반의 업데이트 알고리즘을 사용한다. 프로세스는 업데이트 매개변수의 초과값을 사용하여 초기 FE 모델의 공식화로 시작한다. 시험 데이터와의 상관관계를 확인하는데 사용되는 FEA 결과는 현대 업데이트 매개변수 값이 있는 FE모델을 사용하여 계산된다. 모델 업데이트 방법은 FEA 결과와 시험결과의 불일치 정도 또는 민감도를 사용하여 불일치를 줄이는 업데이트 매개변수의 변경을 결정한다. 그런 다음 FE 모델은 업데이트 매개변수의 새로운 값을 사용하여 재구성되며 상관관계 함수를 통해 분석된 값이 수렴 기준이 충족될 때까지 프로세스가 반복된다. |
|
수퍼요소 기반의 모델 업데이트 (Superelement based Model Updating) |
대형 FE 모델로 작업할 때는 상향식 모델링, 시험 및 조립 방식을 고려해야 한다. 수퍼요소 (Super-element)를 사용하여 변경되지 않는 부품을 모델링 하는 경우가 가장 효율적이다. 나머지 부분에서 업데이트 매개변수가 선택되면 나머지 부분(상위 요소에 포함되지 않는 부분)만 업데이트 되고 매 반복마다 상위 요소와 결합된다. |
동시 여러 모델 업데이트 (Multi-Model Updating) |
MMU는 다른 구조적 구성에 해당하는 유한요소 모델의 다른 버전을 동시에 업데이트 한다. 각 각의 구성에는 모달시험이 있다. 이는 모든 구성에서 공통적인 요소 속성을 업데이트 하기 위한 기준값으로 사용할 수 있는 시험데이터를 제공한다. 이러한 특성은 예를들면 조인트 특성 또는 재료 특성일 수 있고 다른예로서는 서로 다른 레벨의 연로로 시험된 발사체 또는 확인이 필요한 복합재료로 만든 다른 모양의 시편 등이다. |
Harmonic Force Identification |
측정된 Harmonic Operational Deflection shape와 Update된 유한요소 모델을 사용하면 시스템 방정식으로부터 가진함수를 구할 수 있다. |
|
확률론적 분석 (Probabilistic Analysis) |
모든 물리적 특성은 편차와 불확실성을 포함하고 있으며 이러한 특성 변동이 구조물에서 어떻게 전파되고 출력응답에 어떤 변동이 발생하는지 평가하는 것이 중요하다. 이것은 견고한 설계 (Robust Design)의 응용이지만 시험을 여러번 수행한 경우 통계적 상관관계 분석 및 확률모델 업데이트에도 사용됩니다. |
|
통계적 상관관계 (Statistical Correlation) |
통계적 상관관계는 포인트 클라우드 및 그들의 통계적 파생물 (질량중심, 평균, 표준편차 등)간의 유사점과 차이점을 확인하기 위한 그래픽 및 수치 해석이다. 시험 절차와 결과 추출 방법도 산포와 불확실성이 있다. 따라서 시험데이터는 확률 시뮬레이션에서 얻은 유사한 포인트 클라우드와 비교할 수 있는 포인트 클라우드로 간주해야 합니다. 포인트 클라우드의 위치 |
확률적 모델 업데이트 (Probabilistic Model Updating) |
확률적 모델 업데이트는 시뮬레이션 및 시험 포인트 클라우드와 통계적 파생물 사이의 통계적 상관관계를 개선하기 위하여 설계 매개 변수 및 랜덤(Random) 특성을 수정하는 것이다. |
설계 개선 및 견고한 설계 (Design Improvement and Robust Design) |
검증되고 실제와 같은 시뮬레이션 모델을 사용할 수 있으면 제품 성능 및 견고성 측면에서 설계를 개선할 수 있다. 확률적 모델 업데이트와 유사한 절차를 사용하여 설계 매개변수 및 랜덤(Random) 특성은 설계 목표 및 구속조건을 만족시키기 위하여 시뮬레이션 포인트 클라우드의 위치, 모양 크기를 수정하는데 사용 될 수 있다. 대부분의 경우 이러한 목표는 품질, 내구성 및 제조 공차와 관련된 사양을 분석하여 전체 비용을 산출하는 것이다. |
시험 설계 (Design Experiments) |
|
사용자 인터페이스 (User Interface) |
|
선행 요구사항 |
|
옵션(Options) |
|