Good a&ernoon. Today, I would like to present to you - - PDF document

Good ¡a&ernoon. ¡ ¡Today, ¡I ¡would ¡like ¡to ¡present ¡to ¡you ¡a ¡way ¡to ¡be8er ¡leverage ¡your ¡ investment ¡in ¡CAE ¡to ¡drive ¡faster ¡product ¡innovaAon. ¡ The ¡focus ¡of ¡my ¡talk ¡will ¡be ¡on ¡process ¡automaAon ¡and ¡design ¡opAmizaAon. ¡ 1 ¡

I’ll ¡begin ¡by ¡providing ¡a ¡quick ¡overview ¡of ¡the ¡state-­‑of-­‑the-­‑art ¡pracAces ¡in ¡design ¡

• pAmizaAon. ¡

Then, ¡I’ll ¡briefly ¡introduce ¡two ¡so&ware ¡products ¡based ¡on ¡these ¡state-­‑of-­‑the-­‑art ¡ pracAces, ¡namely ¡HEEDS ¡and ¡OpAmate+. ¡ These ¡products ¡are ¡based ¡on ¡idenAcal ¡technology, ¡but ¡have ¡different ¡target ¡users. ¡ I’ll ¡provide ¡some ¡case ¡studies ¡for ¡each ¡product ¡and ¡finish ¡with ¡a ¡descripAon ¡of ¡how ¡ you ¡can ¡implement ¡these ¡soluAons. ¡ 2 ¡

Historically, ¡CAE ¡users ¡have ¡had ¡difficulty ¡in ¡directly ¡applying ¡opAmizaAon ¡and ¡have ¡ resorted ¡to ¡surrogate ¡response ¡surface ¡methods ¡and ¡DOE ¡techniques. ¡ ¡But ¡the ¡

• bstacles ¡to ¡direct ¡opAmizaAon ¡have ¡been ¡li&ed. ¡

Now ¡the ¡state ¡of ¡the ¡art ¡in ¡design ¡opAmizaAon ¡is ¡shown ¡in ¡these ¡five ¡direct ¡

• pAmizaAon ¡steps. ¡ ¡I’ll ¡illustrate ¡these ¡steps ¡with ¡the ¡design ¡of ¡a ¡cooling ¡system ¡for ¡a ¡

printed ¡circuit ¡board. ¡ ¡The ¡process ¡begins ¡with ¡validated ¡and ¡robust ¡CAD ¡and ¡CAE ¡ models ¡that ¡can ¡easily ¡rebuild ¡with ¡changes ¡in ¡design ¡variables. ¡ ¡Next, ¡the ¡user ¡ automates ¡the ¡process ¡of ¡simulaAng ¡one ¡full ¡design ¡prototype ¡using ¡a ¡variety ¡of ¡CAD ¡

• r ¡CAE ¡tools, ¡perhaps ¡with ¡a ¡cosAng ¡model ¡included ¡as ¡well. ¡ ¡Then, ¡once ¡the ¡process ¡

is ¡automated, ¡the ¡user ¡defines ¡how ¡each ¡task ¡in ¡the ¡process ¡is ¡simulated ¡in ¡a ¡high ¡ performance ¡compuAng ¡environment, ¡so ¡that ¡many ¡variaAons ¡can ¡be ¡quickly ¡

• explored. ¡Then, ¡step ¡4 ¡involves ¡the ¡use ¡of ¡modern ¡direct ¡opAmizaAon ¡techniques ¡to ¡

efficiently ¡explore ¡the ¡full ¡nonlinear ¡design ¡space ¡and ¡quickly ¡discover ¡be8er ¡designs ¡ in ¡a ¡minimum ¡Ame, ¡without ¡the ¡need ¡for ¡surrogate ¡models. ¡ ¡Lastly, ¡the ¡user ¡ examines ¡the ¡sensiAvity ¡and ¡robustness ¡of ¡the ¡best ¡designs ¡to ¡understand ¡how ¡ performance ¡will ¡be ¡affected ¡by ¡normal ¡manufacturing ¡tolerances. ¡ ¡ This ¡is ¡the ¡state-­‑of-­‑the-­‑art ¡in ¡design ¡opAmizaAon ¡today. ¡ 3 ¡

The ¡process ¡starts ¡with ¡the ¡fully ¡validated ¡models ¡that ¡you ¡have ¡already ¡constructed ¡ with ¡both ¡commercial ¡and ¡internal ¡CAD ¡and ¡CAE ¡so&ware ¡to ¡simulate ¡stress, ¡ vibraAon, ¡moAon, ¡fluid ¡flow, ¡automaAc ¡controls, ¡and ¡other ¡behavior. ¡ 4 ¡

The ¡next ¡four ¡steps ¡of ¡the ¡design ¡opAmizaAon ¡process ¡are ¡fully ¡handled ¡within ¡both ¡ the ¡OpAmate+ ¡and ¡HEEDS ¡so&ware, ¡as ¡we’ll ¡show ¡in ¡the ¡rest ¡of ¡the ¡presentaAon. ¡ 5 ¡

6 6

We’ll ¡now ¡illustrate ¡these ¡five ¡steps ¡of ¡direct ¡opAmizaAon ¡using ¡this ¡industrial ¡duct ¡fan ¡example ¡that ¡is ¡ being ¡presented ¡separately ¡at ¡this ¡conference. ¡ This ¡industrial ¡duct ¡fan ¡originally ¡had ¡flat ¡blades, ¡a ¡mass ¡flow ¡rate ¡of ¡2.5 ¡kg/s, ¡and ¡required ¡542 ¡W ¡of ¡

• power. ¡ ¡The ¡company ¡deploying ¡the ¡fan ¡wished ¡to ¡redesign ¡the ¡fan ¡to ¡maintain ¡the ¡same ¡or ¡be8er ¡

flow ¡rate ¡with ¡a ¡lower ¡power ¡requirement. ¡ ¡

7 7

The ¡first ¡step ¡in ¡the ¡direct ¡opAmizaAon ¡process ¡is ¡to ¡construct ¡parametric ¡CAD ¡and ¡CAE ¡models. ¡ ¡We ¡ begin ¡by ¡idenAfying ¡17 ¡design ¡variables ¡that ¡we’re ¡interested ¡in ¡exploring. ¡These ¡include ¡the ¡number ¡

• f ¡blades, ¡the ¡rotaAon ¡speed, ¡and ¡15 ¡variables ¡describing ¡the ¡blade ¡geometry ¡as ¡shown ¡here. ¡ ¡We’ve ¡

included ¡the ¡twist ¡angle, ¡chord ¡length, ¡camber ¡angle, ¡axial ¡displacement, ¡and ¡verAcal ¡displacement ¡at ¡ three ¡different ¡chord ¡locaAons ¡into ¡the ¡parametric ¡3D ¡CAD ¡model ¡inside ¡of ¡STAR-­‑CCM+. ¡ ¡With ¡these ¡15 ¡ variables, ¡our ¡parametric ¡CAD ¡model ¡can ¡generate ¡a ¡wide ¡variety ¡of ¡fan ¡shapes ¡to ¡be ¡explored, ¡as ¡ shown ¡in ¡a ¡few ¡examples ¡here. ¡

8 8

Next, ¡we ¡use ¡STAR-­‑CCM+ ¡to ¡automaAcally ¡mesh ¡the ¡3D-­‑CAD ¡model ¡and ¡generate ¡a ¡parametric ¡CFD ¡ model ¡using ¡a ¡coupled ¡solver ¡with ¡steady ¡MRF, ¡iniAal ¡grid ¡sequencing, ¡and ¡a ¡realizable ¡kappa-­‑epsilon ¡ turbulence ¡model. ¡

9 9

Now ¡that ¡our ¡parametric ¡CAD ¡and ¡CAE ¡models ¡are ¡in ¡place, ¡we ¡automate ¡the ¡process ¡of ¡evaluaAng ¡

• ne ¡complete ¡design. ¡ ¡For ¡this ¡example, ¡the ¡enAre ¡process ¡was ¡automated ¡and ¡carried ¡out ¡inside ¡of ¡

STAR-­‑CCM+ ¡by ¡the ¡OpAmate+ ¡add-­‑on. ¡ ¡OpAmate+ ¡automates ¡all ¡of ¡the ¡scripAng ¡required ¡to ¡run ¡ mulAple ¡variaAons ¡of ¡the ¡simulaAons. ¡ ¡For ¡each ¡variaAon, ¡new ¡design ¡variables ¡are ¡used ¡to ¡generate ¡ the ¡3D-­‑CAD ¡model; ¡auto-­‑meshing ¡is ¡performed; ¡and ¡the ¡nonlinear ¡CFD ¡simulaAon ¡is ¡performed ¡to ¡ evaluate ¡mass ¡flow ¡rate ¡and ¡required ¡power. ¡ ¡ ¡

10 10

A&er ¡the ¡process ¡is ¡automated, ¡the ¡user ¡defines ¡what ¡compuAng ¡resources ¡should ¡be ¡used ¡for ¡each ¡

• task. ¡ ¡We ¡can ¡take ¡full ¡advantage ¡of ¡HPC ¡clusters ¡and ¡the ¡efficient ¡licensing ¡of ¡OpAmate+ ¡and ¡

Powertokens ¡to ¡run ¡mulAple ¡simulaAons ¡very ¡cost ¡effecAvely. ¡ ¡In ¡this ¡case, ¡we ¡assigned ¡STAR-­‑CCM+ ¡to ¡ run ¡8 ¡design ¡variants ¡simultaneously ¡on ¡8 ¡nodes, ¡with ¡each ¡simulaAon ¡leveraging ¡10 ¡cores. ¡

11 11

With ¡the ¡simulaAon ¡process ¡defined ¡and ¡allocated ¡to ¡cost ¡effecAve ¡high ¡performance ¡compuAng ¡ resources, ¡we ¡next ¡employ ¡the ¡most ¡efficient ¡direct ¡hybrid, ¡adapAve ¡opAmizaAon ¡algorithm ¡to ¡search ¡ the ¡design ¡landscape ¡and ¡evaluate ¡the ¡trade-­‑off ¡between ¡flow ¡rate ¡and ¡power. ¡ ¡This ¡search ¡process ¡ idenAfies ¡the ¡Pareto ¡front ¡of ¡the ¡best ¡feasible ¡designs. ¡ ¡In ¡this ¡case, ¡we ¡are ¡interested ¡in ¡the ¡lower ¡end ¡

• f ¡this ¡Pareto ¡chart, ¡so ¡we ¡zoom ¡in ¡to ¡look ¡at ¡the ¡chart ¡in ¡the ¡range ¡of ¡0 ¡to ¡1 ¡kW ¡and ¡0 ¡to ¡5 ¡kg/s ¡flow ¡
• rate. ¡ ¡From ¡this ¡view, ¡we ¡idenAfy ¡the ¡point ¡that ¡represents ¡the ¡current ¡baseline ¡design ¡and ¡we ¡noAce ¡

immediately ¡that ¡there ¡is ¡a ¡design ¡point ¡below ¡this ¡baseline ¡that ¡has ¡a ¡very ¡similar ¡flow ¡rate, ¡but ¡much ¡ less ¡power ¡requirement. ¡ ¡We ¡select ¡this ¡design ¡for ¡our ¡fan ¡replacement. ¡ ¡It ¡is ¡a ¡curved ¡blade ¡design ¡ that ¡runs ¡almost ¡250 ¡rpm ¡slower, ¡delivers ¡a ¡slightly ¡higher ¡mass ¡flow ¡rate, ¡but ¡requires ¡55% ¡less ¡power ¡ than ¡the ¡baseline! ¡ ¡This ¡is ¡an ¡excellent ¡improvement ¡to ¡our ¡iniAal ¡design. ¡

12 12

Lastly, ¡now ¡that ¡we ¡have ¡an ¡improved ¡design ¡idenAfied, ¡we ¡perform ¡both ¡a ¡robustness ¡and ¡sensiAvity ¡

• analysis. ¡ ¡The ¡robustness ¡study ¡tells ¡us ¡how ¡much ¡our ¡two ¡responses ¡are ¡effected ¡by ¡a ¡small ¡variaAon ¡

in ¡our ¡input ¡parameters. ¡ ¡In ¡this ¡case, ¡we ¡find ¡that ¡the ¡power ¡response ¡is ¡almost ¡6 ¡Ames ¡more ¡ sensiAve ¡to ¡variaAons ¡in ¡design ¡variables ¡than ¡is ¡the ¡mass ¡flow ¡rate. ¡ ¡Secondly, ¡we ¡perform ¡a ¡ sensiAvity ¡analysis ¡to ¡understand ¡which ¡variables ¡most ¡effect ¡our ¡response. ¡ ¡We ¡find ¡that ¡the ¡twist ¡ angle ¡and ¡chord ¡length ¡in ¡the ¡middle ¡of ¡the ¡fan ¡have, ¡by ¡far, ¡the ¡greatest ¡effect ¡on ¡performance. ¡ ¡We ¡ need ¡to ¡hold ¡tolerances ¡Aghter ¡on ¡these ¡variables ¡than ¡others. ¡ ¡ ¡ ¡ That’s ¡an ¡illustraAon ¡of ¡how ¡direct ¡opAmizaAon ¡is ¡uAlized ¡to ¡significantly ¡improve ¡the ¡design ¡of ¡an ¡ industrial ¡duct ¡fan. ¡

Red ¡Cedar ¡Technology, ¡which ¡is ¡a ¡wholly-­‑owned ¡subsidiary ¡of ¡CD-­‑adapco, ¡is ¡a ¡pioneer ¡ and ¡leader ¡in ¡providing ¡this ¡direct ¡opAmizaAon ¡technology. ¡ ¡Red ¡Cedar ¡provides ¡this ¡ technology ¡in ¡a ¡stand-­‑alone ¡mulA-­‑disciplinary ¡applicaAon ¡called ¡HEEDS ¡and ¡it ¡also ¡

• ffers ¡this ¡same ¡leading ¡technology ¡as ¡a ¡toolkit ¡that ¡can ¡be ¡embedded ¡by ¡third-­‑

parAes, ¡in ¡a ¡similar ¡manner ¡to ¡how ¡Parasolids ¡is ¡embedded ¡in ¡third-­‑party ¡

• applicaAons. ¡ ¡Already, ¡a ¡number ¡of ¡CAE ¡companies ¡have ¡chosen ¡to ¡embed ¡the ¡Red ¡

Cedar ¡Technology ¡into ¡their ¡applicaAons ¡for ¡opAmizaAon ¡of ¡CFD, ¡FEA, ¡MBD, ¡ manufacturing, ¡and ¡1-­‑D ¡system ¡models. ¡ 13 ¡

14 ¡ You ¡can ¡find ¡Red ¡Cedar ¡Technology ¡in ¡many ¡common ¡CAE ¡tools, ¡including ¡the ¡four ¡ shown ¡here ¡covering ¡a ¡broad ¡segment ¡of ¡the ¡market. ¡ 14 ¡

Red ¡Cedar ¡Direct ¡OpAmizaAon ¡Technology ¡is ¡targeted ¡primarily ¡at ¡the ¡markets ¡of ¡life ¡ sciences, ¡ground ¡vehicles, ¡aerospace, ¡agriculture, ¡electronics, ¡and ¡energy. ¡ ¡ 15 ¡

Within ¡those ¡markets, ¡Red ¡Cedar ¡Technology ¡is ¡typically ¡applied ¡to ¡crash, ¡NVH, ¡linear ¡ and ¡nonlinear ¡stress, ¡moAon, ¡composites, ¡CFD, ¡and ¡thermal ¡problems. ¡ 16 ¡

As ¡I ¡menAoned ¡previously, ¡the ¡technology ¡from ¡Red ¡Cedar ¡is ¡available ¡both ¡in ¡a ¡ stand-­‑alone ¡product ¡called ¡HEEDS ¡and ¡in ¡embedded ¡tools, ¡such ¡as ¡the ¡OpAmate+ ¡ product ¡from ¡CD-­‑adapco. ¡ ¡The ¡OpAmate+ ¡product ¡is ¡a ¡plug-­‑in ¡for ¡STAR-­‑CCM+ ¡that ¡ allows ¡users ¡to ¡perform ¡process ¡automaAon ¡and ¡complete ¡CFD ¡design ¡space ¡ exploraAon ¡directly ¡within ¡the ¡STAR-­‑CCM+ ¡user ¡interface ¡environment. ¡ ¡All ¡ automaAon ¡scripts ¡are ¡included ¡for ¡the ¡user. ¡ ¡This ¡product ¡comes ¡in ¡two ¡

• configuraAons. ¡ ¡The ¡OpAmate ¡configuraAon ¡allows ¡the ¡user ¡to ¡perform ¡DOEs ¡and ¡

design ¡sweeps, ¡while ¡the ¡OpAmate+ ¡configuraAon ¡allows ¡for ¡direct ¡opAmizaAon ¡with ¡ the ¡most ¡advanced ¡hybrid ¡adapAve ¡search ¡algorithm ¡available ¡today. ¡ ¡The ¡next ¡few ¡ slides ¡illustrate ¡some ¡of ¡the ¡problems ¡that ¡have ¡been ¡solved ¡with ¡OpAmate ¡and ¡ OpAmate+. ¡ 17 ¡

This ¡is ¡an ¡example ¡of ¡STAR-­‑CCM+ ¡and ¡Op8mate+ ¡being ¡used ¡to ¡op8mize ¡a ¡ computer ¡cooling ¡system. ¡ ¡ The ¡computer ¡manufacturer ¡wanted ¡to ¡find ¡the ¡best ¡fan ¡locaAon ¡and ¡geometric ¡heat ¡ sink ¡design ¡that ¡would ¡yield ¡opAmal ¡cooling ¡of ¡the ¡integrated ¡circuits ¡while ¡requiring ¡ minimal ¡heat ¡sink ¡mass. ¡ ¡The ¡direct ¡opAmizaAon ¡search ¡algorithm ¡inside ¡of ¡OpAmate + ¡varied ¡these ¡design ¡variables ¡to ¡quickly ¡find ¡that ¡the ¡fan ¡locaAon ¡should ¡be ¡located ¡ in ¡the ¡upper ¡far ¡le& ¡locaAon ¡shown ¡and ¡each ¡heat ¡sink ¡should ¡have ¡the ¡pin ¡density ¡ and ¡taper ¡shape ¡shown ¡here. ¡ ¡OpAmate+ ¡takes ¡the ¡guess ¡work ¡out ¡of ¡discovering ¡ be8er ¡designs, ¡faster! ¡ 18 ¡

19 19

In ¡this ¡example, ¡STAR-­‑CCM+ ¡and ¡OpAmate+ ¡were ¡used ¡to ¡opAmize ¡the ¡gasket ¡design ¡of ¡a ¡cooling ¡ jacket ¡in ¡an ¡8-­‑cylinder ¡internal ¡combusAon ¡engine. ¡ ¡The ¡iniAal ¡design ¡had ¡excessive ¡temperatures ¡in ¡ the ¡head ¡and ¡had ¡excessive ¡variaAon ¡of ¡temperatures ¡across ¡the ¡head ¡and ¡block. ¡ ¡The ¡objecAve ¡of ¡the ¡

• pAmizaAon ¡was ¡to ¡maximize ¡temperature ¡uniformity ¡while ¡reducing ¡the ¡overall ¡average ¡

temperatures ¡across ¡the ¡head ¡and ¡block. ¡ ¡Thirty ¡design ¡variables ¡were ¡idenAfied. ¡These ¡included ¡the ¡ posiAon ¡and ¡size ¡of ¡ten ¡gasket ¡holes ¡allowing ¡cooling ¡fluid ¡to ¡circulate ¡between ¡the ¡head ¡and ¡block. ¡ ¡ OpAmate+ ¡efficiently ¡explored ¡the ¡design ¡space ¡and ¡determined ¡that ¡the ¡iniAal ¡design ¡allowed ¡too ¡ much ¡cooling ¡fluid ¡through ¡the ¡gasket ¡next ¡to ¡the ¡inlet ¡prevenAng ¡enough ¡cooling ¡fluid ¡from ¡reaching ¡ further ¡porAons ¡of ¡the ¡block. ¡ ¡By ¡opAmizing ¡the ¡shape ¡and ¡locaAons ¡of ¡the ¡gasket ¡holes, ¡OpAmate+ ¡ discovered ¡a ¡design ¡that ¡increased ¡temperature ¡uniformity ¡by ¡18% ¡and ¡reduced ¡overall ¡average ¡ temperatures ¡in ¡the ¡head ¡and ¡block ¡by ¡21.5%. ¡ ¡In ¡the ¡final ¡design, ¡you ¡can ¡see ¡that ¡much ¡greater ¡ distribuAon ¡of ¡cooling ¡fluid ¡is ¡achieved. ¡ ¡This ¡problem ¡took ¡3.5 ¡man-­‑hours ¡to ¡set-­‑up ¡and ¡83 ¡computer ¡ hours ¡to ¡complete. ¡

Nathan ¡Richardson ¡at ¡Lockheed ¡MarAn ¡Missiles ¡and ¡Fire ¡Control ¡wanted ¡to ¡test ¡out ¡ OpAmate+ ¡with ¡what ¡he ¡considered ¡the ¡ “gold ¡standard” ¡of ¡opAmizaAon. ¡ ¡ ¡That ¡is, ¡he ¡wanted ¡to ¡take ¡a ¡realisAc ¡aerospace ¡ vehicle; ¡apply ¡mulAple, ¡complicated ¡and ¡compeAng ¡objecAves; ¡ define ¡many ¡design ¡variables ¡based ¡on ¡complex ¡geometry; ¡run ¡a ¡significant ¡number ¡

• f ¡design ¡evaluaAons; ¡and ¡have ¡the ¡opAmizaAon ¡algorithm ¡determine ¡an ¡opAmal ¡
• design. ¡

¡ He ¡built ¡a ¡fully ¡parametric ¡glider ¡geometry ¡and ¡CFD ¡model ¡in ¡STAR-­‑CCM+ ¡and ¡used ¡ OpAmate+ ¡to ¡find ¡the ¡best ¡design ¡tradeoff ¡between ¡ wing ¡strength ¡and ¡peak ¡trimmed ¡li&/drag ¡raAo ¡in ¡200 ¡evaluaAons. ¡ ¡In ¡the ¡version ¡of ¡ STAR-­‑CCM+ ¡that ¡he ¡was ¡using, ¡he ¡had ¡to ¡slightly ¡simplify ¡the ¡geometry ¡due ¡to ¡ constraints ¡on ¡geometry ¡creaAon, ¡but ¡he ¡was ¡able ¡to ¡successfully ¡use ¡OpAmate ¡to ¡ find ¡an ¡opAmal ¡design ¡with ¡53 ¡design ¡variables. ¡ ¡Later, ¡the ¡more ¡complex ¡geometry ¡ was ¡parametrically ¡defined ¡in ¡Pro/Engineer ¡and ¡linked ¡to ¡STAR-­‑CCM+ ¡in ¡the ¡mulA-­‑ disciplinary ¡HEEDS ¡opAmizaAon ¡tool, ¡and ¡the ¡study ¡was ¡performed ¡over ¡again ¡with ¡ 134 ¡design ¡variables ¡and ¡300 ¡evaluaAons. ¡ 20 ¡

Those ¡last ¡three ¡case ¡studies ¡demonstrated ¡how ¡the ¡Red ¡Cedar ¡direct ¡opAmizaAon ¡ technology ¡embedded ¡inside ¡of ¡the ¡OpAmate+ ¡plug-­‑in ¡for ¡STAR-­‑CCM+ ¡can ¡be ¡used ¡to ¡

• pAmize ¡designs ¡for ¡CFD. ¡ ¡The ¡same ¡leading ¡opAmizaAon ¡technology ¡is ¡available ¡in ¡a ¡

stand-­‑alone ¡mulA-­‑disciplinary ¡product ¡called ¡HEEDS. ¡ ¡While ¡OpAmate+ ¡was ¡solely ¡ focused ¡on ¡CFD ¡and ¡heat ¡transfer, ¡HEEDS ¡can ¡be ¡applied ¡to ¡process ¡chains ¡that ¡ involve ¡FEA, ¡MBD, ¡CFD, ¡automaAc ¡controls, ¡cosAng ¡with ¡Excel, ¡and ¡many ¡other ¡ simulaAon ¡tools. ¡ ¡HEEDS ¡includes ¡a ¡drag-­‑and-­‑drop ¡process ¡automaAon ¡capability ¡ shown ¡in ¡the ¡upper ¡graphic ¡on ¡this ¡slide. ¡ ¡Once ¡the ¡process ¡is ¡defined ¡and ¡ appropriate ¡HPC ¡resources ¡are ¡allocated, ¡HEEDS ¡performs ¡opAmizaAon, ¡robustness ¡ studies, ¡and ¡sensiAvity ¡assessments. ¡ ¡A ¡few ¡case ¡studies ¡involving ¡the ¡use ¡of ¡HEEDS ¡ are ¡shown ¡on ¡the ¡following ¡pages. ¡ 21 ¡

In ¡this ¡example, ¡the ¡side ¡members ¡of ¡an ¡automoAve ¡seat ¡frame ¡were ¡opAmized ¡for ¡ geometry, ¡material, ¡and ¡thickness. ¡ ¡ HEEDS ¡was ¡used ¡in ¡this ¡case ¡since ¡the ¡process ¡involved ¡mesh ¡morphing ¡with ¡ HyperMorph, ¡crash ¡simulaAon ¡with ¡LS-­‑DYNA, ¡NVH ¡with ¡MSC ¡Nastran, ¡and ¡cosAng ¡ analysis ¡with ¡Excel. ¡ ¡ The ¡objecAve ¡of ¡the ¡opAmizaAon ¡was ¡to ¡improve ¡the ¡performance ¡of ¡the ¡seat ¡in ¡a ¡ rear ¡impact ¡crash ¡while ¡maintaining ¡good ¡NVH ¡behavior ¡and ¡minimizing ¡seat ¡mass ¡ and ¡cost. ¡ ¡ By ¡exploring ¡a ¡design ¡space ¡of ¡11 ¡variables ¡involving ¡geometry, ¡gauge, ¡and ¡grade; ¡ HEEDS ¡discovered ¡a ¡design ¡that ¡reduced ¡cost ¡by ¡33% ¡and ¡weight ¡by ¡25% ¡relaAve ¡to ¡ the ¡baseline ¡design. ¡ ¡ ¡ This ¡problem ¡was ¡used ¡by ¡JCI ¡as ¡a ¡benchmark ¡of ¡exisAng ¡opAmizaAon ¡so&ware ¡and ¡

• algorithms. ¡Compared ¡to ¡the ¡best ¡design ¡found ¡by ¡any ¡other ¡op+mizer ¡that ¡was ¡used, ¡

HEEDS ¡found ¡a ¡design ¡that ¡was ¡10% ¡lighter ¡and ¡12% ¡cheaper. ¡This ¡represented ¡a ¡ savings ¡of ¡over ¡$1 ¡Million, ¡plus ¡a ¡significant ¡compeAAve ¡advantage. ¡ ¡ ¡ 22 ¡

Although ¡many ¡automoAve ¡manufacturers ¡conAnue ¡to ¡rely ¡on ¡DOE ¡techniques ¡to ¡ deliver ¡small ¡improvements ¡in ¡Body-­‑In-­‑White ¡weight ¡savings, ¡these ¡techniques ¡aren’t ¡ sufficient ¡to ¡invesAgate ¡the ¡larger ¡number ¡of ¡design ¡variables ¡and ¡ranges ¡required ¡to ¡ deliver ¡extensive ¡weight ¡reducAons ¡mandated ¡by ¡new ¡government ¡regulaAons. ¡ ¡ EDAG ¡is ¡working ¡on ¡designing ¡body-­‑in-­‑white ¡structures ¡for ¡future ¡vehicles ¡which ¡will ¡ have ¡much ¡lower ¡mass ¡but ¡will ¡have ¡similar ¡cost ¡and ¡performance. ¡ They ¡turned ¡to ¡HEEDS ¡to ¡perform ¡highly ¡constrained ¡opAmizaAon ¡in ¡a ¡six-­‑sigma ¡

• process. ¡ ¡Different ¡strength ¡steels ¡were ¡used ¡in ¡various ¡parts ¡of ¡the ¡BIW ¡to ¡achieve ¡
• pAmal ¡strength, ¡mass, ¡and ¡cost. ¡ ¡ ¡A ¡total ¡of ¡484 ¡design ¡variables ¡were ¡explored ¡

during ¡simulaAons ¡of ¡crash, ¡NVH, ¡and ¡durability. ¡ ¡A&er ¡just ¡250 ¡evaluaAons, ¡HEEDS ¡ found ¡49 ¡feasible ¡designs ¡and ¡discovered ¡one ¡robust ¡design ¡that ¡resulted ¡in ¡an ¡18% ¡ weight ¡reducAon. ¡ 23 ¡

HEEDS ¡is ¡also ¡applied ¡regularly ¡in ¡the ¡aerospace ¡industry. ¡ Since ¡aircra& ¡structural ¡shape ¡is ¡largely ¡driven ¡by ¡aerodynamics, ¡the ¡challenge ¡of ¡reducing ¡structural ¡weight ¡o&en ¡means ¡considering ¡changes ¡to ¡composite ¡construcAon, ¡including ¡varying ¡the ¡number ¡of ¡plies, ¡the ¡orientaAon ¡of ¡the ¡plies, ¡and ¡the ¡materials ¡ used ¡(fabric ¡or ¡uni-­‑direcAonal), ¡such ¡that ¡the ¡mass ¡of ¡the ¡structural ¡components ¡are ¡minimized ¡while ¡Tsai-­‑Wu ¡failure ¡criteria ¡and ¡buckling ¡constraints ¡are ¡met ¡for ¡all ¡load ¡cases. ¡ ¡ ¡ This ¡opAmizaAon ¡of ¡an ¡unmanned ¡aerial ¡vehicle ¡included ¡a ¡large ¡number ¡of ¡variables, ¡but ¡also ¡mixed ¡types ¡of ¡variables ¡– ¡both ¡discrete ¡(material ¡properAes) ¡and ¡conAnuous. ¡ ¡ Nastran ¡was ¡used ¡to ¡model ¡the ¡composite ¡structures. ¡ ¡All ¡together, ¡there ¡were ¡212 ¡design ¡variables, ¡20 ¡load ¡cases, ¡and ¡constraints ¡on ¡composite ¡failure ¡criterion ¡and ¡buckling. ¡1800 ¡simulaAons ¡were ¡performed. ¡ ¡ By ¡reducing ¡the ¡number ¡of ¡plies ¡in ¡certain ¡regions ¡and ¡increasing ¡the ¡number ¡of ¡plies ¡in ¡other ¡regions, ¡HEEDS ¡MDO ¡was ¡able ¡to ¡opAmize ¡the ¡interacAons ¡of ¡the ¡many ¡components ¡in ¡the ¡fuselage. ¡This ¡redistribuAon ¡of ¡weight, ¡along ¡with ¡the ¡modificaAon ¡of ¡ ply ¡orientaAons, ¡allowed ¡HEEDS ¡to ¡find ¡a ¡design ¡that ¡reduced ¡the ¡overall ¡structural ¡mass ¡by ¡10%, ¡while ¡ensuring ¡all ¡constraints ¡were ¡met! ¡ With ¡the ¡20 ¡load ¡cases ¡present, ¡over ¡35% ¡of ¡the ¡designs ¡evaluated ¡during ¡the ¡opAmizaAon ¡were ¡found ¡to ¡be ¡infeasible, ¡a ¡testament ¡to ¡the ¡difficult ¡design ¡landscapes ¡typical ¡of ¡these ¡types ¡of ¡composite ¡problems. ¡ ¡ ¡ ¡ ¡

24 ¡

HEEDS ¡is ¡also ¡applied ¡regularly ¡to ¡problems ¡of ¡vehicle ¡handling ¡and ¡ride ¡quality ¡ involving ¡mul8body ¡dynamic ¡simula8ons. ¡ Pra8 ¡& ¡Miller ¡engineers ¡were ¡asked ¡to ¡design ¡the ¡suspension ¡for ¡a ¡military ¡vehicle ¡ that ¡was ¡supposed ¡to ¡be ¡able ¡to ¡saAsfy ¡the ¡NATO ¡AVTP ¡03-­‑160W ¡lane ¡change ¡ maneuver ¡at ¡speeds ¡ranging ¡from ¡45 ¡– ¡50 ¡mph. ¡ HEEDS ¡was ¡used ¡with ¡ADAMS/Car ¡and ¡ADAMS/Driver ¡to ¡find ¡at ¡least ¡one ¡feasible ¡ driver ¡trajectory ¡that ¡would ¡saAsfy ¡the ¡lane ¡change ¡requirements. ¡ ¡ ¡ A&er ¡129 ¡evaluaAons, ¡HEEDS ¡had ¡found ¡a ¡suitable ¡driver ¡trajectory ¡that ¡cleared ¡the ¡ cones ¡with ¡all ¡four ¡wheels. ¡ ¡ The ¡design ¡space ¡was ¡highly ¡constrained ¡and ¡most ¡designs ¡evaluated ¡were ¡infeasible ¡ due ¡to ¡roll-­‑over ¡from ¡limit ¡handling. ¡ Pra8 ¡& ¡Miller ¡had ¡previously ¡tried ¡other ¡compeAAve ¡opAmizaAon ¡tools ¡and ¡DOE ¡ methods, ¡but ¡were ¡unable ¡to ¡find ¡any ¡so&ware ¡that ¡reliably ¡delivered ¡the ¡number ¡ and ¡quality ¡of ¡feasible ¡designs ¡produced ¡by ¡HEEDS ¡for ¡their ¡highly ¡constrained ¡

• problems. ¡

25 ¡

The ¡reason ¡that ¡OpAmate+ ¡and ¡HEEDS ¡are ¡able ¡to ¡deliver ¡be8er ¡performance ¡than ¡

• ther ¡opAmizaAon ¡so&ware ¡is ¡due ¡to ¡its ¡proprietary ¡hybrid, ¡adapAve ¡search ¡

algorithm ¡called ¡SHERPA. ¡ ¡ ¡ SHERPA ¡doesn’t ¡just ¡use ¡one ¡strategy ¡to ¡explore ¡a ¡complex ¡design ¡space, ¡but ¡rather ¡ blends ¡many ¡search ¡strategies ¡simultaneously ¡and ¡adapts ¡its ¡performance ¡ throughout ¡the ¡opAmizaAon ¡process. ¡ 26 ¡

Due ¡to ¡its ¡hybrid, ¡adapAve ¡behavior, ¡SHERPA ¡is ¡simpler ¡to ¡deploy, ¡more ¡robust ¡in ¡discovering ¡good ¡designs, ¡and ¡ much ¡more ¡efficient ¡than ¡compeAng ¡technologies. ¡ Engineers ¡no ¡longer ¡need ¡to ¡be ¡experts ¡in ¡opAmizaAon ¡to ¡achieve ¡great ¡results. ¡ ¡SHERPA ¡requires ¡no ¡algorithm ¡ selecAon ¡or ¡tuning. ¡ ¡The ¡user ¡only ¡needs ¡to ¡define ¡the ¡number ¡of ¡evaluaAons ¡to ¡perform. ¡ This ¡makes ¡SHERPA ¡the ¡perfect ¡choice ¡to ¡help ¡you ¡drive ¡innovaAon ¡through ¡simulaAon. ¡ ¡

27 ¡

28 ¡ This ¡slide ¡illustrates ¡the ¡advantage ¡of ¡using ¡a ¡hybrid ¡opAmizaAon ¡strategy. ¡ ¡ ¡ We’re ¡considering ¡a ¡sample ¡mathemaAcal ¡funcAon ¡shown ¡here ¡that ¡is ¡very ¡mulA-­‑ modal, ¡meaning ¡it ¡has ¡lots ¡of ¡peaks ¡and ¡valleys. ¡ ¡In ¡fact, ¡the ¡graph ¡of ¡this ¡funcAon ¡for ¡ just ¡two ¡variables ¡is ¡shown ¡in ¡the ¡upper ¡right. ¡ ¡But, ¡we’re ¡considering ¡a ¡case ¡with ¡20 ¡ variables ¡which ¡is ¡much ¡more ¡difficult ¡to ¡visualize. ¡ ¡The ¡challenge ¡for ¡an ¡opAmizaAon ¡ strategy ¡is ¡to ¡find ¡the ¡minimum ¡value ¡of ¡this ¡funcAon ¡among ¡all ¡the ¡valleys. ¡ ¡Here ¡ we’ve ¡compared ¡the ¡performance ¡of ¡all ¡of ¡the ¡standard ¡techniques ¡in ¡compeAAve ¡ so&ware ¡with ¡the ¡performance ¡of ¡the ¡SHERPA ¡strategy ¡in ¡HEEDS. ¡ ¡You ¡can ¡see ¡how ¡ SHERPA ¡combines ¡the ¡strengths ¡of ¡all ¡of ¡these ¡strategies ¡to ¡deliver ¡the ¡best ¡ performance ¡by ¡far. ¡

28 ¡

I ¡hope ¡that ¡this ¡short ¡presentaAon ¡has ¡shown ¡you ¡how ¡the ¡state-­‑of-­‑the-­‑art ¡in ¡direct ¡ design ¡opAmizaAon ¡can ¡be ¡deployed ¡to ¡help ¡you ¡discover ¡be8er ¡designs, ¡faster. ¡ ¡ Now, ¡it ¡is ¡up ¡to ¡you ¡to ¡implement ¡these ¡five ¡steps ¡in ¡your ¡CAE ¡processes ¡to ¡drive ¡ greater ¡product ¡innovaAon. ¡ ¡ Thank ¡you ¡for ¡your ¡a8enAon. ¡ 29 ¡