Updates für Studien und Löser
Unterstützung für NVIDIA® GPUs
Es wurde GPU-Unterstützung für Druckakustik und das Training von Ersatzmodellen hinzugefügt. Diese Funktionalität ist für Systeme verfügbar, die mit einer kompatiblen NVIDIA® GPU ausgestattet sind.
GPU-Beschleunigung für zeitexplizite Druckakustik
Lineare zeitabhängige Druckakustikmodelle können jetzt mithilfe einer beschleunigten Formulierung gelöst werden, die realistische Randbedingungen für die Impedanz unterstützt. Diese Beschleunigung kann erheblich gesteigert werden, wenn dazu eine NVIDIA® GPU-Karte verwendet wird, wobei der Leistungsgewinn von der Hardware abhängt. Um diese Funktionalität zu aktivieren, muss ein CUDA® Toolkit installiert werden. (Der Pfad des Toolkits kann während der Installation angegeben werden.) Diese Funktionalität ist im Tutorial-Modell Acoustics of an Open-Plan Office Space zu sehen. Weitere Informationen finden Sie in den Release Highlights für das Acoustics Module.
GPU-Beschleunigung für das Trainieren von DNN-Ersatzmodellen
Es wurde eine GPU-Unterstützung für das Training von DNN-Ersatzmodellen hinzugefügt, die den Trainingsprozess erheblich beschleunigt und eine schnellere Entwicklung von Ersatzmodellen für die Verwendung in Apps und verschiedenen Simulationskontexten ermöglicht. Um diese Funktion zu aktivieren, stellen Sie sicher, dass die Option CUDA DNN Support auf der Seite Products des COMSOL-Installationsprogramms ausgewählt ist. Zusätzlich muss das NVIDIA® CUDA® Toolkit installiert werden, das von der NVIDIA® Website heruntergeladen werden kann.
Verbesserungen bei der Generierung von Daten für Ersatzmodelle
Die Generierung von raum-, zeit- und frequenzabhängigen Daten zur Verwendung in DNN-Ersatzmodellen ist jetzt deutlich einfacher.
Im neuen Untermenü Surrogate Model Sampling innerhalb der Definitions für Modellkomponenten ist eine Option Geometry Sampling verfügbar. Dieses Feature ermöglicht das Datensampling direkt in Gebieten, an Rändern, entlang von Kanten oder auf Punkten, wodurch die Notwendigkeit von Export- oder Import-Workflows entfällt.
Zusätzlich ermöglicht eine neue Option Study-dependent input in der Studie Surrogate Model Training die Einbeziehung von zeitabhängigen oder Frequenz-Sweep-Ergebnissen in die Trainingsdaten. Dies vereinfacht die Einbindung dynamischer oder frequenzabhängiger Daten in Ersatzmodelle.
Optimierung
Diskreter Lösertyp
Für eine optimale Steuerung und zeitabhängige Parameterschätzung steht ein neuer Adjoint-Lösertyp Time discrete zur Verfügung. Dieser Lösertyp basiert auf einer diskreten Sensitivitätsmethode, die eine verbesserte Robustheit, Genauigkeit und Leistung für die gradientenbasierte Optimierung mit dem Time-Dependent Solver bietet.
Bei Problemen mit der Schätzung transienter Parameter werden mit den Löser-Algorithmen Sparse Nonlinear Optimizer (SNOPT) oder Interior Point Optimizer (IPOPT) erhebliche Geschwindigkeitsverbesserungen erzielt. Dies ist auf die aggregierte Sensitivität des gesamten Ziels zurückzuführen, das in einem einzigen Durchlauf berechnet wird, anstatt separate Berechnungen für jeden Messpunkt durchzuführen. Die vorherige kontinuierliche Sensitivitätsmethode ist weiterhin verfügbar, aber nicht mehr die Standardmethode für die transiente Optimierung.
Sowohl die diskreten als auch die kontinuierlichen Methoden reduzieren den Speicherverbrauch durch Checkpointing, bei dem die Vorwärtslösung neu berechnet wird. Darüber hinaus gibt es eine neue Option Out-of-core, die alternativ für die Vorwärtslösungsbehandlung verwendet werden kann und stattdessen temporären Festplattenspeicher verwendet, um eine Neuberechnung zu vermeiden.
Efficient Global Optimization
Es wurde ein neuer Gradienten-freier Optimierungslöser eingeführt, der den Algorithmus Efficient Global Optimization (EGO) verwendet. Dieser Löser eignet sich gut für die Lösung von Optimierungsproblemen mit mehreren lokalen Optima, da er keine anfängliche Schätzung der Kontrollparameter erfordert und weniger anfällig dafür ist, in einem lokalen Minimum gefangen zu werden. Dadurch eignet er sich besonders für anspruchsvolle Optimierungsprobleme, wie sie beispielsweise bei Frequenzbereichsanalysen auftreten.
Der EGO-Löser ist aufgrund seiner globalen Suchstrategie zwar langsamer als lokale Optimierungsmethoden, bietet jedoch wertvolle Robustheit bei der Navigation durch komplexe Lösungslandschaften. Nach der Ausführung des EGO-Lösers wird empfohlen, die Ergebnisse mit einer lokalen Optimierungsmethode weiterzuverarbeiten, um die Lösung zu verfeinern. Darüber hinaus ermöglicht der Löser die Überprüfung des zugrunde liegenden Ersatzmodells, das für die Analyse verwendet wird, und bietet so weitere Einblicke in den Optimierungsprozess.
Nichtlinearer Eigenwertlöser und verbesserte Sortierung
Ein neuer nichtlinearer Eigenwertlöser auf Basis der ARPACK-Bibliothek ist jetzt als Option innerhalb des Eigenwertlösers verfügbar, wodurch manuelle Iterationen bei der Lösung nichtlinearer Eigenwerte überflüssig werden. Dies ist nützlich für die Strukturanalyse mit viskoelastischen Materialien, die Analyse elektromagnetischer Moden und vieles mehr.
Zusätzlich wurde ein neuer Abschnitt Filtering and Sorting zu den Einstellungen der Studienschritte Eigenvalue, Eigenfrequency und Boundary Mode Analysis hinzugefügt. Dadurch ist es möglich, Filterausdrücke wie real(freq) + 1e-6 > 0 anzuwenden und Eigenlösungen nach verschiedenen Kriterien wie reelle oder imaginäre Teile, ihre Größen oder Absolutwerte in aufsteigender oder absteigender Reihenfolge zu sortieren. Sortieroptionen sind auch in den Feature-Knoten Eigenvalue Solver und Combine Solutions verfügbar, wenn mit eigenwertartigen Lösungen gearbeitet wird.
Proper Orthogonal Decomposition (POD)
Eine neue Methode zur Modellreduktion, POD, wurde hinzugefügt. Die Grundidee von POD besteht darin, Momentaufnahmen eines Modells zu verwenden, um eine Zerlegung eines physikalischen Feldes unter Verwendung von Ideen aus der Hauptkomponentenanalyse durchzuführen. POD kann bei Problemen nützlich sein, die im Frequenzbereich parametrisiert sind.
Verbesserungen von Lösern
Adaptive Toleranz für lineare Löser
Bei der Lösung nichtlinearer Probleme ist es jetzt möglich, die Toleranz im linearen Löser adaptiv zu variieren. Dies kann zu erheblichen Beschleunigungen führen. Diese Methode verwendet die Fehlerabschätzung des nichtlinearen Lösers, um mit geringerer Genauigkeit zu lösen, wenn die Lösung weit entfernt ist, und mit höherer Genauigkeit, wenn die Konvergenz näher rückt. Die adaptive Toleranz im linearen Löser wird für die Dämpfungsmethode Constant unterstützt. Sie wird auch zusammen mit der Pseudo-Zeitschritt-Methode unterstützt, die bei stationären CFD-Problemen beliebt ist.
Skalierung für Algebraic Multigrid (AMG)
Die Zeilenskalierung für die AMG-Methode kann jetzt automatisch bestimmt werden. Wenn Sie Row equilibration unter dem Knoten Advanced des Knotens Stationary Solver aktivieren, wird automatisch eine geeignete Skalierung für den Multigrid-Löser ausgewählt.
