Se dispone de dos solver directos y un solver iterativo para la solución del conjunto de ecuaciones.
En el análisis de elementos finitos, un problema está representado por un grupo de ecuaciones algebraicas que deben ser resueltas de manera simultánea. Existen dos clases de métodos de solución: directo e iterativo.
Los métodos directos resuelven ecuaciones por medio de técnicas numéricas exactas. Los métodos iterativos resuelven ecuaciones por medio de técnicas de aproximación, según las cuales en cada iteración se supone una solución y se evalúan los errores asociados. Las iteraciones continúan hasta que los errores se tornan aceptables.
El software ofrece las siguientes opciones:
|
Automático
|
El software selecciona el solver a partir del tipo de estudio, opciones de análisis, condiciones de contacto, etc. Algunas opciones y condiciones sólo se aplican a Direct Sparse o a FFEPlus. |
|
Solver tipo Direct Sparse
|
Seleccione Direct Sparse:- Cuando disponga de suficiente memoria RAM y varias CPU en su equipo.
- Al resolver modelos con un contacto sin penetración.
- Al resolver modelos de piezas con propiedades de materiales muy diferentes.
Por cada 200 000 GDL, necesita 1 GB de RAM para el análisis estático lineal. El solver Direct Sparse requiere unas 10 veces más memoria RAM que el solver FFEPlus.
|
|
Solver tipo FFEPlus (iterativo)
|
El solver FFEPlus utiliza técnicas avanzadas de reordenamiento de matriz que lo hacen más eficaz para la resolución de problemas de envergadura. Por lo general, el solver tipo FFEPlus es más veloz a la hora de resolver grandes problemas y su eficacia aumenta a medida que lo hace la envergadura del problema. Por cada 2 000 000 GDL, necesita 1 GB de RAM.
|
|
Direct Sparse para problemas grandes
|
Al aprovechar los algoritmos de asignación de memoria mejorados, el solver tipo Direct Sparse para problemas grandes puede trabajar con los problemas de simulación que sobrepasan la memoria física de su equipo. Si selecciona originalmente el solver Direct Sparse y, a causa de los recursos limitados de la memoria ha alcanzado una solución de memoria virtual, aparecerá un mensaje de advertencia que le indicará que cambie a Direct Sparse para problemas grandes.
El solver Direct Sparse para problemas grandes (LPDS) es más eficaz que los solvers FFEPlus y Direct Sparse a la hora de sacar provecho a varios núcleos.
|
|
Direct Sparse de Intel
|
El solver Direct Sparse de Intel se encuentra disponible para estudios estáticos, térmicos, de frecuencia, dinámicos lineales y no lineales. Al aprovechar los algoritmos de asignación de memoria mejorados y la capacidad de procesamiento de múltiples núcleos, el solver Direct Sparse de Intel mejora las velocidades de solución de problemas de simulación que se solucionan en el núcleo.
|
Elegir un solver
La opción Automático para un solver es la opción predeterminada para los estudios Estático, Frecuencia, Pandeo y Térmico.
En el caso de problemas de contacto en varias áreas, donde el área de contacto se encuentra en varias iteraciones de contacto, se prefiere el solver Direct Sparse.
Si bien todos los solvers resultan eficaces para problemas pequeños (25,000 GDL o menos), puede haber grandes diferencias en el rendimiento (velocidad y uso de la memoria) al resolver problemas de mayor envergadura.
Si la memoria disponible en la computadora es menor que la requerida por el solver, éste utilizará espacio en disco para almacenar y recuperar información temporal. Cuando esto ocurra, aparecerá un mensaje advirtiendo que la solución no tiene espacio suficiente en el núcleo y el progreso de la solución se hará más lento. Si la cantidad de información a ser escrita en el disco es mucha, el progreso de la solución puede ser extremadamente lento. En estos casos (para estudios estáticos y no lineales), use el Direct Sparse para problemas grandes.
Los siguientes factores pueden ayudarlo a elegir el tipo de solver adecuado:
| Dimensión del problema |
Por lo general, el solver tipo FFEPlus es más veloz para resolver problemas con grados de libertad (GDL) superiores a 100.000. Cuanto mayor sea el problema, más eficaz resultará esta opción. |
| Recursos del equipo: La memoria RAM y el número de CPU disponibles (núcleos o los procesadores) |
El solver tipo Direct Sparse requiere unas 10 veces más memoria RAM que el solver FFEPlus. Es más rápido si cuenta con más memoria disponible en su equipo. El Direct Sparse para problemas grandes ofrece una capacidad de procesamiento multinúcleo y mejora la velocidad de la solución en estudios estáticos y no lineales. |
| Propiedades de material |
Cuando los módulos de elasticidad de los materiales usados en un modelo son muy diferentes (como acero y nailon), los métodos iterativos podrían ser menos exactos que los directos. En estos casos se recomiendan los solver directos. |
| Operaciones de análisis |
El análisis con contactos Sin penetración y de Unión rígida obligan a utilizar las ecuaciones de restricción que generalmente se resolverán más rápido con los solver directos. |
Dependiendo del tipo de estudio, se recomienda lo siguiente:
| Estático |
Use el Direct Sparse y el Direct Sparse para problemas grandes cuando tenga bastante memoria RAM y múltiples CPU para resolver:- Modelos con contacto Sin penetración, especialmente cuando activa los efectos de fricción.
- Modelos con piezas que tienen propiedades de materiales muy diferentes.
- Modelos con malla combinada
En un análisis estático lineal, el solver tipo Direct Sparse requiere 1 GB de RAM por cada 200.000 grados de libertad (GDL). El solver iterativo de FFEPlus es menos exigente en cuanto a memoria (2.000.000 GDL/1 GB de RAM aproximadamente).
|
| Frecuencia y pandeo |
Use el solver de FFEPlus para calcular modos de sólidos rígidos. Un sólido que no posee restricciones tiene seis modos de sólido rígido.
Use el solver Direct Sparse para:- Tener en cuenta el efecto de la carga en frecuencias naturales.
- Modelos con piezas que tienen propiedades de materiales muy diferentes.
- Modelos en los que una malla incompatible presenta una unión rígida con ecuaciones de restricción.
- Agregar muelles blandos para estabilizar modelos con un soporte inadecuado (estudios de pandeo).
Simulaciones que usan el método de iteración de Subspace como el método de la extracción de autovector para el solver Direct Sparse y el método Lanczos para el solver FFEPlus. Es más eficaz usar Lanczos con solvers iterativos como FFEPlus. Subspace puede utilizar las sustituciones hacia adelante y hacia atrás de los solvers Direct (Sparse) dentro de su bucle de iteración para evaluar los autovectores (sólo se debe descomponer la matriz una vez). Eso no es posible con solver iterativos.
|
| Térmico |
Los problemas térmicos tienen un grado de libertad (GDL) por nodo, y por eso su solución es generalmente mucho más rápida que la de los problemas estructurales con el mismo número de nodos. Para problemas muy grandes (con más de 500,00 GDL), use el Direct Sparse para problemas grandes o el solver FFEPlus. |
| No lineal |
Para los estudios no lineales que tienen más de 50.000 grados de libertad, el solver FFEPlus es más eficaz a la hora de dar una solución en menos tiempo. El solver tipo Direct Sparse para problemas grandes puede manejar aquellos casos en los que la solución no tenga espacio en el núcleo. |
Estado del solver
La ventana Estado del solver del solver aparece al ejecutar un estudio. Además de la información de progreso, muestra los siguientes datos:
- Uso de memoria
- Tiempo transcurrido
- Información específica del estudio, como los grados de libertad, el número de nodos o el número de elementos
- Información de solver como el tipo de solver
- Advertencias
Todos los estudios que utilizan el solver tipo FFEPlus (iterativo) permiten acceder al trazado de convergencia y a los parámetros del solver. El trazado de convergencia muestra cómo converge la solución. Los parámetros del solver permiten manipular las iteraciones del solver para mejorar la precisión o mejorar la velocidad con resultados menos precisos. Puede utilizar los valores predefinidos del solver o cambiar los siguientes elementos:
- El número máximo de iteraciones (P1)
- El umbral de detención (P2)
Para mejorar la precisión, disminuya el valor del umbral de detención. En situaciones de convergencia lenta, puede mejorar la velocidad con resultados menos precisos incrementando el valor del umbral de detención o disminuyendo el número máximo de iteraciones.