FAKULTET ELEKTROTEHNIKE, STROJARSTVA I BRODOGRADNJE - SPLIT

POSLIJEDIPLOMSKI DOKTORSKI STUDIJ STROJARSTVA

KVALIFIKACIJSKI ISPIT
(330)







DOPRINOS OPTIMIRANJU OBLIKA I TOPOLOGIJE
PRIMJENOM LEVEL SET METODE I
PARAMETRIZACIJE













Igor Pehnec




Prosinac 2011



Sadraj
1. Saetak i kljune rijei ...................................................................................................................... 2
2. Uvod i osnovni postupci .................................................................................................................. 3
2.1 Optimiranje.............................................................................................................................. 3
2.1.1 Definiranje fizikalnog modela: ......................................................................................... 4
2.1.2 Modeliranje: .................................................................................................................... 4
2.1.3 Kriterij izvrsnosti: ............................................................................................................. 4
2.1.4 Algoritam za rjeavanje problema ................................................................................... 4
2.2 Lagrange-ova formulacija ........................................................................................................ 5
2.3 Parametrizacija geometrije ..................................................................................................... 8
2.3.1 Opis geometrije Bezier-ovom krivuljom .......................................................................... 8
2.4 Problem mehanike vrstih tijela i princip virtualnih radova ................................................. 10
2.5 Princip minimuma ukupne potencijalne energije ................................................................. 14
2.6 Numerike metode rjeavanja .............................................................................................. 15
2.6.1 Metoda konanih elemenata ........................................................................................ 15
2.6.2 Metoda zamjenskog materijala - Ersatz material ...................................................... 18
2.6.3 Aproksimacija pomodu bezmrene metode - Radijalne bazne funkcije (RBF) .............. 18
2.7 Analiza osjetljivosti pri optimiranju ....................................................................................... 24
3. Topoloko optimiranje u mehanici vrstih tijela ........................................................................... 26
3.1 Klasini postupak i SIMP postupak topolokog optimiranja uvjeti optimuma ................... 27
3.1.1 Osjetljivost procesa ....................................................................................................... 28
3.1.2 Usklaivanje mree i postojanje rjeenja ...................................................................... 28
4. Level Set metoda ........................................................................................................................... 31
4.1 Rjeavanje metodom konanih razlika (klasini Upwinding postupak) ................................ 32
4.1.1 Teinske funkcije i definiranje podruja ........................................................................ 34
4.2 Interpolacijske funkcije za Level set funkciju .................................................................... 35
4.3 Jednadba gibanja level set funkcije i proces optimiranja .................................................... 37
4.4 Izvrsnost i funkcija cilja Level set plohe ................................................................................. 39
4.5 Dijagram toka gradijentnog postupka optimiranja pomodu RBF & Level set metode .......... 43
4.6 Dijagram toka negradijentnog postupka optimiranja genetskim algoritmom pomodu RBF &
Level set metode ............................................................................................................................... 44
5. Dosadanja istraivanja ................................................................................................................. 45
6. Zakljuak i daljnja istraivanja ....................................................................................................... 50
7. Literatura ....................................................................................................................................... 51
Prilog A: Odreivanje pomaka na aksijalno opteredenoj konzoli metodom konanih elemenata jakom
i slabom formulacijom ........................................................................................................................... 56
Prilog B: Aproksimacija opde funkcije 3D RBF RPIM metodom............................................................. 63
2


1. Saetak i kljune rijei

U ovom radu dan je pregled i temeljne postavke numerikih postupaka potrebnih za optimiranje i
aproksimaciju geometrije, te topoloko optimiranje level set metodom. Topoloko optimiranje i
optimiranje oblika koji je zadan implicitnom funkcijom sloen je i zahtijevan numeriki postupak zbog
velikog broja varijabli, rubnih uvjeta, te zbog mogudeg visokog stupnja nelinearnosti funkcija koje se
rjeavaju.

U drugom poglavlju opisane su temeljne postavke za opis i optimiranje oblika (geometrije), te neki
osnovni principi za numeriku analizu problema mehanike vrstih tijela. Geometrija se opisuje
parametarski, te su opisani i neki postupci parametrizacije.

Pri klasinom rjeavanju problema mehanike vrstih tijela oblik je zadan, te se odreuju naprezanja.
Meutim uvoenjem topolokog optimiranja u mehanici vrstih tijela (trede poglavlje) pojavljuje se
problem odreivanja dva nepoznata polja: polje pomaka i oblik, odnosno raspodjela materijala. Oblik
uzimamo kao varijablu pri optimiranju, te on kao takav nije zadan. Topolokim optimiranjem
mijenjamo strukturu domene. Postupak optimiranja postaje znatno sloeniji jer se pri promjeni
topologije mijenja domena koja se optimira, te se klasinim metodama rjeavanja problema
mehanike vrstih tijela za novi, topoloki promijenjen oblik, mora uraditi niz numeriki zahtjevnih
postupaka, koji znaajno usporavaju i kompliciraju proces optimiranja.

U etvrtom poglavlju opisana je level set metoda koja definira dimenzije, oblik i topologiju polja
problema. Level set metoda temelji se na implicitnoj funkciji ije nul toke definiraju rubove polja
problema. Level set funkciju moemo opisati parametarski, a promjena ove funkcije ima za posljedicu
promjenu oblika i topologije. U ovom poglavlju dan je i naelni blok dijagram level set metode za
gradijentni postupak i za ne-gradijentni postupak optimiranja.

Peto poglavlje daje osvrt na dosadanja istraivanja, te pregled literature vezane uz primjenjivane
postupke u ovom radu.


Kljune rijei: optimiranje, parametrizacija, RPIM aproksimacijska metoda, topoloko optimiranje,
level set

3

2. Uvod i osnovni postupci

2.1 Optimiranje

Optimiranje je postupak kojim se pri projektiranju ili planiranju odreuje najbolji mogudi izbor
slobodnih veliina na temelju prethodno odreenih kriterija.
U suvremenoj proizvodnji velika panja se posveduje optimiranju zbog utede resursa i vremena. U
inenjerskom smislu optimiranje je traenje ekstrema funkcije uz zadovoljavanje ogranienja.
Osnovni cilj optimiranja je minimiziranje trokova odnosno traenje maksimalne dobiti, to se svodi
na minimum mase, energije...
Standardni inenjerski pristup razvijanja nekog proizvoda izgledao je kao na Slika 1.


Slika 1 Stari inenjerski pristup.
Ovakav pristup vrio je analizu predloenog rjeenja i na osnovu te analize provjeravala se
funkcionalnost proizvoda. Meutim, tenja inenjera je povezati funkcionalnost i tehniko rjeenje,
to je shematski prikazano (Slika 2).

Slika 2 eljeni inenjerski pristup.
U procesu sinteze dozvoljeno je sve to nije zabranjeno. eljeni inenjerski pristup odnosno sinteza je
neizvediva, ali pojavom jakih raunala omogudena je simulacija sinteze (kvazisinteza) pomodu
optimizatora (Slika 3).

Slika 3 Simulacija pravog inenjerskog pristupa.
Predloeno rjeenje
Analiza
Provjera funkcionalnosti
Zadana funkcionalnost
Sinteza
Tehniko rjeenje
Predloeno rjeenje
Analiza
Funkcionalnost
Optimizator
4

Sada optimizator na osnovu zadanih parametara sam trai rjeenje, odnosno donosi odluke u danim
uvjetima na bazi kriterija izvrsnosti i ogranienja.

Postupak optimiranja obuhvada [1]:
- fizikalni model problema,
- modeliranje za optimiranje,
o varijable optimiranja,
o kriterij izvrsnosti,
o definiranje ogranienja
- matematiki izraz i ovisnost varijabli
- postavljanje algoritma za rjeavanje problema,
- izrada programa,
- testiranje programa.

Postoje tri razine optimiranja:
- Optimiranje dimenzija
- Optimiranje oblika i
- Topoloko optimiranje.
Optimiranje dimenzija i oblika rjeava se klasino parametrizacijom geometrije koja se optimira, te
mijenjanjem parametara kako bi se dobio optimalan oblik.
2.1.1 Definiranje fizikalnog modela:

Svaki fizikalni model objekta moe se predstavit parametrima i funkcijskim ovisnostima parametara.
Dva su fizikalna modela problema za pri optimiranju:
- Ako promatramo model kao geometrijsko tijelo, za definiranje geometrije tijela potrebne su nam
kontrolne toke odnosno znaajke geometrijskog modela potrebnih za njegov opis. Kontrolne
toke su u procesu optimiranja varijable optimiranja.
- Model problema mogu biti i uvjeti ravnotee, minimum energije, odnosno minimum trokova, bilo
da je rije o mehanici vrstih tijela, mehanici fluida, termodinamici,
Varijable optimiranja x predstavljaju viak internih stupnjeva slobode fizikalnog modela, ime se
osigurava postojanje beskonanog skupa rjeenja promatranog problema. Na taj nain ispunjena je
osnovna pretpostavka za odreivanje optimalnog rjeenja.
2.1.2 Modeliranje:

Modeliranjem se u procesu optimiranja opisuju fizikalne pojave ili geometrija pomodu matematikih
funkcija. Modeliranjem se odreuju ogranienja odnosno uvjeti koje rjeenja moraju zadovoljavati i
parametri modela.
2.1.3 Kriterij izvrsnosti:

Predstavlja osnovu za matematiku izgradnju funkcije cilja. On prosuuje koja su moguda rjeenja
promatranog problema najbolja - .
Funkcija cilja opisuje se pomodu varijabli optimiranja, na taj se nain promjenom varijabli mijenja
funkcija cilja prema optimalnom rjeenju.
2.1.4 Algoritam za rjeavanje problema

Algoritam sadri popis niza postupaka koje treba izvravati zadanim redoslijedom da bi se dobilo
rjeenje odreenog problema. Algoritam se implementira u program raunala, gdje se problem
numeriki rjeava.
5

2.2 Lagrange-ova formulacija

U koliko je potrebno pronadi minimum funkcije (2.1) sa jednakosnim ogranienjima (2.2):

(2.1)

(2.2)
Uvjet postojanja ekstrema funkcije je:

(2.3)
Uvjet ekstrema funkcija ogranienja

je:

(2.4)
Ako se nalazimo u ekstremu, iz prethodnih jednadbi (2.3) i (2.4), moemo zakljuiti da promjena
funkcije cilja zbrojena sa promjenom funkcija ogranienja daje nulu.

(2.5)
Jednadbe (2.2) i (2.5) daju n+r jednadbi za odreivanje x i .
Lagrange-ov pristup kae da se funkcija, dobiva kombinacijom funkcije cilja i ogranienja

(kojih ima r) pomnoenih sa Lagrange-ovim mnoiteljem , moe minimizirati. Takva sloena funkcija
predstavlja minimum funkcije cilja, a potujudi ogranienja [1]:

(2.6)
- konstanta kojom se mnoe ogranienja jednakosti.
Broj varijabli je proiren za r Lagrange-ovih mnoitelja , ali nuni uvjet za ekstrem Lagrange-ove
funkcije istovremeno osigurava i zadovoljavanje ogranienja. Nuni uvjet za ekstrem Lagrange-ove
funkcije:

Iz ovih jednadbi slijedi da je u toki minimuma gradijent funkcije cilja linearna kombinacija
gradijenta ogranienja pomnoena sa Lagrange-ovim mnoiteljima:

Dakle traenje minimuma funkcije uz jednakosno ogranienje svodi se na odreivanje minimuma
Lagrange-ove funkcije bez ogranienja, ali sa povedanim brojem varijabli (r+n).
Lagrange-ovi mnoitelji fizikalno se mogu interpretirati kao 'sila' potrebna za nametanje ogranienja.
Lagrange-ovi uvjeti mogu se numeriki rjeavati kao sustav nelinearnih jednadbi (Newton-Rapson
iterativni postupak), ali to nije opdenito najuinkovitiji postupak, te ovi izrazi predstavljaju podlogu za
druge numerike postupke.
Ogranienja nejednakosti:

(2.7)
transformiraju se u ogranienja jednakosti uvoenjem p dodatnih varijabli ('slack variables') s:

(2.8)
Ova transformacija vrijedi jer za proizvoljnu vrijednost

, vrijedi

pa iz

, slijedi da
je

.
6

Dodatni uvjet kod ogranienja nejednakosti je da odgovarajudi Lagrange-ovi mnoitelji moraju biti ne
negativni , ime je osigurano da su gradijenti funkcije i ogranienja suprotno usmjereni. Kod
ogranienja koje je neaktivno (odnosno ije su ne jednadbe zadovoljene - istinite) u trenutnoj toki
multiplikatori su jednaki nuli .
Promotrimo opdi problem sa ogranienjima:

Ukupna Lagrange-ova funkcije je:

(2.9)
- Lagrangeov mnoitelj uz zadana jednakosna ogranienja,
- Lagrangeov mnoitelj uz zadana nejednakosna ogranienja,
dodane varijable koje ogranienja nejednakosti svode na jednakosna ogranienja
Nuni uvjeti za ekstrem Lagrange-ova funkcije nazivaju se Kuhn-Tucker (KT) nuni uvjeti:

(2.10)

(2.11)

Za aktivna ogranienja j koja su u optimumu zadovoljena sa

vrijedi:

. Za
neaktivna ogranienja koja su zadovoljena sa

, tj.

vrijedi . U optimumu za
trenutno aktivna ogranienja multiplikator

je ne-negativan, a za neaktivna .
U toki optimuma s ogranienjima negativni gradijent funkcije cilja jednak je linearnoj kombinaciji
gradijenta aktivnih ogranienja pomnoen sa pripadajudim Lagrange-ovim multiplikatorima.
KT daju (n+r+2p) jednadbi za isto toliko nepoznanica ( ). KT uvjeti nisu praktini za rjeavanje
nelinearnih jednadbi.
Postoji komplementarnost u matematikoj prirodi optimiranja. Ako napiemo Lagrange-ovu
formulaciju za neki problem - jednadba (2.6), postoji mogudnost da se peturbira problem pa
Lagrange-ovi multiplikatori postaju dualne varijable, a ne vie varijable optimiranja (geometrijski
parametri). Takva formulacija se zove dualna formulacija i moe se uvesti u optimiranju zamjenom
varijabli. U nekim situacijama ona je jednostavnija za rjeavanje od izvorne formulacije (tipino kada
ima puno ogranienja, a malo aktivnih).
Dualna formulacija objanjava se kao sedlasta funkcija gdje su u jednoj strani varijable optimiranja, a
u drugoj Lagrange-ov multiplikator (Slika 4). Optimum je min max problem, odnosno optimum je u
minimumu funkcije po varijabli i maksimumu funkcije po Lagrange-ovom multiplikatoru [1].

Slika 4 Sedlasta funkcija sa optimumom u minimumu funkcije cilja, odnosno maksimumu lagrangeovog mnoitelja
x
f(x,)

7

Lagrange-ova metoda nije jedina za uvoenje ogranienja. Naime kaznenom formulacijom takoer se
moe rjeavati problem optimiranja sa ogranienjima.
Ideja vodilja postupka kaznenih funkcija je pretvorba zadatka odreivanja minimuma funkcije uz
ogranienja

u zadatak odreivanja minimuma funkcije bez ogranienja ,

pri emu je:
(2.12)
gdje je kaznena funkcija. Ne postoji jedinstvena kaznena funkcija, ved je to svaka funkcija koja
ima svojstvo da u sluaju prekoraenja ogranienja dodaje veliki iznos funkciji kako ona ne bi
imala minimum izvan izvedivog podruja.
Jadan od korisnih oblika kaznene funkcije je

gdje je 'r' pozitivna konstanta. Tada sloena funkcija poprima oblik:

(2.13)
U izvedivom podruju (

) F poprima vrijednosti koje su vede od stvarne funkcije cilja,

iako se razlika moe smanjiti doputajudi 'r' da poprimi vrlo male vrijednosti. Meutim, ako se x
priblii granici izvedivog podruja, tako da je barem jedno

blisko nuli, , a tada i ,

postaje vrlo veliko.
Ako se traenje zapone unutar izvedivog podruja, minimum funkcije bez ogranienja de
sigurno biti unutar izvedivog podruja. Pridavajudi r-u prikladno malu vrijednost (tako da je utjecaj
na minimumu malen), minimum zadatka bez ogranienja odgovara minimumu funkcije
s ogranienjima.
esto se koristi i kaznena funkcija oblika

(2.14)
gdje je R pozitivna konstanta prikladno velikog iznosa. Vanjska kaznena funkcija se ede koristi, zbog
neosjetljivosti na odabir poetne toke, dok kod unutarnje kaznene funkcije poetna toka mora biti
unutar izvodivog podruja.
Za jednakosna ogranienja koristi se parabolina kaznena funkcija

(2.15)

8

2.3 Parametrizacija geometrije

U inenjerskoj analizi esto je potrebno neki fiziki oblik predstaviti pomodu jednoznanih izraza. Ova
formula treba uz pomod skalarnih parametara matematiki opisati geometrijski oblik pripadnog
kontinuiranog fizikog oblika u 2D ili 3D. Skupom skalarnih parametara poopdujemo i jednostavnije
pohranjujemo geometrijski oblik, to nam omoguduje njegovu vizualizaciju, zatim simulaciju
interakcije oblika sa okolinom te geometrijsku transformaciju [2].
Parametrizacija pohranjuje niz parametara (kontrolnih toaka, nagiba...) koji definiraju geometrijski
oblik.
Geometrijski model moemo definirati pomodu parametarskih jednadbi. Za opis geometrije
moemo koristiti bilo koju parametarsku jednadbu, kao na primjer jednadbe elipse, kruga, valjka,
kugle u sluaju da geometrija modela ima slinost sa navedenim primitivima. Sloenije oblike ne
moemo precizno opisati primitivima, pa se za opis sloene geometrije koriste polinomne jednadbe
kao to su B-krivulje, NURBS krivulje, Bezier-ove krivulje [2], [3], [4], [5]. Za opis geometrije takoer
se moe koristiti i Radial Basic Funkcije (RBF), a u kasnijim poglavljima detaljnije demo izloiti opis
geometrije Bezier-ovim krivuljama te Radial Point Interpolation Method (RPIM) RBF metodu.
Opdenito, geometrijski model nekog objekta moemo opisati pomodu niza parametara
interpolacijskom ili aproksimacijskom jednadbom. Interpolacijska jednadba zadane uvjete mora
egzaktno zadovoljiti, dok aproksimacijska jednadba predstavlja jednadbu koja prolazi priblino
pokraj zadanih uvjeta (kontrolnih toaka), sa to manjim ukupnim odstupanjem svake kontrolne
toke od aproksimacijske funkcije (Slika 5).

Slika 5 Prikaz Interpolacije i aproksimacije pomodu niza parametara
2.3.1 Opis geometrije Bezier-ovom krivuljom

Za opis geometrijskog oblika mogu se koristiti Bezier-ove krivulje. Ove krivulje imaju sljededa
svojstva:
- krivulja poinje od P
0
odnosno poetne toke interpolacije i zavrava na P
n
, koja se zove
krajnja toka interpolacije,
- Bezier-ova krivulja je pravac, ako i samo ako su kontrolne toke kolinearne,
- poetak (kraj) krivulje je tangenta na prvi (posljednji) dio Bezier-ovog poligona,
- krivulja moe biti podijeljena u bilo kojoj toki na dvije pod krivulje ili u proizvoljno mnogo
pod krivulja tako da je svaka od njih Bezier-ova krivulja,
- neke jednostavne krivulje ne mogu se opisati tono sa jednom Bezier-ovom krivuljom.

Bezier-ova krivulja u formi polinoma (Bernstein-ov polinom) glasi :

(2.16)
x
y
Interpolacija
x
y
Aproksimacija
9

gdje je :

kontrolne toke
n stupanj Bezier-ove krivulje,
i se krede od 0 do n,
toke aproksimacije idu od P
1
do P
4
sa podjelom koju zadajemo (Slika 6).
t trenutni poloaj aproksimacijske toke na Bezier-ovoj krivulji.

Slika 6 prikazuje jednu Bezier-ovu krivulju etvrtog reda (n=4).

Slika 6 Konstrukcija kvartne Bezier-ove krivulje (n=4) za trenutak t=0, i t=0.25.
Meu-toke A
0
, A
1
, A
2
i A
3
opisuju linearnu Bezier-ovu krivulju, meu-toke B
0
,B
1
i B
2
opisuju
kvadratnu Bezier-ovu krivulju, a toke C
0
i C
1
opisuju kubinu Bezier-ovu krivulju. Kvartna Bezier-ova
krivulja nastaje kretanjem toke B po pravcu C
0
C
1
.
U sluaju velikog broja kontrolnih toaka izmeu koje se povlai jedna Bezier-ova krivulja visokog
stupnja, mogu se javiti oscilacije krivulje.
Ova pojava izbjegava se uvoenjem vie Bezier-ovih krivulja nieg stupnja u nizu, uz nametanje
odgovarajudeg stupnja kontinuiteta izmeu njih putem kontrolnih toaka. Bezier-ovim krivuljama u
nizu mogu se opisati i najsloeniji geometrijski oblici a stupanj kontinuiteta izmeu njih omoguduje
vizualni kontinuitet tj. kontinuitet nagiba (prva derivacija), kontinuitet inercijskih sila (druga
derivacija), kontinuitet impulsa (treda derivacija).
Kontinuitet se osigurava tako to iznos derivacije u toki na kraju prve krivulje treba biti jednaka
iznosu derivacije u toki na poetku druge krivulje. Ovakav kontinuitet postiemo dodavanjem po
dvije kontrolne toke Beziera, izmeu kojih se nalazi toka spoja dvaju krivulja Beziera. Dodane
kontrolne toke i spojna toka Beziera trebaju biti kolinearne. Slika 7 prikazuje dvije Bezier-ove
krivulje sa razliitim kontinuitetima nagiba.

Slika 7 Prikaz dvije Bezier-ove krivulje izmeu kojih nema kontinuiteta nagiba (plava) i izmeu kojih postoji kontinuitet
nagiba.
Umnokom Bezier-ovih krivulja u dva smjera dobivamo 3D plohe:

(2.17)
gdje su x i y parametarske koordinate, a kontrolnih toaka

ima set od (n+1) (m+1). Bernstein-ovi

polinom

opisani su ranije, kao i binomni koeficijent:

P
0
P
1
P
2
P
3
P
4
B
A
1
A
0
B
0
C
0
B
1
C
1
A
2
B
2
A
3
t=0.25
P
1
=A
1
=B
1
=C
1
P
3
P
4
P
2
=A
2
=B
2
=C
2
P
0
=A
0
=B
0
=C
0
=B
t=0
1 2 3 4 5 6 7 8 9
0.5
1
1.5
2
2.5
3
3.5
4
nKriv=2 ntoc=7 nBez=3
1 2 3 4 5 6 7 8 9
0.5
1
1.5
2
2.5
3
3.5
4
nKriv=2 ntoc=7 nBez=3
10

2.4 Problem mehanike vrstih tijela i princip virtualnih radova

U ovom radu promatrat demo mehaniku vrstog tijela kao statiki problem. Teorija elastinosti bavi
se razmatranjem pomaka , naprezanja i deformacija tijela, koje nastaju uslijed djelovanja
opteredenja (sila) na elastina tijela [6], [7], [8]. Pomak je vektor koji spaja poetni poloaj estice sa
poloajem estice nakon djelovanja sile. Deformacija tijela moe se definirati kao relativno
produljenje. Za male deformacije, vezu pomaka i deformacije u x smjeru (2.18) moemo zapisati kao:

(2.18)
Teorija elastinosti uvodi uvjete kompatibilnosti deformacije (2.19), ime se uvode parcijalne
diferencijalne jednadbe drugog reda, koji za x-y ravninu glasi:

(2.19)
Ako promatramo statiki problem, polazimo od Newton-ovog zakona za ravnoteno stanje tijela,
odnosno ako je sustav estica u ravnotei, tada vrijedi jednadba (2.20) da je ukupna sila sustava
jednaka nuli:

(2.20)
Vanjske sile koje djeluju na neko tijelo izazivaju pojavu unutarnjih sila izmeu estica tijela, koje se
svode na jedinicu povrine te daju naprezanja:

Jednadbu ravnotee za x os razmatrajudi diferencijalni volumen tijela (Slika 9), sada moemo zapisati
kao (2.21):

(2.21)
Jednadbe koje povezuju naprezanja i deformacije prema Hookeov-om zakonu za x smjer su:

,
(2.22)
gdje su:
smino naprezanje,
- smina deformacija,
a karakteristike materijala:
E Young-ov modul elastinosti,
- Poissonov koeficijent,

modul smicanja.
U svakoj toki povrine mogu biti zadani rubni uvjeti.
Ako su u svakoj toki povrine tijela

zadana opteredenja

tada je statiki rubni uvjet:

(2.23)

- normala u toki
Ako su na povrini tijela

zadane komponente pomaka

radi se o geometrijskim rubnim uvjetima:

(2.24)
Virtualni rad sile koja djeluje na esticu je rad koji sila izvri na kinematiki dopustivom
virtualnom pomaku

. Pa ako je suma svih sila u ravnotenom sustavu jednak nuli, tada je i

virtualni rad jednaka nuli:
11

(2.25)
Virtualni rad nekog tijela je rad svih sila na njima pripadnom virtualnom pomaku. Za ravnoteno
stanje ukupni virtualni rad je jednak nuli. Virtualni pomak mora imati sljededa svojstva:
- Virtualni pomak jednak je nuli u osloncima (kinematski dopustivo polje)
- Virtualni pomak je jako mala veliina (jer ne smije promijeniti naprezanja i deformacije u
tijelu, nego samo malo pomaknuti tijelo koje je u ravnotei).
- Virtualni pomak je proizvoljna veliina (upravo jer ne ovisi o naprezanjima i deformaciji)

Slika 8 Stanje (a) vanjske sile F i unutarnja naprezanja u ravnotei i stanje (b) deformacija * i pomak u* ostvaren

Slika 9 Naprezanje u diferencijalnom elementu
Promatrajudi jedan segment deformabilnog tijela (Slika 9), moemo izvesti sljededu
jednadbu virtualnog rada za 1D problem [7]:

nakon skradivanja prvog lana

rada sa radom

dobijemo:

Uvrstimo li za dobivamo:

Zadnji lan ovog izraza moemo zanemariti jer se javlja to daje zanemarivu veliinu, te je
virtualni rad za diferencijalni element :

(2.26)

t
F
f
A B

u
*

*
(a)
(b)
A
F dy dz o =
B
B
F dx dy dz
x
o
o
c | |
= +
|
c
\ .
u
*
fd
A
*
*
u
u dx
x
c
+
c
12


Slika 10 Prikaz sila u diferencijalnom segmentu za 1D
Vektor volumenskih sila

i vektor povrinskog opteredenja

iznose:

Iz jednadbe ravnotee, za x-os slijedi:

(2.27)
A veza pomaka i deformacije:

Da bi mogli postaviti jednadbu ukupnog virtualnog rada, koji mora biti jednak nuli, potreban nam je
jo rad koje vre sve vanjske sile, po obodu
t
volumena :

Te jednadbu ukupnog virtualnog rada (2.25) moemo napisati za 1D kao:

(2.28)
gdje je povrina tijela

vanjska povrina tijela na kojoj djeluju vanjske sile f

s
statiki rubni uvjeti

vanjska povrina tijela na kojoj su zadani pomaci

- geometrijski rubni uvjeti

- promatrani volumen tijela
u* vektor ostvarenih pomaka (moe biti ostvaren i virtualni pomak)
f
s
vektor distribuiranih sila koje djeluju na dijelu povrinu ruba

f
v
vektor volumenskih sila

- ukupni unutarnji virtualni rad

rad vanjskih sila

- ukupni virtualni rad volumenskih sila

- rad koje vre sve vanjske sile, po obodu

Rad svih vanjskih opteredenja koje djeluju na tijelo pohranjuje se u vidu unutarnje energije.
Jednadba (2.28) je prepoznatljiva i zove se varijacijska slaba formulacija koju rjeavamo numerikim
metodama (konani elementi, meshfree) s tim da su teinske funkcije analogne virtualnim
pomacima, to demo u narednim poglavljima detaljnije i obraditi. Sve veliine sada zapisujemo
vektorski kako bi vrijedila jednadba za sve smjerove , odnosno jednadba (2.28) u 3D
glasi:

(2.29)
- Diferencijalni operator L za 3D [8]:
F
F+dF
f
dx
13

- Vektor naprezanja:

- Vektor deformacija:

- Odnos naprezanja i deformacije iz Hooke-ovog zakona:
(2.30)
- Matrica elastinih svojstava materijala u svojstvu naprezanja ili u svojstvu deformacija:

(2.31)
- Young-ov modul elastinosti E i Poisson-ov broj
- Vektor pomaka:

- Vektor deformacije izazvan virtualnim pomakom :
Osim navedenih svojstava materijala moemo definirati jo i modul smicanja G, te prostorni modul
elastinosti (modul stlaivosti) B [8].

U jednadbi (2.29) prvi integral sa lijeve strane predstavlja ukupni unutarnji virtualni rad:

(2.32)
Drugi i tredi integral jednadbe (2.29) gledajudi s lijeva predstavljaju rad vanjskog opteredenja:

(2.33)
Rad vanjskog opteredenja jednak je zbroju vanjskog opteredenja

po jedinici volumena i vanjskog

opteredenja

po jedinici konture

.
Jednadba (2.32) naziva se bilinearnom, jer ima linearnu ovisnost o dva parametra, pomak i
virtualni pomak .
Ove jednadbe sluit de nam kao temeljne jednadbe za topoloko optimiranje (poglavlje 3) i level set
metodu (poglavlje 4.4).
Ekvivalentan princip virtualnom radu je princip minimuma ukupne potencijalne energije.

14

2.5 Princip minimuma ukupne potencijalne energije

Minimum ukupne potencijalne energije je temeljni koncept pri optimiranju u fizici, kemiji, biologiji i
inenjerstvu, te je jedan od temeljnih principa prirode. Tijelo ili struktura se pomie i deformira u
poloaj koji odgovara minimumu njegove ukupne potencijalne energije.
Tipian primjer je grana stabla na koju napada snijeg, te se uslijed teine snijega ona sputa na visinu
minimuma potencijalne energije gdje je jednadba ravnotee zadovoljena. Ukupna potencijalna
energija je zbroj energije elastine deformacije u deformabilnom tijelu U i potencijalne energije
vanjske sile V (2.34) [8]:
(2.34)
Energija je stacionarna kada neznatna promjena poloaja tijela ne daje promjenu energije:
(2.35)
Princip minimuma potencijalne energije je u stvari specijalni sluaj principa virtualnih radova
elastinog tijela izloenog konzervativnim silama (2.28), te je jednakost vanjskih i unutarnjih
virtualnih radova moemo zapisati kao (2.36):

(2.36)
Desna strana jednadbe (2.36) predstavlja infinitezimalnu promjenu energije elastine deformacije U,
. Lijeva strana predstavlja promjenu potencijalne energije konzervativne vanjske sile.

(2.37)
gdje negativni predznak predstavlja gubitak potencijalne energije kako se sila pomie u smjeru
pomaka. Sada jednadba (2.36) postaje:
(2.38)
Ovo dovodi do jednadbe (2.35) koja je i osnovna jednadba pri razvoju numerikih metoda u
mehanici vrstih tijela.
Jednadbu minimuma potencijalne energije (2.35) zapisujemo kao:

(2.39)

15

2.6 Numerike metode rjeavanja

Iz uvjeta ravnotee i rubnih uvjeta dobivene su parcijalne diferencijalne jednadbe (PDJ) (2.18), (2.21)
, (2.22), (2.23), (2.24), odnosno njegovi 3D ekvivalenti (2.30), koje opisuju promjene stanja unutar
tijela koje se dogaaju uslijed vanjskih utjecaja. Problem rjeavanja PDJ podrazumijeva nalaenje
rjeenja fizikalnih procesa koje opisuju PDJ. U termodinamici PDJ daju temperaturno polje kod
provoenja topline, u mehanici fluida PDJ opisuju protok fluida, u mehanici vrstih tijela PDJ opisuju
ponaanje tijela uslijed djelovanja vanjskih opteredenja.
Kako su PDJ analitiki teko rjeive ili ih u vedini sluajeva ne moemo rijeiti (zbog sloenosti
zadovoljavanja rubnih uvjeta), razvijene su brojne metode koje priblino rjeavaju ove jednadbe. U
mehanici vrstih tijela PDJ rjeavaju su se teorijom elastinosti (aproksimativnim priblinim poljima
na bazi polinomima i Fourier-ovih redova). Rjeavanje PDJ teorijom elastinosti je ogranieno na
jednostavnije geometrije, zbog problema zadovoljavanja sloenih rubnih uvjeta.
Kako bi mogli rijeiti probleme sa sloenom geometrijom, koristimo priblino rjeavanje PDJ
jednadbi nekim od numerikih metoda kao to su metoda konanih diferencija, metoda konanih
elemenata (MKE), konani volumeni, radijalne bazne funkcije (RBF), radial point interpolation
method (RPIM)...
U naelu sve numerike metode temeljene su na diskretizaciji polja problema pomodu probnih
interpolacijskih (aproksimacijskih) funkcija.
Pri numerikom rjeavanju PDJ postoje dva problema: prvi je nadi probne funkcije koje de zadovoljiti
PDJ, a drugi problem je zadovoljiti rubne uvjete. Ovisno o tome koje varijable promatramo,
zadovoljavamo pojedine uvjete. Pa ako su varijable pomaci i deformacije, uvjeti kompatibilnosti
deformacija su zadovoljeni te se razmatraju uvjeti ravnotee.
2.6.1 Metoda konanih elemenata

Pojavom raunala prevladala je metoda konanih elemenata koja se ved oko 50 godina uspjeno
koristi pri rjeavanju brojnih tehnikih problema. Metoda konanih elemenata rjeava PDJ integralno,
na razini cijele domene. Nastala je ranih 50-tih godina dvadesetog stoljeda. Zasnovana je na
diskretizaciji prostora na elemente spojenih vorovima. vorovi su karakteristine toke
diskretiziranog prostora u kojima se prate veliine znaajne za proces [9].

Slika 11 Prikaz diskretizacije prostora i vorova
Za svaki vor diskretiziranog prostora se primjenom interpolacije probnih funkcija unutar elemenata
rauna vrijednost varijabli stanja PDJ. U mehanici vrstih tijela varijable stanja su pomaci u,v i w, dok
u elementu vrijedi interpolacija funkcije na temelju vrijednosti u vorovima. Rjeavanje funkcije na
cijeloj domeni svodimo na rjeavanje funkcije u vorovima, pri emu je izmeu vorova interpolirana
funkcija. Takvo priblino rjeenje probnim funkcijama uvrtava se u izraze za potencijalnu energiju
(2.39), iz kojih slijede vrijednosti varijabli stanja u vorovima. Probne (aproksimacijske) funkcije biraju
se tako da to bolje opisuje problem. Razvijeni su razliiti konani elementi (npr. polinomni razliitog
stupnja, ovisno o broju vorova elementa) o emu ovisi i tonost.
Kako bi rijeili problem numerikim metodama, kod problema mehanike vrstih tijela potrebno je
formirati jaku formulaciju u obliku minimuma potencijalne energije. Ovu jednadbu moemo svesti
F
1
2
3
4
1
2
3
4
element
vorovi
16

na jednadbu slabe formulacije primjerice Galerkin-ovom metodom (ekvivalentna jednadba nieg
stupnja derivacije) koja je analogna jednadbi principa virtualnih radova (2.28), tako da dobivamo
integralni ekvivalent PDJ.
Kad govorimo o MKE, postoje razliite probne funkcije i razliiti konani elementi.
Pomaci u elementu prikazuju se ovisno o pomacima u vorovima pomodu interpolacijskih
funkcija koje ine matricu funkcija oblika .

Iz odnosa pomaka i deformacije (2.18), dobivamo raspodjelu deformacija u elementu:

matrica meusobne ovisnosti deformacije u elementu i pomaka u vorovima.
Varijacijom po nepoznatim veliinama u vorovima elementa dobivamo:


Sada je minimuma ukupne potencijalne energije (2.39) diskretiziran:

(2.40)
Iz jednadbe (2.40) izvodi se uvjet ravnotee konanog elementa:

gdje su:
matrica krutosti konanog elementa

vektor sila u vorovima od volumenskih sila

vektor sila u vorovima od povrinskog opteredenja

vektor koncentriranih vornih sila.
Ako uvedemo supstituciju:

, dobivamo osnovnu jednadbu konanih elemenata [8],

[9]:
(2.41)
Promatramo cijeli diskretizirani prostor. Uvoenjem matrice transformacije koja se sastoji od
kosinusa smjera pomaka u pravcu lokalnih osi u odnosu na pravce globalnih koordinatnih osi, izvodi
se globalna jednadba konanih elemenata:
(2.42)
Rjeavanjem PDJ metodom konanih elemenata potrebno je dokazati da stanje konvergira ka
rjeenju. Ne moemo uvijek postidi konvergenciju. Konvergencija ovisi o odabiru konanih
elemenata. Ako odaberemo konani element koji nije u stanju prikazati stanje konstantne
deformacije, tada nemamo konvergenciju.
Osnovni preduvjet za konvergenciju je odabir elementa koji de prikazati tono rjeenje stanja sa
konstantnim vrijednostima deformacije. Drugi preduvjet je takozvani 'patch test'. 'Patch test' je
indikator kvalitete konanog elementa [10]. Kvaliteta konanog elementa provjerava se
standardiziranim postupkom, tako da se uzme PDJ koji ima poznata analitika rjeenja te se na
takvom problemu za podruje od nekoliko elemenata ispituje kvaliteta konanog elementa koja
aproksimira ovu PDJ, odnosno gleda se da li je naa aproksimacijska funkcija u stanju dovoljno tono
opisati zadanu PDJ. U mehanici tono rjeenje sastoji se od pomaka koji variraju linearnom funkcijom
u prostoru tada 'patch test' osigurava konstantne vrijednosti deformacija (nema skoka deformacija).
Tredi preduvjet konvergencije je da se ona moe dokazati povedanjem broja elemenata, odnosno sa
vedim brojem konanih elemenata, proraun bi trebao konvergirati ka rjeenju.
U nastavku je prikazan opdi postupak rjeavanja konanim elementima (dijagram toka) Slika 12:

17


Slika 12 Dijagram toka metode konanih elemenata

U prilogu A prikazan je postupak pronalaenja pomaka u aksijalno opteredenoj konzolnoj gredi
metodom konanih elemenata. Probne i teinske funkcije odabrane su kao Bezier funkcije.
Ulazni parametri:
- geometriaj: topoloka domena, definirana kontura oblika
- svojstva materijala
- diskretizacija problema: vorovi, elementi...
- rubni uvjeti
- optereenje (sile, tlakovi, temperature...)
Zadavanje mree (reinicijalizacija mree)
konanih elemenata promatrane domene
Formiranje matrice krutosti elemenata [k
e
]
Dodavanje elemenata matrice krutosti
[k
e
] u globalnu matricu sustava K
g
Narinjavanje globalnog optereenja [F
g
]
Dodavanje pomaka ili ogranienja u
globalnu matricu krutosti
Rjeavanje sustava jednadbi za
globalne pomake [K][u]=[F]
Iz matrice krutosti elemenata [k
e
],
dobivaju se naprezanja []
Ispis rjeenja:
- globalni pomaci [u]
- naprezanja []
Petlja za sve
elemente
Petlja za sve
elemente
Petlja po svim
optereenjima
18

2.6.2 Metoda zamjenskog materijala - Ersatz material

Pri rjeavanju metodom konanih elemenata, kod promjene geometrije diskretiziranog prostora (npr.
kod optimiranja oblika) potrebno je izvriti ponovno generiranje mree konanih elemenata. Ovaj
proces je vremenski skup zbog formiranja konture, generatora mree, Delaunay-eve triangulacije,
odnosno triangulacije seta toaka pomodu krunice u svrhu povedanja minimalnog kuta svih kutova u
trokutu elementa. Dakle promjena oblika zahtjeva ponovno izvoenje cijelog dijagrama toka Slika 12.
Stoga se kao alternativa generiranju nove mree konanih elemenata razvio postupak zamjenskog
materijala (Ersatz material njemaka rije zamjenski materijal).
Ako zamislimo plou, te da bilo koja formulacija iskopa rupu u ploi. Klasini pristup metodom
konanih elemenata bi zahtijevao ponovno generiranje mree materijala (remesh), zbog promjene
geometrije. Metoda zamjenskog materijala ostavlja istu mreu konanih elemenata, a na mjestima
gdje nema materijala mijenjamo svojstvo materijala (zadajemo meki materijal). Svojstva materijal u
promatranoj domeni kontroliramo pomodu krutosti. Krutost materijala koja predstavlja dio domene
bez materijala ne smije biti velika jer bi znaajno utjecala na tonost, ali ne smije biti ni jako mala jer
bi se pojavio singularitet u konanim elementima (pucanje konanog elementa). Odabir optimalne
krutosti materijala na mjestima gdje materijal ne postoji je iskustven, to predstavlja nedostatak u
metodi zamjenskog materijala. Jo jedan nedostatak metode Ersatz material je zahtijevanje
relativno fine mree konanih elemenata, jer za velike elemente granice tvrdog i mekog materijala
mogu biti pregrube.

2.6.3 Aproksimacija pomou bezmrene metode - Radijalne bazne funkcije (RBF)

Kako su se raunala razvijala i postajala sve bra, tako su i neke metode rjeavanja koje su postojale
samo teorijski uspjeno primijenjene, a njihov razvoj otvara mnoge mogudnosti kako u znanstvenom
svijetu tako i u praktinoj primjeni.
Bez-mrene metode su klasa numerikih algoritama za simulaciju fizikalnih pojava. One su pribline
metode rjeavanja problema polja (npr. teorije elastinosti) bez mree za diskretizaciju, koje koriste
globalne aproksimacijske funkcije (npr. RBF funkcije).
Metoda radijalne bazne funkcije (RBF) je metoda aproksimacije ili interpolacije za bilo kakvu funkciju.
Tradicionalni algoritmi zasnivaju se na diskretizaciju prostora mreom (MKE), za razliku od bez-
mrene metode koje se oslanjaju na probne interpolacijske ili aproksimacijske funkcije na bazi
vrijednosti u odabranim vorovima. Na taj nain dobiva se globalna aproksimacija funkcija.
RBF funkcije daju nam probna rjeenja, koja se mogu uvrstiti u funkciju i dati njenu aproksimaciju.
Funkcija koja se aproksimira moe biti geometrija, ali mogu biti i PDJ. Ako probna rjeenja uvrstimo u
PDJ, dobit demo problem aproksimacije PDJ.
RBF metode temelje se na vornim tokama (esticama), te su zbog svoje prirode izvorno nale svoju
primjenu u mehanici fluida pri opisu strujanja. Meutim neke metode temeljene na aproksimaciji u
vornim tokama nale su uspjenu primjenu u mehanici vrstih tijela, kao na primjer Radial point
interpolation method RPIM [11].
RPIM metodom se takoer moe i aproksimirati geometrija, te se istom metodom moe opisati oblik
i rijeiti pojave koje se deavaju u zadanoj geometriji (tzv izogeometrijska analiza).
Bez-mrene metode bolje opisuju stanja velikih deformacija, nelinearna ponaanja materijala te
diskontinuitet i singularnost od metode konanih elemenata. Razlog tome je nepostojanje mree koja
ograniava rjeavanje metodom konanih elemenata zbog potrebe za kreiranjem nove mree pri
velikim deformacijama, te su kod takvih problema primjerenije bez-mrene metode.

19

2.6.3.1 Radial Point Interpolation Method (RPIM)

PIM interpolacijska metoda (Point interpolation method) koristi polinome kao bazne funkcije i jedna
je od najranijih naina interpoliranja funkcija. Koristi se pri aproksimaciji numerikim metodama. PIM
metoda za interpolaciju koristi monome, koji ovisno o dimenziji problema poprima oblik iz Pascal-
ovog trokuta [8]:

Slika 13 Pascal-ov trokut monomnih funkcija za dvo-dimenzijski prostor
Linearna bazna funkcija za 1D izgleda:

Kvadratna bazna funkcija za 1D glasi

dok za 2D kvadratna bazna funkcija izgleda:

RPIM metoda je interpolacijska tehnika bez-mrene metode RBF. RPIM interpolacija proirena je sa
polinomom, i moe se zapisati kao [11]:

(2.43)
gdje je: n broj radijalnih baznih funkcija (RBF), m broj polinomnih baznih funkcija (m=0 isti RBF)
a
i
i b
j
koeficijenti koje treba odrediti
U RBF-u R
i
su funkcije koje ovise o udaljenosti izmeu toaka interesa ( ), a za 3D problem
udaljenost je jednaka:

(2.44)
Postoje brojne vrste RBF funkcija:

(2.45)

(2.46)

(2.47)

(2.48)
Pri emu su:
q, i
c
parametri oblika, . Neka istraivanja pokazuju da vrijednost parametra q=0.98 ili
q=1.03 daju dobre rezultate u analizi 2D problema u mehanici fluida i vrstih tijela [11].
d
c
je karakteristina duljina koja se odnosi na udaljenost vorova u prostoru u lokalnoj domeni
toke interesa x i obino je jednaka prosjenoj udaljenosti vorova u prostoru za sve vorove u
lokalnoj domeni.
U RPIM metodi nije uvijek potreban polinomni dio. Na primjer ako se RBF funkcijom aproksimira
geometrija, dovoljne su samo radijalne funkcije. Ukoliko RBF aproksimira neko polje iz kojeg slijede
pomaci koristimo cjeloviti izraz (2.43), odnosno tada ne moe opisati tono linearno polinomno polje
(ne prolazi 'patch test') te se dodaje i polinomni dio. Dodavanjem polinomnog dijela vieg stupnja od
linearnog reda moemo osigurati kontinuitet C
1
koji je potreban za 'patch test'.
Dodavanje polinomnog dijela:
1
x y
x
2
xy
y
2
x
3
x
2
y xy
2
y
3
x
4
x
3
y xy
3
y
4
x
2
y
2
20

- moemo povedati tonost rezultata.
- reducira se osjetljivost parametara oblika i daje nam se vie slobode i iri raspon u izboru
parametara oblika. Ovo vrijedi za bez-mrenu slabu formulaciju.
- moe doprinijeti interpolacijskoj stabilnosti za neke RBF.

Rjeavanjem jednadbi RPIM (2.43) za poznate vrijednosti aproksimacijske funkcije

dobivamo
nepoznate koeficijente a
i
i b
i
. Potrebno je rijeiti n linearnih jednadbi, po jednu za svaki vor:

(2.49)

je vektor poznatih funkcijskih vrijednosti aproksimacijske funkcije za kojeg dobivamo vrijednosti

koeficijenata a
i
i b
i
.
Matrica momenata RBF-a u (2.49) glasi:

(2.50)
Matrica momenata polinoma (monomi iz Pascal-ovog trokuta Slika 13):

(2.51)

Nepoznatih koeficijenata ima n+m, a (2.49) daje samo n uvjeta.
Mogude je dobiti m dodatnih jednadbi iz m ogranienja (rubnih uvjeta) :

(2.52)
Stoga, zbog dodanih polinoma definiramo dodatne uvjete, kako bi osigurali jedinstveno rjeenje [12],
[13]:

(2.53)
te imamo n+4 jednadbe (u koliko se radi o 3D domeni) koje nam rjeavaju n+4 nepoznata
koeficijenta. Za 2D problem etvrti izraz u (2.53) nam je suvian. Izrazi (2.53) proizali su iz uvjeta
ortogonalnosti n dimenzijskih vektora koeficijenata RBF-a i vektora poloaja vorova ( ).
Ovako odabranim dodatnim uvjetima izbjegavamo kolinearnost za linearne vorove odnosno
koplanarnost za kvadratne vorove, itd. Sada sustav jednadbi (2.55) postaje stabilniji jer se
jednadbama (2.53) izbjegava singularnost matrice sustava.
Jednadbu interpolacije RPIM-om (2.43) mogude je zapisati kao:

(2.54)
Kombinacijom jednadbi (2.49) i (2.52) dobivamo interpolacijsku jednadbu kroz rjeenja

gdje je kolokacijska matrica
Sada dobivamo nepoznate koeficijente:
21

(2.55)

Kada smo izraunali nepoznate koeficijente (pomodu aproksimacijskih toaka), moe se aproksimirati
jednadba za proizvoljnu gustodu toaka.
Kombiniranjem jednadbi (2.55) i (2.54), dobivamo [11]:

(2.56)
gdje se RPIM funkcija oblika moe zapisati:

Jednadba (2.56) moe se zapisati kao:

(2.57)
a derivacija jednadbe (2.57) glasi:

(2.58)
gdje predstavlja koordinate x i y, a zarez oznaava parcijalnu derivaciju po odreenoj koordinati.
Valja imati na umu da matrica momenata RBF (R
0
) moe biti loe uvjetovana kada je broj vorova
prevelik, to je uoeno u globalnoj bez-mrenoj formulaciji.
Postoji nekoliko prednosti u koritenju RBF funkcija kao osnovnih funkcija pri gradnji PIM funkcije
oblika.
- koritenje RBF-a moe uinkovito rijeiti problem singularnosti polinoma PIM, koja se javlja
uslijed ne mogudnosti izrauna inverzne matrice pri interpolaciji [11].
- RPIM funkcije oblika su stabilne i stoga fleksibilne za proizvoljnu i nepravilnu raspodjelu
vorova. Stabilne znai da male promjene u lokaciji ili broju vorova u podranoj domeni
nede dovesti do velike promjene u nastaloj RPIM funkciji oblika.
- RPIM funkcija se jednostavno moe napisati i za 3D problem. Potrebno je samo varijablu
udaljenosti zapisati kao:

.
Meutim, RPIM takoer ima neke nedostatke, kao to su:
- RPIM funkcije oblika obino daju slabiju tonost kod mehanike vrstih tijela u odnosu na PIM
polinomnu funkciju oblika.
- Neki parametri oblika moraju se paljivo odrediti, jer mogu utjecati na tonost i performanse
RPIM funkcije oblika u bez-mrenoj metodi.
- RPIM metoda je obino i numeriki zahtjevnija od polinomne PIM metode, jer su potrebno
dodatni vorovi u lokalnom podranom podruju.

Svojstva RPIM funkcija oblika:
- RPIM funkcija oblika ima svojstva Kronecker delta funkcije. Kronecker delta funkcija je
funkcija dvije varijable. U koliko su varijable jednake Kronecer delta funkcija poprima
vrijednost 1, a u koliko su varijable razliite funkcija poprima vrijednost 0:

- RPIM funkcija oblika ima svojstvo jedininog udjela (partition of unit). Matematiki,
jedinini udio govori da je suma vrijednosti svih funkcija u bilo kojoj toki topolokog prostora
jednaka jedinici:

.
- RPIM funkcije oblika obino imaju vedi kontinuitet zbog visokog kontinuiteta radijalnih baznih
funkcija.
- RPIM funkcije s polinomnim izrazima niskog stupnja moe osigurati tonu aproksimaciju
linearnih polinoma. RBF funkcije ne mogu aproksimirati linearnu funkciju ako nisu proirene
sa linearnim polinomnim dijelom.
22

Rubni uvjeti

Promatrajudi polje problema moemo uoiti vorove unutar konture i vorove na granicama. Dio
vorova na granicama konture imaju propisan iznos funkcija, a dio ima propisan iznos derivacije
funkcije. Ti propisani iznosi nazivaju se rubni uvjeti. Na dijelu konture gdje su propisani iznosi funkcije
kroz koje mora prolaziti aproksimacijska funkcija nazivaju se Dirichlet-ove granice, dok su Neumann-
ove granice rubni uvjeti na kojima su zadane derivacije funkcija.
Hermite-ova interpolacija koristi se kada su zadane vrijednosti funkcije i derivacije kao rubni uvjeti.

Slika 14 Hermite-ova interpolacija sa Dirichlet-ovim i Neumann-ovim rubnim uvjetima
Interpolacijska funkcija sada izgleda:

(2.59)

- broj vorova na rubu

n broj vorova u podranom podruju
m broj stupnja polinoma

nepoznati koeficijenti
RBF funkcije raunaju se kao i do sada iz udaljenosti r:

dok je derivacija u smjeru normale:

- koordinata i-tog vora

- koordinata j-tog vora na rubu

- kosinus smjera

Jednadba (2.59) moe se zapisati kao:

(2.60)
gdje je vektor baznih funkcija:

(2.61)
a vektor koeficijenata

(2.62)
1
RU
u
n
c
c
2
RU
u
n
c
c
3
RU
u
n
c
c
Podrana
domena
Podruje
interesa
Derivirana
granica
Dirichlet-ova
granica
Unutarnji vorovi i vorovi na Dirichlet-ovoj granici
vor na derivacijskoj granici
23

Koeficijenti

odreuju se tako da se interpolira funkcija kroz zadane toke, uz uvjet da je

derivacija aproksimirane funkcije u rubnim tokama (kojih ima

) jednaka zadanoj.
Tako za sve vorove lokalnog podranog podruja vrijedi:

(2.63)
gdje je
Za sve rubne vorove vrijedi:

(2.64)
gdje je

Da bi dobili jedinstveno rjeenje, namedemo dodatne uvjete:

(2.65)
Slaganjem ovih jednadbi u jedinstvenu matricu, dobivamo:

(2.66)
G je generalizirana momentna matrica koja sadri maticu momenata polinoma

(2.51), matricu
momenata RBF-a

(2.50).

U prilogu B aproksimiran je niz opdih funkcija RPIM metodom aproksimacije.

24

2.7 Analiza osjetljivosti pri optimiranju

Kako je ranije opisano, optimiranjem minimiziramo funkciju cilja (masa, podatljivost) uz ogranienja
ravnotee i nekih ogranienja geometrije
Vedina metoda optimiranja koriste niz aproksimacija prvog reda First Order Aproksimation (FOA).
Vrijednosti neke opde funkcije mogude je izraunati razvojem u Taylor-ov red (2.67), pri emu
oko toke

moemo odrediti ponaanje funkcije . Taylor-ov red koristi derivacije funkcije i

glasi:

(2.67)
Aproksimacija prvog reda bi znailo da se vrijednost aproksimirane funkcije rauna samo pomodu
prva dva lana Taylor-ovog reda:

Potrebna nam je derivacija funkcije cilja ili funkcije ogranienja, ovisno o tome koja se funkcija
aproksimira. Osjetljivost se moe rjeavati na tri naina: numeriki (konane diferencije), analitiki i
semi-analitiki. Ako promatramo ogranienja ravnotee, iz poglavlja o konanim elementima, tada bi
osnovna jednadba konanih elemenata (2.42) bila eksplicitno uvedena kao ogranienja.

Sada

oznaava dizajn varijable varijable optimiranja (u ovom tekstu dizajn varijable

oznaavaju varijable oblika i varijable topologije, dok oznaavaju koordinate toaka u
prostoru). U opdem sluaju dizajn varijable X mogu biti i dimenzije.
Ovakvom formulacijom dobivamo veliki broj ogranienja, to je nepovoljno, te se takva formulacija
izbjegava ugnjedenom (Nested) strukturnim optimiranjem [14]. Ugnjedenom optimizacijskom
metodom zanemarit demo uvjete ravnotee, ali de se uvjeti implicitno ubacivati u formulaciju, na
nain da se u svakoj iteraciji optimiranja (za svaki ) rijei ravnotea te dobiveno uvrsti u (2.68):

(2.68)
Funkcija cilja u ugnjedenoj formulaciji ostaje ista (podatljivost, masa...), kao i sva ogranienja osim
ogranienja ravnotee. Ogranienja ravnotee se raunaju iterativno za svaku vrijednost varijabli
optimiranja metodom konanih elemenata, te se uvrtava u funkciju minimuma. Iz ovakve
formulacije proizlazi da ogranienja ravnotee nisu egzaktno zadovoljena, nego priblino, jer se u
prethodnom koraku odreuju pomaci koji se fiksiraju i uvrtavaju u formulaciju funkcije cilja.
Sada ugnjedeni algoritam izgleda kao:
1. Postaviti poetna rjeenja

2. Za svaku vrijednost dizajn varijabli raunaju se odgovarajudi pomaci metodom
konanih elemenata (2.42).
3. Za trenutni iznos vektora dizajn varijable raunamo funkciju cilja i funkcije ogranienja, te
njihove derivacije.
4. Formuliramo eksplicitnu konveksnu aproksimaciju ugnjedenom formulacijom za trenutnu
dizajn varijablu .
5. Izraunati nelinearnom metodom optimiranja dizajn varijablu za sljededi korak
6. Vratiti se na korak 2.
Numeriko odreivanje osjetljivosti:
Osjetljivost se moe odrediti metodom konanih diferencija za bilo koju funkciju cilja. Za neke
vrijednosti varijabli dizajna (npr. distribuciju gustoda) moemo jednu kontrolnu toku gustode
(gustodu jednog elementa) promijeniti za neki korak :
25

(2.69)

- jedinini vektor varijable j koji daje prirast u zadanom smjeru.

Odredimo osjetljivost podatljivosti izrazom (2.70):

(2.70)
Ako promatramo povrinu:

. Prvo raunamo trenutnu podatljivost. Zatim je presjek

povedan za korak , te su metodom konanih elemenata dobiveni pomaci

i
podatljivost

. Tada jednadba (2.69) daje osjetljivost.

Prevelika vrijednost koraka daje veliku greku aproksimacije, dok premala vrijednost ponitava
greku (analogno kao i kod numerikog deriviranja, jer je postupak isti).
Mana konanih diferencija je potreba izrauna funkcije f u nizu dodatnih toaka. Bolji pristup je
analitiki postupak.
Napisat demo lanano pravilo dvaju funkcija f i g za 1D problem:

(2.71)
generalizirano za vie varijabli:

Ako primijenimo lananu derivaciju na jednadbe (2.68) dobivamo:

(2.72)
Nepoznate lanove u jednadbi (2.72)

odreujemo pomodu jednadbe konanih elemenata,

koja povezuje pomake i krutost:
(2.73)
Deriviranjem jednadbe (2.73) dobivamo:

odnosno:

(2.74)
Iz izraza (2.74) moemo odrediti

opet metodom konanih elemenata, s tim da nam se javlja

pseudo opteredenje (derivacija opteredenja), dok je matrica krutosti uvijek ista.
Pseudo opteredenje rauna se kao derivacija opteredenja po dizajn varijablama minus derivacija
matrice krutosti po dizajn varijablama puta pomaci.
Jednadba (2.74) predstavlja osjetljivost pomaka na dizajn varijable.
Osjetljivost nam koristi za linearizaciju bilo koje funkcije, za to nam je potrebna derivacija funkcije.
Derivaciju funkcije moemo odrediti ili numeriki (konanim diferencijama) ili analitiki. Dok Nested
formulaciju uvodima samo kako bi izbjegli veliki broj ogranienja.
Analizu osjetljivosti kod procesa topolokog optimiranja odreuje kolika je promjena funkcije cilja u
ovisnosti o promjeni pojedinih varijabli. Kad se funkcija cilja derivira po nekoj varijabli, tada se vidi
koliko je osjetljiva ta funkcija cilja za tu varijablu, te se osjetljivost definira kao gradijent funkcije cilja.
Kod gradijentnih postupaka optimiranja (Fletcher Reeves ili najbri spust....) to isto se zove smjer
traenja jer taj isti smjer koji pokazuje osjetljivost, pokazuje i kako najbre idi prema maksimumu
funkcije cilja.
26

3. Topoloko optimiranje u mehanici vrstih tijela

U prethodnim poglavljima o numerikim metodama pri klasinom rjeavanju problema mehanike
vrstih tijela oblik je zadan, te su se odreivala i optimirala naprezanja. Meutim pri optimiranju
topologije u mehanici vrstih tijela postoji problem odreivanja dva nepoznata polja: polje pomaka i
oblik, odnosno raspodjela materijala. Oblik uzimamo kao varijablu pri optimiranju, te on kao takav
nije zadan. Pri optimiranju oblika i naprezanja, postoji potreba za znaajnijim promjenama
geometrije od same promjene veliine pojedinih parametara. Takve promjene nazivaju se topoloke
promjene. Topologija je povezanost elemenata nekog sustava. Topolokim optimiranjem mijenjamo
strukturu domene (Slika 15 c).


Slika 15 Prikaz topoloke promjene oblika
Topolokim optimiranjem optimiramo raspodjelu materijala po domeni (geometriju tijela), odnosno
mijenjamo strukturu domene obzirom na razliite mogude kriterije (kao na primjer minimum mase,
minimum naprezanja, minimum podatljivosti...).
Topoloko optimiranje temelji se na principu minimuma potencijalne energije, virtualnih radova
elastinih tijela u ravnotei (2.29), za proizvoljni virtualni pomak () (unutarnje opteredenje) [15].
Ove jednadbe dane su u poglavlju o virtualnim radovima 2.4, odnosno principu minimuma energije
2.5.
U literaturi vezanoj uz topoloko optimiranje, uobiajena oznaka za virtualni pomak je , za virtualni
rad unutarnjih sila , a za virtualni rad vanjskog opteredenja oznaka . Ove veliine u ranijim
poglavljima oznaavale su se drugaije (tradicionalnim oznakama), te demo u kontekstu topolokog
optimiranja i level set metode prihvatiti nove oznake .
Jednadbu (2.32) moemo zapisati i kao:

(3.1)
X dizajn varijable (oznaava distribuciju materijala). Odnosno varijable oblika i topologije.
ravnoteno polje pomaka
virtualno polje pomaka (kinematiki dopustivo) u 3D
Dok se linearni oblik opteredenja (vanjska opteredenja) koji je jednak zbroju vanjskog opteredenja

po jedinici volumena i vanjskog opteredenja

po jedinici konture

(rad vanjskog opteredenja

(2.33))moe zapisati kao (3.2):

(3.2)
Sada problem minimuma podatljivosti (odnosno maksimum krutosti) postaje:

to predstavlja slabu varijacijsku jednadbu sa U pripadnih kinematskih dopustivih polja pomaka.

je vanjsko opteredenje koje djeluje na tijelo,

sile koje djeluju na rubu

elastina svojstava materijala,

indeks B predstavlja bilinearnu formu koja je opisana u poglavlju 2.4.

27

Tada se problem dva polja (distribucija materijala i distribucija naprezanja) moe zapisati kao
problem maksimiziranja krutosti i minimiziranja pomaka (deformacija):

(3.3)
Iz jednadbe se vidi da ako je polje pomaka u optimalnoj strukturi poznato, optimalna raspodjela
krutosti je takva da je energija deformacije maksimalna.
Funkcija minimuma je podatljivost, te se trai minimalna distribucija mase koja de izdrati naprezanja
koja se pojavljuju.
Pri topolokom optimiranju ne smijemo zaboraviti da je ovdje rije o dva polja problema
minimiziranju geometrije (mase) i maksimiziranju krutosti (minimiziranju podatljivosti). Ako domenu
podjelimo na konane elemente, formulacija minimuma podatljivosti poprima oblik:

u pomak, f vektor opteredenja, K matrica krutosti, ovisna o svojstvu materijala

u elementu e.
Za N broj elemenata:

element globalne matrice krutosti.

Postoji niz metoda topolokog optimiranja kao to je Bubble metoda, Homogenizacijska metoda, ESO
metoda (Evolutionary structural optimization) odnosno metoda u kojoj se rjeava polje problema
konanim elementima te genetski algoritam u dijelovima gdje su manja naprezanja skida materijal. U
ovom radu detaljnije demo opisati SIMP postupak i Level set postupak topolokog optimiranja.

3.1 Klasini postupak i SIMP postupak topolokog optimiranja uvjeti
optimuma

Topoloko optimiranje svodi se na optimiranje raspodjele materijala. Varijabla koja govori o
raspodjeli materijala je krutost materijala.
Elastina svojstva materijala

mogu poprimiti sve vrijednosti svojstava izotropnog materijala u

domeni

i nulu.

(3.4)
Tamo gdje je vrijednost 1 znai da u tom djelu ima materijala, a gdje je 0 nema.
Svojstva materijala pri topolokom optimiranju zadajemo preko varijable gustoda (). Meutim
varijabla optimiranja za gradijentne postupke mora biti kontinuirana (da bi bila derivabilna), te
uvodimo kaznenu funkciju koja gustodu stavlja na potenciju p, gdje je p>1, ime se funkcija 0-1 prelazi
u kontinuiranu funkciju.

(3.5)
Na taj nain materijal tijekom optimiranja lokalno slabi (odnosno jaa), te je za optimalni sluaj
gustoda jednaka nuli ili bliska jedinici, ovisno o opteredenju:

.
Ovakav nain optimiranja gustode materijala naziva se SIMP-model (Solid Isotropic Material with
Penalization).

(3.6)
28

SIMP interpolacijska shema je iterativna metoda. Dizajniranjem oblika (strukturno optimiranje)
ovisno o pomacima (dobiveni nekim od numerikih metoda) poboljavaju se varijable optimiranja
koje opisuju domenu u ovisnosti o funkciji cilja i ogranienjima. Funkcija cilja je minimum virtualnog
rada vanjskih sila:

(3.7)
uz ogranienje uvjeta ravnotee (3.8) i distribuciju svojstava materijala (3.9):

(3.8)

, (3.9)
te uz uvjet ogranienja volumena materijala:

(3.10)
Primijenimo li Lagrange-ovu funkciju (poglavlje 2.2) na SIMP metodu optimiranja, iz prethodnih izraza
(3.7), (3.8), (3.9) i (3.10) dobivamo:

(3.11)
- Lagrange-ov multiplikator za jednakosna ogranienja ravnotee,
- polje pomaka
polje virtualnih pomaka
- Lagrange-ov multiplikator za nejednakosna ogranienja uz ogranienje volumena

i ogranienja
graninih vrijednosti gustode

.
Prvi lan jednadbe (3.11) predstavlja funkciju cilja odnosno minimum virtualnog rada vanjskih sila
(3.7). Drugi lan u jednadbi (3.11) odnosi se na ogranienje ravnotee (3.8), tredi lan (3.11) je
ogranienje volumena (3.10), dok se zadnja dva lana jednadbe (3.11) odnose na granine
vrijednosti gustode .
3.1.1 Osjetljivost procesa

Analiza osjetljivosti opisana je u poglavlju 2.7, gdje smo definirali osjetljivost kao promjenu funkcije
cilja (podatljivost) po promjeni neke pojedinane varijable. U ovom sluaju SIMP topoloke metode
optimiranja, varijable za koje se rauna osjetljivost su gustode pojedinih elemenata. Kako varijabli
optimiranja (gustode pojedinih elemenata) ima jako mnogo (Large scale problem), a potrebno je
odrediti derivacije po svim varijablama optimiranja, osjetljivost se i teko rauna.
3.1.2 Usklaivanje mree i postojanje rjeenja

Kako tonost optimiranja SIMP metodom ovisi o diskretizaciji konanim elementima (zbog ), a
konani elementi imaju vedu tonost povedanjem broja konanih elemenata (vidi poglavlje 2.6.1),
povedanje broja konanih elemenata pri SIMP topolokom optimiranju moe dovesti do strukture sa
mnotvom tankih pojaseva materijala. To uzrokuje beskonano tanku mreastu strukturu, to nije cilj
optimiranja. Stoga je potrebno uvesti ogranienja koja de sprijeiti pojavu beskonano tankih pojasa
strukture.

29

3.1.2.1 Kontrola opsega

Jedno od ogranienja koje se moe uvesti kako bi se izbjegla tanka mreasta struktura je kontrola
opsega.
Kontrolu opsega moemo definirati kao sumu duljina odnosno povrina vanjskih i unutarnjih rubova i
kontura. Kontrolu opsega moemo koristiti pri ogranienju broja rupa u promatranoj domeni. Ovu
karakteristiku moemo primijeniti i u 0-1 i u SIMP metodi topolokog optimiranja za 2D i 3D
probleme. Ogranienje kontrole opsega u formi gornje granice totalne varijacije gustode moemo
definirati kao (3.12):

(3.12)
- je vrijednost koja govori da li je funkcija za trenutnu varijablu X na rubu. Tamo gdje je velik
imamo nagle promjene iz ima materijala u nema materijala.
Modul uzima se jer je svejedno da li se radi o padu ili porastu funkcije (potrebno je samo
ustanoviti da li je rub ili nije).
Jednadba (3.12) integrira se da bi se zbrojile vrijednosti svih , te na taj nain dobio podatak o
duljini granica izmeu praznina i materijala.

Slika 16 Prikaz strukture sa jednom rupom (a) i sa velikim brojem rupa (b) u domeni
Slika 16 a prikazuje podruje koje ima mali broj prijelaza (rubova), te u tom dijelu ima manju
vrijednost , dok Slika 16 b ima puno prijelaza iz ima materijala u nema materijala te je vrijednost
varijable veda.

Za dobru diskretizaciju gustode konanim elementima ogranienje u 2D se moe zapisati:

(3.13)

rub elementa

promjena gustode preko ruba

odnosno izmeu dva susjedna elementa.

K broj elemenata
parametar koji je mali i pozitivan, za , izraz postaje tono od elementa pozitivnih
ogranienja.

Jednadba (3.13) poprima vedu vrijednost to se broj skokova

povedava. Ako izmeu pojedinih

elemenata nema promjene gustode

, vrijednost P jednaka je nuli, a ako izmeu pojedinih

elemenata postoje promjene gustode, odnosno

poprima neku vrijednost, P je pozitivan broj.

Y
X
Y
X
a b
30

3.1.2.2 Metoda ograniavanja gradijenta

Tanku mreastu strukturu kao i ishod optimiranja topologije mogude je izbjedi i ogranienjem
gradijenta gustode. Pretpostavimo da domena ima jako gustu podjelu odnosno puno vorova u
kojima je zadana gustoda . Pojavom tanke mreaste strukture gradijent gustode imat de velike
vrijednosti na prijelazima izmeu i . Stoga se moe uvesti ogranienje da velike promjene
gradijenta u poljima domene ne smiju biti blizu jedna drugoj, ime se izbjegava pojava tanke
mreaste strukture.

(3.14)
Jednadba (3.14) predstavlja brzinu promjene gustode, te se prihvadaju blage promjene gustode u
okolnim vorovima. U koliko je promjena gustode veda od G, ne prihvada se promjena gustode.
Problem kod ove formulacije je uvoenje puno ogranienja.

Moe se uvesti i da razmak promjena gustode bude dovoljno velik, ime se izbjegava beskonano
tanka nit.

Postoje strategije pretraivanja gdje se nalaze toke sa velikim promjenama u gustodi.

Druga metoda limitiranja vrlo tankih struktura je globalno gradijentno ogranienje, gdje se uvodi
ogranienje:

Druge metode limitiranja pojave tanke mreaste strukture temelje se na filtriranju promjene gustode
u domeni primjenom razliitih numerikih filtara. Metode limitiranja moemo promatrati kao sita
koja proputaju velike promjene gustode, a zadravaju blae promjene. Numeriki filtri nisu u fokusu
ovog rada, te ih nedemo detaljnije opisivati.

31

4. Level Set metoda

Problem optimiranja topologije oblika je sloen jer istovremeno rjeava dva spregnuta polja
problema:
- polje pomaka
- geometriju odnosno distribuciju materijala

Kako je ranije istaknuto, pri optimiranju je mogude definirati tri kategorije: definiranje dimenzija,
definiranje oblika i definiranje topologije.
Klasino rjeavanje podrazumijevalo je posebno definiranje oblika i topologije, meutim pojavom
Level set metode ove tri kategorije integrirale su se u jednu metodu rjeavanja.
Ako govorimo o topolokom optimiranju, zadatak je distribuirati odreenu koliinu materijala tako da
se optimira odziv (statika nosivost ili dinamiki odziv po nekom spektru).
Level set je implicitna funkcija koja opisuje geometriju. Level set funkcija nalazi se u n+1 dimenziju u
odnosu na geometriju koju opisuje te njene izo-linije definiraju geometriju. Ovim svojstvom
omogudeno je da level set funkcija opisuje i topoloke promjene geometrije pri optimiranju (moe
opisati promjenu kao to je stvaranje novih rupa u domeni), a pri tome nije potrebna nova
parametrizacija geometrije.

Slika 17 Opda implicitna funkcija
Slika 17 prikazuje funkciju (Level Set funkciju) za 2D problem koja sjee pravokutnu domenu . Ako
je pravokutna domena na x-y ravnini tada presjek funkcije i pravokutne domene ini novu
domenu sa otvorima na zadanoj pravokutnoj domeni (Slika 18). Nulta izo-linija level set funkcije
daje nam oblik konture u x-y ravnini.

Slika 18 Prodor Level set funkcijom u pravokutnu domenu
Parametrizacija prostornog oblika funkcije , daje parametarski oblik funkcije po dizajn
varijablama . Gdje x predstavlja varijable prostora, a X varijable dizajna koje mogu biti oblik,
topologija, varijable stanja
( ) , x y u
O
u
x
y
O
cO
D x
y
32

Ovim postupkom uoavamo da je funkcija promijenila topologiju pravokutnika (dodala rupu).
Promjenom oblika ove funkcije moemo promijeniti oblik, veliinu i broj rupa, kao i oblik i topologiju
cijelog modela. Promjena oblika moe biti dinamiki proces, te ovisiti i o pseudo-vremenu t.
U pravokutnoj domeni postoje sljededa stanja:
- stanje ima materijala (unutar) kojeg moemo definirati kao
- stanje nema materijala (izvan) kojeg moemo definirati kao (4.1)
- granica ,
gdje su:
- podruje sa materijalom
- granica podruja
D nepromjenjiva domena unutar koje definiramo oblik i topologiju promatranog podruja .

Dakle definirali smo funkciju u 3D, a oblik koji elimo dobiti je u 2D, odnosno u n-1 dimenziji. U
trenutku t funkcija izo linije je:
(4.2)
Ako svim tokama Level Set funkcije zadamo brzinu

, dobit demo promjenu Level set funkcije u

vremenu (4.3). Ovu formulaciju zapisujemo Hamilton-Jacobi-evom parcijalnom diferencijalnom
jednadbom [16] te diferenciranjem (4.2) ona glasi:

(4.3)
Za potpunu definiciju jednadbe (4.3) moramo definirati gradijent funkcije , koji za prostor iznosi:

Smjer povedanja funkcije u zadanoj toki

, odnosno normala je:

(4.4)
Hamilton-Jacobi-eva funkcija upravlja promjenom plohe u n+1 dimenziji:

(4.5)
gdje je

neka zadana normalna komponenta brzine promjene Level set funkcije [17]:

(4.6)
- de se odabrati razmatranjem minimuma potencijalne energije .

4.1 Rjeavanje metodom konanih razlika (klasini Upwinding
postupak)

Ako promatramo 1D problem tada je derivacija funkcije metodom desne konane razlike:

(4.7)
Odnosno lijeve konane razlike:

(4.8)
ovisno o tome da li se uzima lijevi ili desni segment funkcije. Kada vrimo numeriko deriviranje,
prethodno je potrebno uoiti u kojem se smjeru krede funkcija , da bi izraun derivacije bio toniji.
Brzina

, koja se zadaje svim tokama presjeka funkcije sa x-y ravninom, pomie funkciju u
vremenskom intervalu u novi poloaj. Ako je pomak funkcije u desno, koristi se lijeva konana
33

razlika (4.8), a kao je pomak u lijevo, koristi se desna konana razlika (4.7) [17]. Razliiti izrauni za
lijevi i desni pomak funkcije uzimaju se zbog numerike stabilnosti Slika 19.

Slika 19 Prikaz numerikog diferenciranja konanim razlikama
Ako se funkcija u vremenu pomie u lijevu stranu, prethodni podatak je sa desne strana (

), te
se taj podatak i koristi za proraun derivacije, jer de dati toniji rezultat (jednadba (4.7)). Analogno
se za pomak funkcije u desno uzima vrijednost

(jednadba (4.8)) [17].

Centralna konana razlika (4.9):

(4.9)
se ne koristi zbog takoer loe stabilnosti.
Uvoenjem veliine izbjegava se dijeljenje sa nulom u jednadbi normale (4.4).
Analogno ovim jednadbama moemo definirati jednadbe za prostor. Pa je zakrivljenost u prostoru:

(4.10)
Ako je , radi se o konkavnom podruju. Za podruje je konveksno, a ako je radi se
o ravnini. Zakrivljenost moemo izraunati:

(4.11)
Stoga je potrebno definirati i drugu derivaciju funkcije :

(4.12)
Zakrivljenost bi trebala biti u granicama

. Ako je izvan ovih granica uzima se

vrijednost

ili

ovisno koja je blia izraunatoj. Zakrivljenost se treba uzimati sa oprezom kada je

funkcija nepravilna.

Slika 20 Prikaz konveksnog (>0) i konkavnog ( <0) podruja te unutarnjeg i vanjskog podruja

x

x x
i-1 i i+1

i-1

i+1

+
>0
vani

-
<0
unutra

=0
rub
<0
>0
34

4.1.1 Teinske funkcije i definiranje podruja

Iz nejednadbi (4.1) moemo definirati karakteristiku unutarnje funkcije
-
u unutarnjem podruju i

+
u vanjskom podruju :

Odnosno moemo definirati teinsku funkciju H koja nam govori o tome da li je promatrana toka
unutar ili izvan podruja:

gdje je

. Izvan podruje definiranosti teinska funkcija je

jednaka nuli, a unutar podruja jednaka je jedinici.
Volumni integral neke funkcije f preko cijelog unutarnjeg podruja definiran je kao:

(4.13)
S tim da je integral nad cijelim podrujem ,ali funkcija

ne uzima u obzir podruje . U ovu

definiciju moemo dodati 1D teinsku funkciju, te jednadbu (4.13) zapisati kao:

(4.14)
to predstavlja integral po unutarnjem podruju, a integral po vanjskom podruju je:

(4.15)
Po definiciji usmjerena derivacija teinske funkcije H je Dirac-ova delta funkcija [17] iz lananog
pravila (2.71) i normale (4.4):

(4.16)
gdje je Dirac-ova funkcija u 1D:

, a vie-dimenzijska varijabla.

je skalarna
veliina koja ima iznos samo na granici. Vektor normale

uzima se jer skalarni produkt vektora

gradijenta teinske funkcije H i normale N iznosi nula u cijelom podruju osim na granici, i umnoak je
skalarna veliina. Pomicanjem granice Dirac-ova funkcija ima iznos samo u smjeru normale, dok u
tangencionalnom smjeru njen iznos treba biti jednak nuli.
Povrinski integral funkcije f je u cijelom podruju , dok

iskljuuje sve osim granica [17]:

(4.17)
Obino se volumni integral rjeava podjelom unutarnjeg podruja ,a integral po granicama
podjelom granice na manje dijelove.
Ako promatramo povrinski integral (4.17), potrebno je izraunati . Bududi da je
gotovo svugdje, osim na granici, gdje je procijenjena na 0 , bilo koja standardna numerika
aproksimacija temeljena na uzorkovanju nede dati dobru aproksimaciju integrala. Zato koristimo
aproksimaciju sa razlivenosti funkcije prvog reda. Prvo definiramo teinsku funkciju razlivene
funkcije [17]:

(4.18)
35

gdje je

parametar koji odreuje irinu podruja numerike razlivenosti. Obino je

.
Slika 21 prikazuje razlivenu funkciju:

Slika 21 Prikaz razlivenosti funkcije
Sada definiramo i delta funkciju kao derivaciju teinske funkcije:

(4.19)
Ovako definirana delta funkcija omoguduje izraun integrala po granicama (4.17) koritenjem
standardnih tehnika kao to je pravilo srednje toke.
Konane razlike koje su navedene (4.7), (4.8), (4.9) i vremenska shema koraanja (npr. Euler-ova),
koriste se za rjeavanje Hamilton-Jacobi-eve diferencijalne jednadbe (4.3). Ovakav postupak
rjeavanja naziva se klasini upwinding postupak. Postupak zahtjeva odgovarajudi izbor upwinding
sheme, brzine promjene i reinicijalizaciju algoritma, to moe ograniiti koritenje level set metode
pri minimizaciji potencijala (poglavlje 2.5).
Da ne bi morali primjenjivati upwinding shemu i time izbjegli navedene probleme, u ovom radu
idemo na alternativni pristup putem parametrizacije funkcije . Time umjesto vremenske sheme
koraanja na diskretnoj mrei toaka, kao kod upwinding sheme uvodimo normalnu komponentu
brzine promjene Level set funkcije

, koja je navedeno u poglavlju 4.4 jednadbama (4.37) i (4.38)

[12]. Metodom extension velocity odreuje se priblino raspodjela brzina u cijeloj domeni iz poznate
(dobivene) raspodjele brzina uz granice domene.

Kod upwinding sheme kod Euler-ovog pristupa transportna jednadba (4.5) rjeava se metodom
konanih elemenata(poglavlje 2.6.1) na fiksnoj mrei. Kako ovaj pristup zahtjeva parcijalne derivacije,
mrea konanih elemenata mora biti jako gusta, kako bi se parcijalne derivacije dobile dovoljno
tono, to ima za posljedicu povedavanja numerike greke.

4.2 Interpolacijske funkcije za Level set funkciju

U koliko provedemo parametrizaciju implicitnog modela, Hamilton-Jacobi-eva parcijalna
diferencijalna jednadba de postati sustav obinih diferencijalnih jednadbi, koje olakavaju
matematiki izraun.
Parametrizaciju funkcije mogude je izvesti svim interpolacijskim ili aproksimacijskim metodama,
kao to su Nurbs, Bezier, B-spline i druge krivulje koje opisuju geometriju. Nama najzanimljiviji sluaj
je opisati level set funkciju RBF aproksimacijskom funkcijom, a jedna od njih je i RPIM interpolacija
opisana u prethodnom poglavlju.
RBF aproksimacija nam je zanimljiva jer nudi jedinstveno rjeenje pri interpolaciji, osigurana je
konvergencija jer daje invertibilnu matricu. Jo jedna prednost koritenja RBF metode je mogudnost
stvaranja novih rupa pri procesu optimiranja (eng. nucleation), to nije bilo mogude koritenjem
upwinding postupka [18].
Pri topolokom optimiranju level set metodom, pomicanje granice konture u smjeru najbreg spusta
je ekvivalentno pomicanju implicitne funkcije rjeavanjem Hamilton-Jacobi-eve diferencijalne
jednadbe (4.5).
f
X
f
X
36

Parametrizaciju funkcije moemo provesti RPIM metodom. Bit RPIM interpolacije lei u
odreivanju koeficijenata RBF-a i koeficijenata polinoma. Ovi koeficijenti se sada nazivaju ekspanzijski
koeficijenti, jer de upravo oni govoriti o promjeni oblika level set funkcije.
Dva su pristupa rjeavanja Level set funkcije:
- Konane diferencije u Eulerovoj mrei rade se konane razlike prema (4.7), te se dobiju
algebarske jednadbe na bazi vrijednosti vorova (mrea vorova diskretni pristup).
Problem ovakvog pristupa je da se moraju koristiti interpolacijske funkcije oblika niskog reda,
kao bi se izbjegle oscilacije. Zahtjeva se jako gusta mrea, odnosno mali vremenski korak, te
je i raunalno zahtjevniji pristup. Zbog toga se ide na pristup bez konanih diferencija.
- Parametarsko optimiranje funkcije, koju demo opisati detaljnije u poglavlju 4.3

4.2.1.1 Polje problema

Ako promatramo oblik koji smo dobili putem izo-linije level set plohe (Slika 18), pojavit de nam se
pitanje podjele promatranog polja problema. Tijek optimiranja moe dati bitno razliite oblike (Slika
22).

Slika 22 Proces optimiranja. Isprekidana linija - poetno stanje, puna linija stanje u procesu optimiranja
Problem moemo razmatrati Eulerovim ili Lagrange-ovim pristupom. Kod Eulerovog pristupa,
formiramo fiksnu Eulerovu mreu u promatranoj domeni. Za svaku toku Eulerove mree moemo
dobiti vrijednost Level set funkcije. Meutim, vrijednosti funkcije moemo dobiti samo za toke iznad
vorova Eulerove mree (Slika 23):

Slika 23 Prikaz Level Set funkcije nad Eulerovom mreom
Ovakva raspodjela toaka nije dobra za rjeavanje problema, jer pri promjeni Level Set funkcije
nedemo imati vorove tono na presjeku Level set funkcije sa ravninom x-y, to dovodi do zahtjeva
jako guste podjele te je numeriki prezahtjevno. Ako funkciju promatramo preko Lagrange-ovog
pogleda na polje problema, gledamo pomak vora Level Set funkcije u poetnom i sljededem koraku,
Slika 24:
x
y
Y
X

37


Slika 24 Promjena Level Set funkcije u vremenu Lagrangeovim pogledom na polje problema
Ovakvim pristupom moemo znatno smanjiti broj vorova. Koje polje demo odabrati ovisi o odabiru
metoda optimiranja podruja.
4.3 Jednadba gibanja level set funkcije i proces optimiranja

Dva su pristupa rjeavanja Level set funkcije:
- Konane diferencije opisane u prethodnom poglavlju 4.1.
- Parametarsko optimiranje funkcije - gdje se vri separacija prostora i vremena. Prostorni
aspekt se interpolira RBF-ovima, a nakon toga se promjene funkcije rjeavaju vremenskim
koranim shemama u kvazi vremenskoj domeni. Ova metoda optimira parametre (vrijednosti
u vorovima) kojim se opisuje Level set ploha.

Hamilton Jakobijeva parcijalna diferencijalna jednadba (4.5) poinje od nekog poznatog oblika level
set plohe uz neku danu brzinu

(4.6):

Kako je Hamilton Jacobi-eva jednadba (4.3) vremenski ovisna u implicitnoj RBF jednadbi level set
funkcije pretpostavit demo da je poloaj vorova u prostoru nepromjenjiv a prostor i vrijeme
odvojeni parametri, odnosno izvrit demo separaciju prostora i vremena. Implicitna funkcija je
vremenski ovisna uslijed ekspanzijskog vektora koeficijenata RBF interpolacije

(to su vrijednosti u
vorovima RBF), koji ovise samo o vremenu i dobiveni su RPIM interpolacijskom metodom. Sa ovom
pretpostavkom RBF interpolacija implicitne funkcije (2.54) postaje:

(4.20)
U svakom koraku ciklusa optimiranja potuje se H-J diferencijalna jednadba, a mijenjamo vektor
brzine

kojeg odreujemo iz uvjeta minimuma funkcije cilja.

Vektor brzine prikazuje promjenu granice u kvazi-vremenu na nain da se mijenja oblik prema
optimumu, to se moe svesti na metodu najbreg spusta, pri emu je brzina vektor smjera
promjene.
Ovako definiranim optimiranjem mijenja se osim dimenzije i topologija polja problema. Promjena
oblika funkcije iji presjek opisuje polje problema moe dati i drugu topologiju polja problema. Sada
se topologija javlja kao posljedica optimiranja funkcije cilja, a ne kao zadana funkcija. Varijable
optimiranja X su vrijednosti u vorovima RBF-a (iznad promatrane domene), odnosno ako
optimiramo 2D polje problema (x,y) tada su varijable optimiranja iznad ove domene (z-vrijednosti u
RBF vorovima).
Za modeliranje level set ploha esto se koriste i RBF funkcije, NURBS-ovi, B-spline
Aproksimacija RBF-om izvodi se jednadbom (2.57), gdje je aproksimiran pomak sada naa Level
set ploha , dok su fiksni vorovi RBF-a

sada koeficijenti

ovisni o vremenu.
Funkcija ovisi samo o prostoru. Razdvajanjem vremenskih i prostorno ovisnih varijabli, iz Hamilton
Jacobi-eve parcijalne diferencijalne jednadbe (4.3) i jednadbe RBF interpolacije (4.20), dobivamo
sustav raspregnutih obinih diferencijalnih jednadbi, jer su sada koeficijenti

iznosi u pojedinim
vorovima i neovisni su jedni od drugih [12] i [18]:
Y
X

38

(4.21)
gdje je:

(4.22)
Za gradijentni postupak potrebno nam je poetno rjeenje problema, a u koliko se optimiranje vri
genetskim algoritmima, generirali bi plohu sluajno.
Funkcija RPIM interpolacijom pomodu RBF (jednadbe (2.44), (2.45), (2.46), (2.47), (2.48)) i
polinomnih funkcija (dobivenih iz Pascal-ovog trokuta Slika 13) moemo zapisati kao [12]:

(4.23)
odnosno derivirano:

Parcijalna derivacija po x-u multikvadratnog RBF (2.45) iznosi:

(4.24)
Analogno se moe izvesti za y i z - os.
Koeficijenti

daju shemu koraanja (kako se ploha mijenja u vremenu), i vezani su uz vorove RBF-
a.
Deriviramo li dodatne uvjete ortogonalnosti (2.53) dobivamo izraze (4.25):

(4.25)
Ako formuliramo problem preko RBF funkcija, mogude je zabraniti nastajanja rupa, tako da se ne
doputaju promjene koeficijenata RBF-a na onim vorovima koji nisu na rubu. Drugim rijeima samo
rubni vorovi su puteni da se mijenjaju u vremenu, a ostali su zamrznuti. U tom se sluaju samo
vanjska kontura moe mijenjati. Ako oslobodimo sve koeficijente da se mijenjaju tada algoritam
sam mijenjajudi funkciju moe dodavati, spajati ili popunjavati prazna mjesta u promatranoj
domeni ovisno o procesu optimiranja. Takoer je mogude odabrati koeficijente

nepromjenjivim na
proizvoljnim zonama, te se na taj nain moe interpolirati oblik koji ima neku rupu kroz koju de prodi
na primjer vratilo ili slino.

Sada ukupna Hamilton Jacobi-eva jednadba(4.21) u prostornoj i vremenskoj domeni, uz rubne
uvjete (4.25) i kolokacijsku metodu (aproksimacijska metoda uz zadovoljenje rubnih uvjeta i
diferencijalne jednadbe u svim kolokacijskim vorovima) i glasi [17]:

(4.26)
gdje je:
39

(4.27)
Kolokacijska matrica G je invertibilna i izvedena je zbog ogranienja (4.25), a prikazana je u poglavlju
2.6.3.1. Diferencijalna jednadba (4.26) je rjeiva i ne singularna te nam ona daje koeficijente RBF-a
ovisne o vremenu a
0
(t) (parametrizacija u prostoru). Odnosno, rjeavanjem ovog sustava
raspregnutih obinih diferencijalnih jednadbi dobivamo brzine i smjerove kretanja svih vorova pri
optimiranju, to predstavlja micanje level set funkcije. Koristedi Euler-ovu metodu, aproksimativno
rjeenje Hamilton Jacobi-eve jednadbe (4.26) moe se raunati kao:

(4.28)
gdje je veliina vremenskog koraka.
Ovim smo definirali promjenu Level set plohe, odnosno geometriju za neki dani

. Meutim, na cilj
je optimirati nekakvu konstrukciju obzirom na zadane kriterije (minimalna masa, uz zadravanje
nosivosti i vrstode), koje demo ugraditi u brzinu micanja Level set plohe

.
4.4 Izvrsnost i funkcija cilja Level set plohe

Pri procesu optimiranja potrebno je definirati funkciju cilja, ogranienja i kriterije pri odluivanju.
Obino se za funkciju cilja uzima minimum potencijalne energije (minimum unutranje energije)
(2.32) ili minimum utroenog materijala. Fizikalni dogaaji koji se deavaju u podruju nastalom od
Level set plohe rjeavaju se numerikim metodama opisanim u poglavlju 2.6.
Promatrano podruje (polje problema) potrebno je podijeliti na manja podruja kako bi dobili to
toniju aproksimaciju.
Kod rjeavanja problema polja konanim elementima pri promjeni oblika domene javlja se problem
promjene mree konanih elemenata u sljededoj iteraciji. Ponovno kreiranje mree konanih
elemenata se moe izbjedi koritenjem bez-mrenih metoda (RPIM) ili postupkom zamjenskog
materijala kako je opisano u poglavlju 2.6.2.
Jedna od metoda rjeavanja polja problema je prethodno opisana SIMP metoda (poglavlje 3) koja
mijenja gustodu materijal u ovisnosti o podacima koji se dobiju numerikim metodama (pomaci i
deformacije), te na taj nain stvara optimalni oblik. Odnosno na mjestima gdje su deformacije vede,
gustoda materijala se povedava. Na mjestima gdje nema deformacije, materijal postupno nestaje
(Slika 25).

Slika 25 Prikaz podjele podruja na elemente (vorovi unutar rupe su od mekeg materijala)
Jo jedna metoda odreivanja polja problema je metoda odreivanja promatranog podruja (X-FEM),
koja uz granice podruja uzima gudu mreu u odnosu na ostalo podruje, to daje toniji opis
geometrije i rezultate dobivene numerikom metodom.
Funkcija koja se minimizira je podatljivost, odnosno energija, i u jednadbi (4.29) je oznaena sa
:
Y
X
40

(4.29)
Ogranienja koja se zadaju (ogranienje volumena ili ogranienje naprezanja) potrebna su jer bi pri
optimiranju domena sa materijalom rasla, jer je u tom sluaju podatljivost najmanja, odnosno krutost
najveda. Izrazi za naprezanja su sloeniji, te se uzima ogranienje volumena koja je integralna
veliina, pa je zbog toga i pogodnija za proraun.
Ogranienja pri optimiranju polja problema, opisanog level set funkcijom, zapisuju se kao:

(4.30)
Principom minimuma potencijalne energije zadovoljavamo uvjet ravnotee (poglavlje 2.5). Funkcija
je trenutna level set funkcija, za ije nul izo plohe dobivamo konturu nae promatrane geometrije.
Funkcija nam govori u kojem podruju se nalazi materijal za trenutnu promatranu geometriju,
a koji dijelovi domene su prazni (bez materijala), to je i opisano u poglavlju 4.1.1.
Dakle funkcija cilja kod optimiranja level set plohe je minimum unutarnje potencijalne energije (2.32)
, uz zadovoljavanje uvjeta ravnotee i volumena kojeg smo dali algoritmu na raspolaganje [12], [19]:

(4.31)

(4.32)
je parametar koji osigurava dio volumena koji elimo da ostane (koliko od poetne domene ostaje
materijala).
- ukupni unutarnji virtualni rad (2.32).
H step funkcija koja nam govori o postojanju materijala u promatranom podruju (poglavlje 4.1.1).
Jednadba stanja napisana je kao jednakost slabe dualne formulacije i linearnog
opteredenja i predstavlja ogrenienje u level set metodi:

Linearno opteredenje predstavlja rad vanjskog opteredenja (2.33) iz poglavlja 3 i sada ga moemo
zapisati kao:

(4.33)
sile koje djeluju na tijelo vidi poglavlje 3
sile na granicama
ravnoteno polje pomaka
virtualno kinematsko dopustivo polje
parcijalna derivacija teinske funkcije , odnosno Dirac-ova funkcije.
Ako formiramo Lagrange-ovu funkciju, dobit demo jednadbu (4.34):
, (4.34)
gdje je Lagrange-ov mnoitelj.
Uvrtenjem jednadbi (4.31) i (4.32) u (4.34), dobivamo sloenu Lagrange-ovu funkciju kao i u
poglavlju 3.1 jednadba (3.11), ovisnu jo i o level set funkciji :

(4.35)
Ako promotrimo jednadbu (4.35), uoavamo da se radi o jednadbi virtualnog rada. Kako rubne sile
djeluju samo na rubovima, deriviranjem step funkcije H dobivamo Dirac-ovu funkciju. Ovakva
41

formulacija (4.35) ekvivalentna je minimizaciji potencijalne energije, i naziva se bilinearnom jer
postoje dva polja: ravnoteno polje u i virtualno polje koje je superponirano na ravnoteno.

Za razliku od klasinih problema minimiziranja, gdje imamo zadanu geometriju i minimiziramo
energiju, ovdje imamo dodatni problem jer nemamo definiran oblik. Da se volumen ne bi sveo na
nulu u procesu optimiranja, sukcesivno se smanjuje koliina materijala koji se daje algoritmu da ga
redistribuira, te preko Lagrange-ovog multiplikatora zadajemo volumno ogranienje (4.35).
Minimiziramo potencijalnu energiju () za trenutni oblik, tako da ouvamo zadovoljenost uvjeta
ravnotee i volumen koji smo dali algoritmu na raspolaganje.
U ovom radu promotrit demo dva pristupa optimiranja level set plohe:
- Optimiranje genetskim algoritmom varirat de se parametri RBF-a (

) dok je funkcija
podobnosti uz ogranienja (4.35).
- Optimiranje gradijentnim metodama zahtjeva izraun vektora najbreg spusta, deriviranjem
jednadbe (4.35).
Matematiari su izveli brzinu pomicanja level set funkcije ovisno o funkciji cilja i ogranienja,
perturbacijama granice dopustive domene . Dobija se derivacija oblika funkcije cilja
(4.35) [20]:

(4.36)
gdje je t kvazi vrijeme, a

normalna komponenta kvazi brzine. Jednadba (4.38) moe se

pojednostavniti [19], [21] i prikazati kao krivuljni integral po granici :

(4.37)
Iz jednadbe(4.37), slijedi brzina (4.6) koja nam govori u kojem smjeru je optimalan poloaj nae
Level set plohe:
Uvrtenjem jednadbe (4.38) u Hamilton-Jakobievu jednadbu (4.5) dobivamo promjenu Level set
plohe u pseudo vremenu, za

koji sada predstavlja smjer najbreg spusta za minimzaciju

potencijalne energije:

(4.39)
gdje je t kvazi-vrijeme, a

normalna komponenta kvazi-brzine.

Derivacija u trenutnoj toki nam odreuje smjer najbreg spusta pri traenju minimuma funkcije.
Odnosno vektor koji najbre smanjuje Lagrange-ovu funkciju je upravo , to proizlazi iz Taylor-
ovog reda i iz Kuhn-Tucker-ovih (KT) uvjeta ekstrema [1].
U jednadbi (4.38) moemo uoiti da brzina pomicanje level set funkcije odnosno smjer

ovisi o
polju deformacija . Stoga je u svakoj iteraciji optimiranja potrebno i izraunati polje deformacija za
trenutnu konfiguraciju. Deformacije moemo raunati metodom konanih elemenata. Nakon svake
iteracije potrebna je nova mrea konanih elemenata, jer se geometrija polja problema promijenila
uslijed procesa optimiranja.
Osim konanim elementima polje deformacija moemo izraunati i metodom zamjenskog
materijala.
Optimiranjem minimiziramo podatljivost uz ogranienja volumena te primjenjujemo osjetljivost
funkcije kako bi rijeili optimizacijski problem. Model je Hamilton Jacobi-eva jednadba sa analizom
osjetljivosti oblika. H-J jednadba klasino se rjeava metodom konanih diferencija (Upwinding
metodom). Nedostatak ovakvog pristupa je ogranienje vremenskog koraka pri vremenskoj
integraciji eksplicitne jednadbe, te potreba re-inicijalizacije. Implicitno rjeavanje temelji se na
algoritmu koji derivira funkcije osjetljivosti u parametarskom prostoru.

(4.38)
42

Level set funkcija opisuje topoloki oblik jednadbama (4.1), dok se oblik mijenja promjenom granica
pomodu vektora normalne komponente brzine

(4.6) promjene Level set funkcije (4.5). Problem

minimuma podatljivosti zadan je izrazom (4.31) uz ogranienje (4.32), to formulirano pomodu
Lagrange-ovih mnoitelja poprima oblik kao jednadba (4.35). Koraanje u smjeru pada funkcije
omogudeno je normalnom brzinom

(4.38).
Uvrtenjem jednadbe (4.38) u (4.5) definiramo pomicanje granica domene prema minimumu
funkcije cilja (4.31). Rjeavanjem jednadbe (4.5) u Eulerovoj podjeli prostora koristedi konane
diferencije (konvencionalna Level set metoda) dolazi do potekoda:
- Ogranienje vremenskog koraka
- Re inicijalizacija
- Potreba za proirenjem brzine (velocity extension) na cijelu domenu D ili u uskom rasponu.

Metodom extension velocity odreuje se priblino raspodjela brzina u cijeloj domeni iz poznate
(dobivene) raspodjele brzina uz granice domene.

Slika 26 Prikaz polja proirenih brzina
Slika 26 prikazuje polje brzina na rubovima slobodnih granica, i proirenje ovih brzina (extension
velocity) na sve vorove mree promatranog podruja.
Izbor metode extension velocity moe utjecati na ukupnu uinkovitost procesa.

Deformaciju promijenjene geometrije moemo dobiti funkcijom ersatc materijal, remeom mree
elemenata ili RBF-funkcijama.

Na osnovu navedenog moemo formirati jedan globalni dijagram toka optimiranja:

43

4.5 Dijagram toka gradijentnog postupka optimiranja pomou RBF &
Level set metode


Slika 27 Pseudo kod Level set optimiranja pomodu RBF funkcija gradijentnim postupkom

PRIKAZ
- Zadati opdu level set funkciju
i
. Izolinija level set funkcije (njene nul-toke
opisuju promatranu geometriju)
- Funkciju je mogude zadati kao parametarsku jednadbu pomodi Nurbs-a,
Bezier-a, RBF aproksimacijom i td.
SEPARACIJA PROSTORA I VREMENA
- Separacijom prostora i vremena Hamilton Jacobi-eve funkcije dobijemo izraz koji
ovisi o prostoru i vremenu.
- Rjeavaju se obine diferencijalne jednadbe jer ovise samo o vremenu. Iz ovog
izraza pomodu prethodno izraunate vrzine v
n
dobivamo promjenu koeficijenata
a
0
u vremenu. Sustav jednadbi se moe rijeiti Eulerom, Runge-Kutta
OPIS NOVE GEOMETRIJE RBF-om
- Parametarski opisati novu level set funkciju
i+1
. Te izo linijom
(nul-tokama) Level set plohe opisati novu geometriju.
FORMULACIJA PROBLEMA
- Numerikom metodom izraunati veliine preko kojih se definira minimum funkcije cilja. U
mehanici vrstih tijela te veliine su deformacije tijela.
- U svakoj iteraciju numerike analize potrebno je kreirati novu mreu konanih elemenata,
ili Ersatz material metodom odnosno slabljenjem (jeanjem) materijala na
odgovarajudim mjestima zadati promijenjeni model.
- Funkcija cilja je minimum energije, uz zadani volumen
FUNKCIJA CILJA
- Formira se sloena funkcija (Lagrange-ova ili kaznena
funkcija) s tim da se kao funkcija cilja uzima minimum
potencijalne energije.
FORMIRANJE SHAPE DERIVATIVE FUNKCIJE
- Iz uvjeta ekstrema: derivacija funkcije mora biti jednaka nuli (derivaciju sloene
funkcije izjednaiti sa nulom)
- uvjet pada funkcije smjer pada je u smjeru negativnog gradijenta funkcije.
- Ova formulacije daje nam polje brzina. Iz uvjeta ekstrema dobijemo smjer
najbreg spusta - od trenutne level set plohe, odnosno dobijemo brzinu v
n
.
- Polje brzina sada se narinjava na Hamilton Jacobijevu jednadbu.
KOEFICIJENTI U SLJEDEDEM VREMENSKOM KORAKU
- Dobijemo a
0
(t
n+1
) odnosno koeficijente RBF-a u sljededem vremenskom
koraku .
RBF APROKSIMACIJA
- Za poznate koeficijente RBF-a daje level set plohu
i
.

, =

: =
0

, , = , +
, =

+1
=
0

0
=

0
0
0
0

+
0
= 0

+1
=

0
(
+1
)

+1
=
1

0
=
1

(x, t)

+(x, t)
dx
dt
= 0
HAMILTON JACOBI-EVA JEDNADBA
- Daje nam promijenu level set funkciju za zadano vanjsko polje brzina
V=dx/dt. Odnosno ovisnost funkcije
i
o vremenu.
= x, =

x
0

0
= 0
44

4.6 Dijagram toka negradijentnog postupka optimiranja genetskim
algoritmom pomou RBF & Level set metode


Slika 28 Pseudo kod Level set optimiranja pomodu RBF funkcija genetskim algoritmom

PRIKAZ
- Zadati opdu level set funkciju
i
. Izolinija level set funkcije (njene nul-toke
opisuju promatranu geometriju)
- Funkciju je mogude zadati kao parametarsku jednadbu pomodi Nurbs-a,
Bezier-a, RBF aproksimacijom itd.
OPIS NOVE GEOMETRIJE RBF-om
- Parametarski opisati novu level set funkciju
i+1
. Te izo linijom
(nul-tokama) Level set plohe opisati novu geometriju.
FORMULACIJA PROBLEMA
- Numerikom metodom izraunati veliine preko kojih se definira minimum funkcije cilja. U
mehanici vrstih tijela te veliine su deformacije tijela.
- U svakoj iteraciju numerike analize potrebno je kreirati novu mreu konanih elemenata,
ili Ersatz material metodom odnosno slabljenjem (jeanjem) materijala na
odgovarajudim mjestima zadati promijenjeni model.
- Funkcija cilja je minimum energije, uz zadani volumen
FUNKCIJA CILJA
- Formira se sloena funkcija (Lagrange-ova ili kaznena
funkcija) s tim da se kao funkcija cilja uzme minimum
potencijalne energije.
RBF APROKSIMACIJA
- Koeficijenti RBF-a a
0
daju level set plohu
i
. U prvom
koraku su poetna rjeenja. Genetski algoritam - kodiraju
se koeficijenti a
0
.
, =

: =
0

, , = , +
, =

+1
=

0
(
+1
)

+1
=
1

0
=
1

= x, =

x
0

PROVJERA UVJETA ZAUSTAVLJANJA
- Provjeravamo da li je pronaeno rjeenje,
odnosno da li je sustav konvergirao.
STVARANJE NOVE POPULACIJE
- Operatorima selekcije, mutacije i krianja
stvaramo novu populaciju kodiranih koeficijenata
a
0
(t+1).
RJEENJE
45

5. Dosadanja istraivanja

Pri klasinom rjeavanju problema mehanike vrstih tijela numerikim metodama oblik je zadan, te
su se odreivala naprezanja. Meutim pri optimiranju topologije u mehanici vrstih tijela postoji
problem odreivanja dva nepoznata polja: polje naprezanja i oblik (raspodjela materijala). Oblik
uzimamo kao varijablu pri optimiranju, te on kao takav nije zadan.
Postoje etiri temeljne metode koje optimiraju oblik i topologiju:
- Bubble metoda u kojoj se pri optimiranju, na primjer ploe sa rupama, mijenja veliina rupa u
promatranoj domeni kako bi dobili optimalni oblik [15], [24], [25].
- ESO metoda (Evolutionary structural optimization) [78], [79], [80], [81] u kojoj se rjeava
polje problema konanim elementima na ciljanoj domeni. Na mjestima gdje je metoda
konanih elemenata dala manja naprezanja, uklanja se (gricka) materijal.
- SIMP metoda (Solid Isotropic Material with Penalization) [3], [15], [24] optimira oblik u
ovisnosti o opteredenju na nain da je varijabla optimiranja gustoda materijala i ona tijekom
optimiranja lokalno slabi (odnosno jaa), te za optimalni sluaj gustoda materijala u
promatranoj domeni je jednaka nuli (nema materijala) ili je jednaka jedinici (puni materijal).
- Level set metoda optimiranja temelji se na implicitnoj funkciji ija izo linija opisuje geometriju
koja se optimira [12], [16], [17],[18], [19], [20], [74], [78], [73], [75], [76]. Kao takva level set
funkcija moe opisati i topoloke promjene geometrije pri optimiranju.

U ovom radu predstavljen je pregled i temeljne postavke numerikih postupaka potrebnih za
optimiranje i aproksimaciju geometrije SIMP i Level set postupkom topolokog optimiranja, gdje se
trai najbolje izvedivo rjeenje problema obzirom na zadane uvjete. Topoloko optimiranje i
optimiranje oblika koji su zadani implicitnom funkcijom sloen je i zahtijevan numeriki postupak
zbog velikog broja varijabli, rubnih uvjeta, te zbog mogudeg visokog stupnja nelinearnosti funkcija
koje se rjeavaju. Brojni radovi integriraju topoloko optimiranje, optimiranje oblika i numerike
aproksimacijske metode (za rjeavanje fizikalnih pojava) u jedinstveni postupak optimiranja.
Optimiranje oblika obino se sastoji od tri faze (Christensen i Klarbring [3]; Pourazady i Fu [22]; Saitou
i suradnici. [23]): topoloko optimiranje, optimiranje oblika i optimiranje dimenzija. Topoloko
optimiranje najblie je apstraktnoj konceptualnoj fazi. Mnogi radovi (Bendsoe i Sigmund [15];
Rozvany [24]; Eschenauer i Olhoff [25]) opisuju razliite pristupe, modele i procedure topolokog
optimiranja.

U ranim fazama dizajna, konceptualnu arhitekturu sustava (elementi povezanosti i elementi
topologije) mogude je dobiti primjenom teorije grafova.
U radu Wang i Tai [26], autori su primijenili grafove kako bi predstavili evolucijsko strukturno
topoloko optimiranje oblika. Grafove koriste kako bi povezali podruje opteredenja i oslonce
konstrukcije preko varijabli konstrukcije (vorova i rubova), koji su opisani kubinom Bezier-ovim
krivuljama promjenjive debljine. Svaki element se formira od jedne ili vie Bezier krivulja u nizu, kako
bi se omogudila kontrola oblika na lokalnoj razini. Razvijene su i metode kodiranja i dekodiranja
kromosoma i metoda krianja, temeljene na teoriji grafova. Realne vrijednosti kromosomnog koda su
vrhovi grafova (krajnje toke Bezier krivulja), kontrolne toke krivulja i raspodjela debljina. Pristup je
predstavljen na esto koritenom test primjeru naprezanja konzolne ploe, uz minimum podatljivosti
i minimum mase.
Vucina i Freudenstein [27], koriste grafove kako bi se sistematski prikazali i generirali mehanizmi sa
povedanim stupnjem sloenosti. Optimiranje postupkom nelinearnog programiranja vrilo se obzirom
na funkcionalnost mehanizma. Pristup je demonstriran na mehanizmu brisaa automobilskog
vjetrobranskog stakla. Shai i Preiss [28], [29] istraili su primjenu grafova za predstavljanje
inenjerskih sustava, pokazavi da se u grafove mogu ugraditi znanja o sustavima kao to su provjera
pravilnog odziva inenjerskog sustava. Primjena ugraenih znanja u grafove prikazana je na
primjerima konstrukcije nosaa, mehanizma zupanika i dinamikog sustava sa oprugama i masama.
46

Hamda i suradnici [30], [31] predstavili su vie-ciljno evolucijsko topoloko optimiranje, sa fokusom
na mogudu primjenu. Za razliku od bit-map reprezentacije diskretnog problema, Voronoi
reprezentacija ukida ovisnost reprezentacije o gustodi mree. Kao testni primjer Voronio pristupa
autori su uzeli konzolnu plou (tzv. Benchmark pristup topolokog optimiranja oblika).
U radu Rama Mohan Rao [32] prikazana je implementacija konanih elemenata i diskretizacija mree
u kombinaciji s evolucijskim metodama i graf prikazom. Takoer je raspravljeno o broju
optimizacijskih parametara koji trebaju biti neovisni o veliini mree kako bi se minimizirala
komunikacija meu procesorima.
U radu Kaveh i Kalatjari [33] grafovi su primijenjeni pri sintezi reetkastih nosaa genetskim
algoritmom i metodom sila. Primjena genetskog algoritma na topoloko optimiranje i optimiranje
oblika je vrlo sloen problem jer se obino radi o nelinearnim sustavima sa lokalnim optimumima.
Veliki je broj varijabli optimiranja, a katkad je broj varijabli i promjenjiv. Odabir i fino podeavanje
velikog broja kontrolnih parametara genetskog algoritma (veliina populacije, vjerojatnost, mutacija,
krianje) sloen je postupak.
De Jong i Spears [34], Grefenstette [35], Eiben i suradnici [36], i Deb [37] u svojim radovima daju
smjernice za optimiranje grafova genetskim algoritmom.

Optimiranje oblika u smislu inverznog procesa sinteze je vrlo kompleksan i kreativan proces, koji
ukljuuje mnoge aspekte kao to su iskustvo, ideje, pravila, metode, analiza, interakcije i druge
konceptualne elemente.

Antonsson i Cagan [38] koriste pravila (gramatiku) koja definiraju oblik, kako bi se proveo proces
sinteze oblika umjetnom inteligencijom i srodnim postupcima.
Odluka o optimalnom rjeenju nije jednostavna ak i kod analize modela koji nisu kompleksni.
Tehnika funkcionalnost i izvrsnost u praksi mogu imati vie kriterija, strukturnih ciljeva, nesigurnost
u parametrima, probabilistike sklonosti modela vie nego deterministike, dinamiko okruenje,
pouzdanost i robusnost optimuma i td. (Keeney and Raiffa [39]).

Uslijed promjene oblika i pod podruja dolazi do pojave velikih deformacija mree konanih
elemenata. Pojava velikih deformacija elemenata zahtijeva adaptivnu mreu konanih elemenata
(reinicijalizaciju) za kreiranje novih granica podruja i distribuciju materijala. Numeriki zahtjevna
reinicijalizacija mree u kombinaciji sa evolucijskim postupkom optimiranja oblika predstavljena je u
radu Bugeda i suradnika [40], i predloen je uinkovit postupak za generiranje adaptivne mree
koristedi analizu osjetljivosti. Analiza osjetljivosti rauna se za sve varijable koje su povezane sa
promjenom mree (poloaj vorova, procjena greke...) samo u prvom koraku. U ostalim koracima
optimiranja analiza osjetljivosti se ne rauna iznova za sve varijable, nego se projicira na osnovu
poetnog rjeenja, ime je znatno skradeno vrijeme raunanja.
U radu Schleupen i suradnika [41] predstavljena je adaptivna procedura analize konanim
elementima koja pronalazi globalne i lokalne greke aproksimacije modela. U radu Younsi i suradnici
[42] govore o metodi reduciranja vremena prorauna, nepravilnostima elemenata i grekama
diskretizacije pri optimiranju oblika to moe dovesti do pogrenog optimuma. Ovaj pristup uz
optimiranje oblika daje procjenu greke i vie adaptivnih mrea konanih elemenata za analizu, uz
profinjenije mree tijekom optimiranja.

Numerike metode potrebne za topoloko optimiranje i optimiranje oblika zahtijevaju veliku snagu
raunala za intenzivne numerike operacije. Alonso i suradnici [43] su u svom radu paralelizirali
proces strukturne analize konanih elemenata linearnog sustava GRID tehnologijom.
Vuina i suradnici [44] predstavili su algoritamski okvir koji obavlja kompleksne zahtjeve optimiranja
oblika i geometrije uz pomod raunala i numerikih metoda (FEA). Algoritamski okvir sastoji se od
postojedih standardnih programa kao pojedinih neovisnih dijelova. U radu je sinkronizirana razmjena
podataka data mining izmeu komponenti koje su neujednaene u smislu vremena izrauna.
47

Simulacija analizom konanih elemenata je najzahtjevniji proces pri optimiranju, te kao takav
zahtjeva i najvie vremena za izraun.

U fazi optimiranja oblika dizajna, uinkovita parametrizacija oblika postaje kljuna za uinkovito
optimiranje geometrije. Parametrizacija pohranjuje niz parametara (kontrolnih toaka, nagiba...) koji
definiraju geometrijski oblik.
Raniji pristupi opisa geometrije modela koriste koordinate vorova konanih elemenata kao varijable
oblika, to ima za posljedicu veliki broj varijabli oblika, diskontinuitet nagiba izmeu elemenata,
visoka dimenzija prostora traenja optimalnog oblika, reinicijalizacija mree konanih elemenata pri
promjeni broja varijabli dizajna i sl.
Drugi pristup je da se geometrija opisuje polinomima i parametarskim krivuljama. Interpolacijskim ili
aproksimacijskim metodama parametriziraju se granice, a parametri koji opisuju granicu uvode se
kao varijable optimiranja.
Brojni radovi opisuju osnovne pristupe parametrizaciji i promjeni geometrije Vanderplaats [45];
Braibant and Fleury [46], [47]; Imam [48]. Parametrizacija razliitih oblika geometrije takoer je
predstavljena i u radovima Saitou i suradnici [23]; Samareh [49].
Automatski odabir dizajn varijabli iz CAD modela prouavali su Zhang i suradnici [50]. CAD parametri,
kao to su svojstva pojedinih primitiva u modelu (kontrolne toke krivulja ili plohi, operator koji 2D
konture razvija u 3D oblik) u ovom radu predstavljaju varijable optimiranja. Uvjeti kontinuiteta
zadani na granicama konture koriste se kao geometrijska ogranienja. U radu se opisuje formulacija,
razmatra se osjetljivost uvjeta i primjenjuje na primjere optimalnog oblika nosaa obzirom na
moment uvijanja.
CAD pristup (Bohm i suradnici [5]; Farin, [51]; Hardee i suradnici [52]; Rogers and Adams [53]; Dai i
suradnici [54]) zasniva se na temeljnim znaajkama CAD modela (parametarski opis geometrije
objekata primitivima). Oblik se mijenja varijablama koji parametarski opisuju primitive, ali uz
ouvanje svojstava koje je korisnik zadao kao pravila i veze (geometrijska ogranienja).
Formulacija temeljena na mijeanju komponenti funkcija koje opisuju geometriju ponekad zahtjeva
manje varijabli uz dobro upravljanje geometrijom na lokalnoj razini. Udjeli komponenti funkcija koje
opisuju geometriju su varijable optimiranja.
Parus i suradnici [55] predstavili su morphing postupak kao uinkoviti alat za modeliranje pri
procesu sinteze. Morphing postupak za zadani poetni i krajnji oblik odgovarajudim operatorima
daje prijelazna stanja.
Pristup design element je metoda koja parametrizira strukturu dijeljenjem na pod podruja
(design element), koja imaju neovisnu mreu konanih elemenata. vorovi koji definiraju granice i
unutarnje podruje pod-podruja mogu se koristiti kao varijable pri optimiranju (Kegl [56]).
Song i Baldwin [57] kao varijable optimiranja koriste vorove koji su nastali finom podjelom granice
podruja na konane elemente. Koritena je i metoda minimalnih kvadrata, te B-krivulja koja definira
toke na rubovima konanih elemenata. Opisana je i greka te analiza osjetljivosti, a program je
testiran na konzolnoj gredi, ploi sa rupom, te nosau.

Integracija topolokog optimiranja i optimiranja oblika CAD modela je predstavljena u radu Tang i
Chang [58]. CAD model rekonstruira se B krivuljama i plohama, ije kontrolne toke predstavljaju
varijable optimiranja. Pomicanjem kontrolnih toaka B krivulja ili ploha, mijenja se i oblik. U svakom
koraku optimiranja CAD modela rauna se polje brzina vorova i osjetljivost metodom nelinearnog
programiranja. Program je prikazan na primjeru naprezanja ploe u 2D i 3D. Carswell i Lavery [59]
koriste B-krivulje i NURBS plohe iz 2D krivulja za opis geometrije, te su preko IGES standardnog CAD
formata za razmjenu podataka razvili poveznicu sa CAD formatom i FEA analizom. Nakon kreiranja
nove topologije i oblika, analiza konanim elementima (FEA) primijenjena je kako bi se ocijenio
kriterij izvrsnosti uz zadana ogranienja. Ovaj pristup primijenjen je na primjeru dizajna peraje daske
za surfanje i jedrenje.
48

Potreba za integriranjem geometrijskih modela i analize dovela je do novih pristupa u
izogeomerijskoj analizi. Hughes i suradnici [60] te Wall i suradnici [61] primjenom NURBS krivulja i
ploha opisali su model i proveli diskretizaciju za analizu konanim elementima.
Vuina i suradnici [62] razvili su program koji parametrizira 2D i 3D geometrije na temelju adaptivnog
povezivanja Bezierovih krivulja i povrina metodama optimiranja. Ovakvim pristupom parametarski
se opisuje sloena geometrija sa naglaskom na otre bridove.

Optimiranje je numerika metoda za dobivanje najboljeg rjeenja. Brojne su metode optimiranja,
meutim kako je u radu rije o optimiranju n-dimenzijskih nelinearnih problema sa ogranienjima,
najede se koriste gradijentne metode optimiranja, evolucijske metode optimiranja i SQP metoda
optimiranja.
Evolucijske metode (npr. genetski algoritmi) primijenjeni su pri optimiranju oblika u brojnoj literaturi
(Goldberg, [63]; Deb i Goel [64]; Cappello i Mancuso [65]), i mogu biti dobar odabir pri sintezi oblika.
U navedenim radovima opisana je paralelizacija procesa viekriterijskog optimiranja pomodu seta
Pareto generacija. Kao primjeri vie-ciljnog optimiranja dani su naprezanje ploe i okvir za bicikl [64].
Iako su uobiajeno manje efikasni od gradijentnih metoda optimiranja, u smislu osjetljivosti procesa,
prednost genetskih algoritama je u viekriterijskoj funkciji izvrsnosti i setu Pareto rjeenja kao
posljedice paralelizacije numerikog procesa. Prednost evolucijskih i heuristikih metoda nad
nelinearnim programiranjem u kontekstu strukturnih primjena, posebno ne-konveksnih, vie-ciljnih,
sa vie lokalnih optimuma i povezanih sluajeva prikazano je u radu Schmid i suradnici [66], sa
prikazanim proraunskim tijekom.
Annicchiarico i Cerrolaza [67] koristili su - krivulje za opis granica, a genetske algoritme pri
optimiranju oblika. Ovaj pristup su demonstrirali na primjeru naprezanja ploe i naprezanja na spoju
klipnjae.
Efikasnost soft computing metode u pronalaenju optimalnog rjeenja neuralnim mreama
razmatrana je u radu Papadrakakis i Lagaros [68]. U soft computing metode ubrajaju se sve metode
koje nemaju analitike izraze za optimiranje (genetski algoritmi, neuralne mree, evolucijski algoritmi,
metoda simultanog arenja, metoda jata ptica...), nego se temelje na oponaanju pojava u prirodi.
Primjene ovakvih metoda u literaturi su prikazane na primjerima vie-ciljnog optimiranja aeroprofila
u vie-reimskim uvjetima, optimiranju ploa, greda opteredenih na savijanje, okvirnih
nosaa,strojnih elemenata, komponenti vozila,alata, materijala obzirom na zamor...
Optimiranje oblika primijenjeno je i na krevet tokarilice, te pri oblikovanju prirubnice (Dai i suradnici
[54]).

Parametrizaciju Bezier-ovim i B-krivuljama pri optimiranju oblika ploe sa rupom opteredene
dvoosnim naprezanjem opisali su u svom radu Shyy i suradnici, [69].
Pourazady i Fu [22] primijenili su takoer B-krivulju pri parametrizaciji i opisu geometrije grede,
lukova i rubova, te dali analizu osjetljivosti.
Kombiniranje 3D skeniranja i optimiranja oblika evolucijskim metodama sa CAD parmetrizacijom i
izmjenom oblika, primijenjeni su na primjeru optimiranja oblika klipnjae i vilica (Garcia i suradnici
[70]).
CAD parametrizacija, razmatranje osjetljivosti (radi gradijentne formulacije), FEA-analiza i
komercijalni program za optimiranje oblika lopatica turbina dani su u radu Hardee i suradnika [52].
Hyun i suradnici [71] su na primjeru spojke za prijenos zakretnog momenta opisali granice podruja B
krivuljama, izgladili mreu konanih elemenata i implementirali SLP i simpleks postupak optimiranja.
Postupak temeljen na oblikovanju geometrije Bezier-ovim plohama u nizu koje ine tijelo sa mreom
konanih elemenata predstavio je Kegl [56], gdje su dani primjeri ploe sa rupom i kuka.
Diskretno optimiranje oblika predstavili su u svom radu Meske i suradnici [72], gdje je odabran set
ploha i vorova kao varijable optimiranja. Zbog velikog broja varijabli optimiranja predloena je
dualna metoda optimality criteria.

49

Proces optimiranja topologije je sloen, zbog spregnutog problema optimiranja polja pomaka i
geometrije. Jedan od elegantnih i uinkovitih postupaka rjeavanja optimiranja dva polja problema je
Level set metoda koja se u zadnjih nekoliko godina pojavila kao vrlo primjenjiva metoda za opis i
promjenu geometrije modela u procesu optimiranja. Brojni radovi koriste level set metodu za opis
kontura pri obradi fotografija i skulptura [13], [17], [73].
Level set metodu u kombinaciji sa aproksimacijom RBF funkcijom predstavili su u svojim radovima
Wang i suradnici [12], [19], Luo i suradnici [18] i Xing i suradnici [74]. U njihovim radovima RBF
funkcija slui za opis implicitne level set funkcije. Nul toke parametrizirane level set funkcije opisuju
konturu geometrije modela. Promjena level set funkcije vri se gradijentnom metodom optimiranja,
te je dana i analiza osjetljivosti. Kao testni primjer analiziran ovom metodom predstavljena je 2D
uklijetena greda opteredena na vrhu, te greda na dva oslonca. Varijable optimiranja su RBF
koeficijenti koji mijenjaju level set plohu. Osim to je mogude da otvori u domeni nestaju ili se
spajaju, omogudeno je i stvaranje novih rupa u domeni koja se optimira.
Algebarska metoda kreiranja implicitne funkcije, kombinacijom RBF linearnih jednadbi opisana je u
radu Morse i suradnika [73], gdje je sloena 3D geometrija opisana velikim brojem rasprenih
povrinskih toaka, to ima prednost kod opisa velikih sloenih objekata.
Xia i Wang [75] level set metodom optimiraju sloenu funkciju, gdje su varijable optimiranja toke na
granici modela (parametarski opisana granica) i njegova gustoda, te se u poetnom koraku prostor
diskretizira dijeljenjem, a u kasnijim koracima model se predstavlja implicitno level set metodom.
Postupak je testiran na primjeru 2D grede na dva oslonca.
U radu Shojaee i Mohammadian [76], predstavljena je Piecewise Constant Level Set (PCLS) metoda u
kombinaciji sa Merriman-Bence-Osher (MBO) shemom za rjeavanje oblika strukture i problema
topolokog optimiranja.
U radu Wang i suradnici [16] razvili su topoloko optimiranje granice strukture level set metodom na
primjeru 2D nosaa uklijetenog na jednom kraju.
Implicitna level set funkcija opisana B-krivuljom i parametrizirana R-funkcijom opisana je u radu Chen
i suradnici [77]. Ovakav pristup daje fleksibilnost, jer daje izravnu kontrolu nad parametrima
geometrije i topologije unutar velikog prostora slobodnih oblika. Efikasnost pristupa dana je na
primjerima naprezanja 2D nosaa.

Jia i suradnici [78] su evolucijskim metodama optimirali oblik primjenom level set metode.

Brojne su mogudnosti primjene level set metode obzirom na nain parametriziranja, numerike
analize fizikalnih pojava, metode optimiranja i td. Mali broj radova koristi Level set funkcije pri opisu
geometrije u svrhu sinteze oblika modela u mehanici vrstih tijela. Iz svega navedenog proizlazi da je
level set metoda u kombinaciji sa parametrizacijom geometrije i numerikim metodama odreivanja
fizikalnih pojava primjenjiva, ali i vrlo atraktivna za daljnja istraivanja, obzirom da se pojavila tek
unazad nekoliko godina.

50


6. Zakljuak i daljnja istraivanja

U ovom radu prikazan je osvrt na temeljne numerike metode potrebne za optimiranje oblika i
topologije. Topoloko optimiranje je postupak inverznog procesa sinteze oblika, te je kao takav vrlo
sloen i zahtijevan numeriki zadatak.
Level set metoda jedna je od metoda topolokog optimiranja koja za proces optimiranja koristi
implicitnu funkciju ovisnu o geometriji i vremenu. Razdvajanjem prostornog i vremenskog dijela
postiemo da se u svakoj iteraciji optimizacijskog ciklusa raunaju pomaci u modelu, te se pomodu
vremenski ovisne varijable vri promjena oblika. Varijabla ovisna o vremenu je vektor koeficijenata
parametrizirane funkcije koja opisuje geometriju.
Broj parametara optimiranja utjee na trajanje procesa optimiranja. U sluaju velikog broja
parametara optimiranja proces optimizacije je dugotrajan a esto i neizvediv. Parametrizacija nam
smanjuje broj parametara optimiranja i na taj nain olakava proces optimiranja.
Opis geometrije, metoda optimiranja i fizikalne pojave mogu se rjeavati nizom razliitih numerikih
postupaka, a samo nekoliko varijacija numerikih postupaka opisano je u kombinaciji sa level set
metodom u dosadanjoj literaturi. Level set metoda se tek odnedavno pojavila kao metoda koja
rjeava probleme topolokog optimiranja, a zbog svog implicitnog zapisa opisuje topoloke promjene
modela pri emu nije potrebna ponovna parametrizacija geometrije. Iz navedenih razloga, topoloko
optimiranje level set metodom je vrlo atraktivno i zanimljivo u znanstvenom svijetu.
U daljnjem radu planira se primijeniti postupak sa level set implicitnim plohama u kombinaciji sa
negradijentnim i gradijentnim metodama optimiranja. Pri tome de se razviti i primijeniti razliiti
postupci parametrizacije implicitne funkcije, ukljuivo i RBF.
Razmotrit de se primjenjivost evolucijskih postupaka pretraivanja u kombinaciji sa level set
metodom.

51

7. Literatura

[1] D. Vuina, Metode inenjerske numerike optimizacije, Fakultet elektrotehnike, strojarstva
i brodogradnje FESB, Sveuilite u Splitu, Split, 2005.
[2] P.J. Schneider; D.H. Eberly, Geometric Tools for Computer Graphics, Morgan Kaufmann,
San Francisco, USA, 2002.
[3] P.W. Christensen; A. Klarbring, An Introduction to Structural Optimization, Springer, 2009.
[4] D.F. Rogers, An Introduction to NURBS With Historical Perspective, Morgan Kaufmann,
2001.
[5] G. Farin, Curves and Surfaces for CAGD, Morgan Kaufmann, USA, 2002.
[6] I. Alfirevid, Teorija elastinosti, Tehnika knjiga d.d., Zagreb, 1995.
[7] B. Torby, Energy Methods, CBS College Publishing, USA, 1984.
[8] J.Brnid; M. anaija, Analiza deformabilnih tijela metodom konanih elemenata, Sveuilite
u Rijeci, Rijeka, 2009.
[9] . Lozina, Uvod u metodu konanih elemenata, Fakultet elektrotehnike, strojarstva i
brodogradnje FESB, Sveuilite u Splitu, Split, 2002.
[10] O. C. Zienkiewicz; R. L. Taylor; J. Z. Zhu, The Finite Element Method: Its Basis and
Fundamentals, ButterworthHeinemann, USA, 2005.
[11] G.R. Lui; Y.T. Gu, An Introduction to Meshfree Methods and Their Programming, Springer,
Nizozemska, 2005.
[12] S. Wang; M.Y. Wang, Radial Basis Functions and Level Set Method for Structural Topology
Optimization, International Journal for Numerical Methods in Engineering 65, pp 2060-2090,
Oujak 2006.
[13] J. C. Carr i suradnici, Rekonstruction and Reprezentation of 3D Objects with Radal Basis
Functions, SIGGRAPH, 2001, Proceedings of the 28th annual conference on Computer
graphics and interactive techniques, pp: 67-76, kolovoz 2001.
[14] K.K. Choi; N.H. Kim, Structural Sensitivity Analysis and Optimization 1, Springer, New York
USA, 2005.
[15] M.P. Bendsoe; O. Sigmund, Topology Optimization Theory, Methods and Applications,
Springer, Berlin, Njemaka, 2004.
[16] M. Y. Wang; X. Wang; D. Guo, A level set method for structural topology optimization,
Computer methods in applied mechanics and engineering 192, pp: 227246, 2003.
[17] S. Osher; R. Fedkiw, Level Set Methods and Dynamic Implicit Surfaces, Springer, Applied
Mathematical Sciences 153, USA, 2003.
[18] Z. Luo; L. Tong; Z. Kang, A level set method for structural shape and topology optimization
using radial basic functions, Jurnal of Computers and Structures 87 , pp: 425-434, travanj
2009.
[19] S.Y. Wang; K.M. Lim; B.C. Khoo; M.Y. Wang, An extended level set method for shape and
topology optimization, Journal of Computational Physics 221, pp: 395-421, sijeanj 2007.
[20] G. Allaire; F. Jouve; A-M. Toader, Structural optimization using sensitivity analysis and a
level-set method, Jurnal of Computational Physics 194, pp: 363-393,veljaa 2004.
[21] M. Burger, Lecture notes on infinite-dimensional optimization and optimal design, Report
285J, University of California, Los Angeles, CA, USA, 2004.
[22] M. Pourazady; Z. Fu; An Integrated Approach To Structural Shape Optimization, Computers
& Structures 60(2), pp: 279-289, srpanj 1996.
[23] K. Saitou; K. Izui; S. Nishiwaki; P. Papalambros, A Survey of Structural Optimization in
Mechanical Product Development, Journal of Computing and Information Science in
Engineering 5(3), pp: 214-226, studeni 2005.
[24] G.I.N. Rozvany, Topology optimization in structural mechanics, Springer,CISM, Udine Italija
1997.
52

[25] H.A. Eschenauer; N. Olhoff, Topology optimization of continuum structures: a review,
Applied Mechanics Reviews 54(4), pp: 331390, srpanj 2001.
[26] S.Y. Wang; K. Tai, Graph representation for structural topology optimization using genetic
algorithms, Computers & Structures 82(2021), pp: 16091622, kolovoz 2004.
[27] D. Vucina; F. Freudenstein, An application of graph theory and nonlinear programming to
the kinematic synthesis of mechanisms, Mechanism and Machine Theory 26(6), pp: 553
563, sijeanj 1991.
[28] O. Shai; K. Preiss, Graph theory representations of engineering systems and their embedded
knowledge, Artificial Intelligence in Engineering 13(3), pp: 273284, srpanj 1999.
[29] O. Shai; K. Preiss, Isomorphic representations and wellformedness of engineering systems,
Engineering with Computers 15(4), pp: 303314, prosinac 1999.
[30] H. Hamda; O. Roudenko; M. Schoenauer, Application of a multiobjective evolutionary
algorithm to topological optimum design, Adaptive Computing in Design and Manufacture
5, pp: 121-132, 2002.
[31] H. Hamda; F. Jouve; E. Lutton; M. Schoenauer; M. Sebag, Compact unstructured
representations in evolutionary topological optimum design, Applied Intelligence 16(2),
pp:139155, studeni 2002..
[32] A. Rama Mohan Rao, Parallel mesh-partitioning algorithms for generating shape optimised
partitions using evolutionary computing,. Advances Engineering Software 40(2), pp:141
157, veljaa 2009.
[33] A. Kaveh; V. Kalatjari, Topology optimization of trusses using genetic algorithm, force
method and graph theory, International Journal for Numerical Methods Engineering 58(5),
pp:771791, listopad 2003.
[34] K.A. De Jong; W.M. Spears, An analysis of the interacting roles of population size and
crossover in genetic algorithms, Parallel Problem Solving from Nature 496 (1991), pp: 38
47, listopad 1990.
[35] J.J. Grefenstette, Optimisation of control parameters for genetic algorithms, IEEE -
Systems, Man and Cybernetics 16(1), pp: 122128, sijeanj 1986.
[36] A.E. Eiben; R. Hinterding; Z. Michalewicz, Parameter control in evolutionary algorithms,
IEEE - Evolutionary Computation 3(2), pp:124141, lipanj 1999.
[37] K. Deb, Multi-objective optimization using evolutionary algorithms, Wiley, Chichester,
2001.
[38] E.K. Antonsson; J. Cagan, Formal engineering design synthesis, Cambridge University Press,
Cambridge, 2001.
[39] R.L. Keeney; H. Raiffa, Decisions with multiple objectives, preferences and trade-offs,
Cambridge University Press, Cambridge, 1993.
[40] G. Bugeda; J.J. Rodenas; E. Onate, An integration of a low cost adaptive remeshing strategy
in the solution of structural shape optimization problems using evolutionary methods,
Computers & Structures 86(13-14), pp: 15631578, srpanj 2008.
[41] A. Schleupen; K. Maute; E. Ramm, Adaptive FE-procedures in shape optimization,
Structural and Multidisciplinary Optimization 19(4), pp: 282302, srpanj 2000.
[42] R. Younsi; C. Knopf-Lenoir; A. Selman, Multi-mesh and adaptivity in 3D shape optimization,
Computers & Structures 61(6), pp: 1125 1133, prosinac 1996.
[43] J.M. Alonso; C. Alfonso; G. Garca; V. Hernandez, GRID technology for structural analysis,.
Advances in Engineering Software 38(11-12), pp: 738749, studeni 2007.
[44] D. Vuina; . Lozina; I. Pehnec, Ad-hoc cluster and workflow for parallel implementation of
initial-stage evolutionary optimum design, Structural and Multidisciplinary Optimization,
DOI: 10.1007/s00158-011-0687-y, srpanj 2011.
[45] G.N. Vanderplaats , Approximation Concepts for Numerical Airfoil Optimization, NASA
Technical Paper 1370, 1979.
[46] V. Braibant; C. Fleury, Shape optimal design using B-splines, Computers Methods in Applied
Mechanics and Engineering 44(3), pp: 247267, kolovoz 1984.
53

[47] V. Braibant; C. Fleury, An approximation-concepts approach to shape optimal design,
Computer Methods in Applied Mechanics and Engineering 53(2), pp: 119-148, studeni 1985.
[48] M.H. Imam, Three dimensional shape optimization, Internaional Journal for Numerical
Methods in Engineering 18(5), 661-673, svibanj 1982.
[49] J.A. Samareh, A Survey Of Shape Parameterization Techniques, CEAS/AIAA/ ICASE/NASA
Langley International Forum on Aeroelasticity and Structural Dynamics, NASA/CP-1999-
209136, pp: 333-343, lipanj 1999.
[50] W.H. Zhang; P. Beckers; C. Fleury, A unified parametric design approach to structural shape
optimization, International Journal for Numerical Methods in Engineering 38(13), pp: 2283
2292, srpanj 1995.
[51] D.F. Rogers; J.A. Adams, Mathematical Elements for Computer Graphics, McGraw-Hill, New
York, 1976.
[52] E. Hardee; K. Chang; J. Tu; K.K. Choi; I. Grindeanu; X. Yu, A CAD-based design
parameterization for shape optimization of elastic solids, Advances in Engineering Software
30(3), pp: 185199, oujak 1999.
[53] W. Bohm; G. Farin; J. Kahmann, A survey of curve and surface methods in CAGD, Computer
Aided Geometric Design 1, pp: 1-60, 1984.
[54] L. Dai; Y. Gu; G. Zhao; Y. Guo, Structural Shape Optimization based on Parametric
Dimension- Driving and CAD Software Integration, World Congress on Structural and
Multidisciplinary Optimization, pp: 1-8, lipanj 2005.
[55] J. Parus; I. Kolingerova; M. Malkova, Multimorphing: A tool for shape synthesis and
analysis, Advances in Engineering Software 40(5), pp: 323333, svibanj 2009.
[56] M. Kegl, Shape optimal design of structures: an efficient shape representation concept,
International Journal for Numerical Methods in Engineering 49(12), pp: 1571-1588, prosinac
2000.
[57] X. Song; J.D. Baldwin, A novel node-based structural shape optimization algorithm,
Computers & Structures 70(5), pp: 569-581, oujak 1999.
[58] P. S. Tang; K. H. Chang, Integration of topology and shape optimization for design of
structural components, Structural and Multidisciplinary Optimization 22(1), pp: 6582,
kolovoz 2001.
[59] D. Carswell; N. Lavery, 3D solid fin model construction from 2D shapes using non-uniform
rational B-spline surfaces, Advances in Engineering Software 37(8), pp: 491501, kolovoz
2006.
[60] T.J.R. Hughes; J.A. Cottrell; Y. Bazilevs, Isogeometric analysis: CAD, finite elements, NURBS,
exact geometry and mesh refinement, Computer Methods in Applied Mechanics and
Engineering 194(39-41), pp: 41354195, listopad 2005.
[61] W.A. Wall; M.A. Frenzel; C. Cyron, Isogeometric structural shape optimization, Computer
Methods in Applied Mechanics and Engineering 197(33-40), pp: 29762988, lipanj 2008.
[62] D. Vuina; . Lozina; I. Pehnec, Computational procedure for optimum shape design based
on chained Bezier surfaces parameterization, International Scientific Journal Engineering
Applications of Artificial Intelligence, prihvaden i u postupku objavljivanja, 2011.
[63] D.E. Goldberg, Genetic Algorithms in Search, Optimization and Machine Learning, Addison
Wesley, 1989.
[64] K. Deb; T. Goel, Multi-Objective Evolutionary Algorithms for Engineering Shape Design,
KanGAL report 200003, Indian Institute of Technology, 2000.
[65] F. Cappello, A. Mancuso, A genetic algorithm for combined topology and shape
optimizations, Computer-Aided Design 35(8), pp: 761769, srpanj 2003.
[66] F. Schmid; K. Hirschen; S. Meynen; M. Schfer, An enhanced approach for shape
optimization using an adaptive algorithm, Finite Elements in Analysis Design 41(5), pp: 521
543, veljaa 2005.
54

[67] W. Annicchiarico; M. Cerrolaza, Finite elements, genetic algorithms and -splines: a
combined technique for shape optimization, Finite Elements in Analysis and Design 33(2),
pp: 125-141, rujan 1999.
[68] M. Papadrakakis; N.D. Lagaros, Soft computing methodologies for structural optimization,
J. Applied Soft Computing 3(3), pp: 283-300, studeni 2003.
[69] Y.K. Shyy; C. Fleury; K. Izadpanah, Shape optimal design using high-order elements,
Computer Methods in Applied Mechanics and Engineering 71(1), pp: 99-116, studeni 1988.
[70] M.J. Garcia; P. Boulanger; M. Henao, Structural optimization of as-built parts using reverse
engineering and evolution strategies, Structural and Multidisciplinary Optimization 35(6),
pp: 541-550, lipanj 2007.
[71] S. Hyun; C. Kim; J.H. Son; S.H. Shin; Y.S. Kim, An efficient shape parameterization method
based on FEM and B-spline curves and shaping of a torque converter clutch disk, Finite
Elements in Analysis and Design 40, pp: 1803-1815, 2004
[72] R. Meske; J. Sauter; E. Schnack, Nonparametric gradient-less shape optimization for real-
world applications, Structural and Multidisciplinary Optimization 30(3), pp: 201218, svibanj
2005.
[73] B. S. Morse; T. S. Yoo; P. Rheingans; D. T. Chen; K. R. Subramanian, Interpolating Implicit
Surfaces From Scattered Surface Data Using Compactly Supported Radial Basis Functions,
SIGGRAPH '05 ACM SIGGRAPH, GRAPH International Conference on Computer Graphics and
Interactive Techniques, 2005.
[74] X. Xing; M.Y. Wang; B. F. Y. Lui, Parametric Shape and Topology Optimization with Moving
Knots Radial Basis Function and Level Set Method, Structural and Multidisciplinary
Optimization, COEX Seoul, Korea, 2007.
[75] Q. Xia; M. Y. Wang, Level Set Based Method for Simultaneous Optimization of Material
Property and Topology of Functionally Graded Structures, SPM ACM Symposium on Solid
and Physical Modeling, pp: 171-182, srpanj 2007.
[76] S. Shojaee; M. Mohammadian, Piecewise constant level set method for structural topology
optimization with MBO type of projection, Structural and Multidisciplinary Optimization
44(4), pp: 455-469, travanj 2011.
[77] J. Chen; V. Shapiro; K. Suresh; I. Tsukanov, Parametric and Topological Control in Shape
Optimization, International Design Engineering Technical Conferences and Computers and
Information in Engineering Conference, Philadelphia, Pennsylvania, USA, pp: 1-12, rujan
2006.
[78] H. Jia; H. G. Beom; Y. Wang; S. Lin; B. Lui, Evolutionary level set method for structural
topology optimization, Computer & structures 89(5-6), pp: 445-454, oujak 2011.
[79] S. Patil; S. Zhou; Q. Li, Design of Periodic Microstructural Materials by Using Evolutionary
Structural Optimization Method, Advanced Materials Research 32, pp: 279-283, veljaa
2008.
[80] T. Burczyoski; A. Poteralski; P. Orantek, Generalized shape optimization of three-
dimensional structures using evolutionary computation, 6th World Congresses of Structural
and Multidisciplinary Optimization, Rio de Janeiro, pp: 1-11, lipanj 2005.
[81] Y.M. Xie; G.P. Steven, A simple evolutionary procedure for structural optimization,
Computers & Structures 49(5), pp: 885896, prosinac 1993.














PRILOZI
56

Prilog A: Odreivanje pomaka na aksijalno optereenoj konzoli
metodom konanih elemenata jakom i slabom formulacijom

Zadana je greda:

Slika 29 Prikaz grede opteredenje na razvlaenje
Promatrajudi diferencijalni element iz uvjeta ravnotee dobijemo:

Silu moemo zapisati preko naprezanja , deformacije , odnosno pomaka kao:

Diferencijalna jednadba koja opisuje stanje u gredi glasi:

gdje je podruje: , , - uzduno opteredenje grede (konstantno).
Uzduni pomaci na granicama su:

Analitiko rjeenje

za

za

(a1)
Numeriko rjeavanje konanim elementima:
Formiramo jaku formulaciju. Bilo koja funkcija

pomnoena sa diferencijalnom jednadbom daje

nulu:

(a2)
1 2 3 4
L
( )
1
L
u =
(0)
0 u =
dx
f
F
F+dF
dx
f dx
57


Za diskretizirani prostor, u svakom elementu uzimamo probne i teinske funkcije koje se odabiru i o
kojim ovisi konvergencija.
Uzet demo Bezier-ovu jednadbu (2.16) kao aproksimacijsku jednadbu, te promotriti na ovom
jednostavnom primjeru kolika je greka aproksimacije za odabrane probne i teinske funkcije kubne
Bezier-ove jednadbe:

Za odabranu aproksimacijsku funkciju probne funkcije N su jednake funkcijama uz aproksimacijske
toke P:

Derivacije probnih funkcije iznose:

Aproksimacijska jednadba pomaka glasi:

(a3)
Izraz (a3) poprima oblik:

(a4)

Teinske funkcije

moemo odabrati da su jednake probnim (Galerkin-ova metoda). Matrino

zapisana jednadba (a2) sada poprima oblik osnovne jednadbe konanih elemenata:

, (a5)
gdje je matrica

matrica krutosti,

pomaci uz probne funkcije (pomaci u vorovima), a

vektor rjeenja.
Indeks predstavlja toke aproksimacije vezane uz probne funkcije, dok indeks predstavlja toke
aproksimacije vezane uz teinske funkcije .
Pojedini lanovi marice krutosti

slijede uvrtavanjem jednadbe (a3) u jednadbu (a2) i raunaju

se kao:

(a6)
Dok se vektor rjeenja rauna kao:

(a7)
Sada sustav (a5) uvrtenjem (a6) i (a7) te integracijom glasi:

odnosno:
58

Uvrtenjem rjeenja

u aproksimacijsku jednadbu pomaka (a4) dobivamo usporedbu jake

formulacije sa analitikim rjeenjem (a1) - Slika 30.

Green-ova lema primjenjuje se kako bi se snizio red diferencijalnog operatora, uslijed ega su
potrebni slabiji zahtjevi pred pretpostavljenim rjeenjima i probnim funkcijama. Green-ova lema
proizlazi iz Gauss-Ostrogradskog teorema, i u opdem sluaju glas (a8):

(a8)
gdje su

opde funkcije. Ako je

, a

- tada primjenom Green-ove leme (a8) na jaku

formulaciju(a2), dobijemo slabu formulaciju:

(a9)
ako se pretpostavi rjeenje u obliku nekog polinoma:

, te da su probne funkcije jednake

teinskim kao u prethodnom primjeru, slaba formulacija (a9) je:

(a10)
Matrino zapisano:

Vektor rjeenja na granicama je lan:

te se pojedini lanovi marice krutosti

raunaju kao :

Takoer je potrebno zbog jednostavnosti izvriti preslikavanje domene iz nepoznate (t
i
t
j
) u poznatu
domenu (0 1). Te se uvodi supstitucija:

Kako je promatrana greda ved u domeni (0 1) ( ), Jacobian iznosi .
Te su lanovi matrica krutosti:

Vektor rjeenja:
59

Odnosno za granice:

Sada se sustav jednadbi moe zapisati kao:

Odnosno:

Uvrtenjem rjeenja

u aproksimacijsku jednadbu pomaka (a4) dobivamo usporedbu slabe

formulacije sa analitikim rjeenjem (a1) - Slika 30.


60

Matlab kod za odreivanje pomaka u gredi:

clc;
clear all;
L=1;
Fa=1000;
A=0.01;
E=210000;
J=1;

% ANALITIKO RJEENJE FUNKCIJE - GRAF:
x1=0:0.1:1;
fi=Fa.*x1.*(L-x1)./(2*A*E)+x1/L;

% APROKSIMACIJA BEZIEROM

%jaka formulacija :
syms xj;
nj1=((1-xj)^3);
nj2=(3*xj*(1-xj)^2);
nj3=(3*(xj^2)*(1-xj));
nj4=(xj^3);
dnj1=(-3*(xj-1)^2);
dnj2=(9*xj^2-12*xj+3);
dnj3=(3*xj*(2-3*xj));
dnj4=(3*xj^2);
ddnj1=(6-6*xj);
ddnj2=6*(3*xj-2);
ddnj3=(6-18*xj);
ddnj4=6*xj;

kj11=double(int(ddnj1*nj1,0,1));
kj12=double(int(ddnj2*nj1,0,1));
kj13=double(int(ddnj3*nj1,0,1));
kj14=double(int(ddnj4*nj1,0,1));
kj21=double(int(ddnj1*nj2,0,1));
kj22=double(int(ddnj2*nj2,0,1));
kj23=double(int(ddnj3*nj2,0,1));
kj24=double(int(ddnj4*nj2,0,1));
kj31=double(int(ddnj1*nj3,0,1));
kj32=double(int(ddnj2*nj3,0,1));
kj33=double(int(ddnj3*nj3,0,1));
kj34=double(int(ddnj4*nj3,0,1));
kj41=double(int(ddnj1*nj4,0,1));
kj42=double(int(ddnj2*nj4,0,1));
kj43=double(int(ddnj3*nj4,0,1));
kj44=double(int(ddnj4*nj4,0,1));
bj1=double(int(Fa*nj1/(A*E),0,1));
bj2=double(int(Fa*nj2/(A*E),0,1));
bj3=double(int(Fa*nj3/(A*E),0,1));
bj4=double(int(Fa*nj4/(A*E),0,1));
Aj=[kj21 kj24;kj31 kj34];
r1j=[0 ; 1];
r2j=[bj2 ; bj3];
Bj=[kj22 kj23 ; kj32 kj33];
rjesenjaj=Bj\(-Aj*r1j-r2j);
disp(double (rjesenjaj));

%slaba:
syms xs;
61

ns1=((1-xs)^3);
ns2=(3*xs*(1-xs)^2);
ns3=(3*(xs^2)*(1-xs));
ns4=(xs^3);
dns1=(-3*(xs-1)^2);
dns2=(9*xs^2-12*xs+3);
dns3=(3*xs*(2-3*xs));
dns4=(3*xs^2);

ks11=double(int(dns1*dns1/J,0,1));
ks12=double(int(dns1*dns2/J,0,1));
ks13=double(int(dns1*dns3/J,0,1));
ks14=double(int(dns1*dns4/J,0,1));
ks21=ks12;
ks22=double(int(dns2*dns2/J,0,1));
ks23=double(int(dns2*dns3/J,0,1));
ks24=double(int(dns2*dns4/J,0,1));
ks31=ks13;
ks32=ks23;
ks33=double(int(dns3*dns3/J,0,1));
ks34=double(int(dns3*dns4/J,0,1));
ks41=ks14;
ks42=ks24;
ks43=ks34;
ks44=double(int(dns4*dns4/J,0,1));
bs1=double(int(Fa*ns1*J/(A*E),0,1));
bs2=double(int(Fa*ns2*J/(A*E),0,1));
bs3=double(int(Fa*ns3*J/(A*E),0,1));
bs4=double(int(Fa*ns4*J/(A*E),0,1));
As=[ks21 ks24;ks31 ks34];
%As=A.*E.*A2;
r1s=[0 ; 1];
r2s=[bs2 ; bs3];
Bs=[ks22 ks23 ; ks32 ks33];
%Bs=A.*E.*B2;
rjesenjas=Bs\(-As*r1s+r2s);
disp(double (rjesenjas));
u1=0;
uj2=rjesenjaj(1);
uj3=rjesenjaj(2);
us2=rjesenjas(1);
us3=rjesenjas(2);
u4=1;
t=0:0.1:1;
uj=(1-t).^3*u1+3*(1-t).^2.*t*uj2+3*(1-t).*t.^2*uj3+(t.^3)*u4;
us=(1-t).^3*u1+3*(1-t).^2.*t*us2+3*(1-t).*t.^2*us3+(t.^3)*u4;
plot(x1,fi,'Color','g','LineWidth',4);
hold on;
grid on;
plot(t,uj,'Color','r','LineWidth',2);
plot(t,us,'Color','b','LineWidth',2);


Usporedbi sa analitikim rjeenjem (Slika 30):
62


Slika 30 Pomaci: Zelena - analitiko rjeenje, crvena - numeriko rjeenje (aproksimacija Bezier krivuljom jaka
formulacija), plava - numeriko rjeenje (aproksimacija Bezier krivuljom slaba formulacija)

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
63

Prilog B: Aproksimacija ope funkcije 3D RBF RPIM metodom


U ovom prilogu aproksimirat demo neku poznatu funkciju pomodu RBF metode RPIM.
Aproksimacija je napravljena u MATLAB programskom paketu, na osnovu jednadbi danih u poglavlju
2.6.3.1.
Ako promotrimo funkciju:

Ona u domeni -10 do 10 sa korakom 2 izgleda:

Slika 31 Funkcija koju elimo aproksimirati
clc;
clear all;
xd=-10;
xg=10;
kx=(xg-xd)/10;
yd=-10;
yg=10;
ak=0.2; % korak pri aproksimaciji
ky=(yg-yd)/10;
kax=ak*kx;
kay=ak*ky;

[X,Y] = meshgrid(xd:kx:xg, yd:ky:yg);
%Z = X .* exp(-X.^2 - Y.^2);
%Z= cos(X).*cos(Y);
%Z = sin(2.*X).*cos(3.*Y)./sec(X.*Y);
%Z = exp(cos(X).*cos(Y));
Z = cos(sqrt(X.^2+Y.^2))./(1+sqrt(X.^2+Y.^2));
surf(X,Y,Z);
colormap(cool);
hold on;

alfa=2; dc=0.5; q=0.5;

x=xd:kx:xg;
y=yd:ky:yg;
n=numel(x);
m=numel(y);
k=1;
for i=1:n
-10
-5
0
5
10
-10
-5
0
5
10
-0.5
0
0.5
1
X
Y
Z
64

for j=1:m
%z(k)= x(i)*exp(-x(i)^2 - y(j).^2);
%z(k)= cos(x(i))*cos(x(j));
%z(k)= sin(2.*x(i)).*cos(3.*x(j))/sec(x(i).*x(j));
%z(k)= exp(cos(x(i))*cos(x(j)));
z(k) = cos(sqrt(x(i)^2+x(j)^2))./(1+sqrt(x(i)^2+x(j)^2));
k=k+1;
end
end
p=0;
for i=1:n
for j=1:m
o=0;
for k=1:n
for l=1:m
o=o+1;
ra(o)=sqrt((x(i)-x(k))^2+(y(j)-y(l))^2);
Ra(o)=(ra(o)^2+(alfa*dc)^2)^q;
end
end
p=p+1;
r(p,:)=ra;
R(p,:)=Ra;
end
end
pm1=x.^0;
pm2=x.^1;
pm3=y.^1;
k=0;
for i=1:n
for j=1:m
k=k+1;
Pm(k,:)=[pm1(j) pm2(i) pm3(j)];
end
end
[dummy np]=size(Pm);

G=[R' Pm; Pm' zeros(np,np)];
b=zeros(np,1);
Us=[z' ; b];
a0=G\Us;

%aproksimacijski polinom
x_ap =xd:kax:xg;
y_ap =yd:kay:yg;
F1a=0;
[dummy xn]=size(x_ap);
[dummy yn]=size(y_ap);

for i=1:xn
for j=1:yn
o=0;
for k = 1:n
for l=1:m
o=o+1;
ra(o)=sqrt(((x_ap(i)-x(k))^2)+(y_ap(j)-y(l))^2);
RBFa(o)=(ra(o)^2+(alfa*dc)^2)^q;
end
end
Gap=[ RBFa (x_ap(i)^0)' (x_ap(i)^1)' (y_ap(j)^1)'];
T_ap1=Gap*a0;
65

z_ap(i,j)=T_ap1;
end
end

for i=1:xn
for j=1:yn
y_app(i,j)=y_ap(i);
end
end
for i=1:xn
for j=1:yn
x_app(i,j)=x_ap(i);
end
end


for i=1:xn
plot3 (x_app(:,i), y_app(i,:), z_ap(:,i),'ro');
end

xlabel('X');
ylabel('Y');
zlabel('Z');

RPIM aproksimacijom mogude je dobiti bilo koju toku unutar zadanog podruja:

Slika 32 Aproksimacijske toke na funkciji

66

RPIM aproksimacija funkcije




RPIM aproksimacija funkcije