I artiklen går vi i dybden med adaptive grid refinement funktionen i Fidelity Pointwise. Den håndterer de numeriske fejl og fastholder begrænsningerne, som brugeren har sat, samtidig med at den nøjagtigt løser alle flow features til forskellige anvendelser.
Målet med preproccesring med simulering er at skabe et mesh, der passer til den påkrævede analyse. Du bør prioritere beregningsmæssig effektivitet i mest-genereringen, der nøjagtigt opfanger både geometrien og fysikken. Afhængigt af dine simuleringsmål kan du forfine specifikke områder af meshet, hvor du forventer lavere flow features.
På illustrationen nedenfor har vi inkorporeret nogle refinement zones omkring køretøjet for at tage højde for den forventede fysik – især i wake-regionen. Den her proces kræver betydelig ekspertise på området, fordi den er meget afhængig af brugerinput. Overdreven forfining i zoner med minimale flow physics ville øge beregningsomkostninger og simulationstiden unødigt, hvilket du helt sikkert skal undgå.
Når du opretter et mesh, bør det opfylde følgende krav:
I adaptive grid refinement forventes der en bevarelse af grænsefladelaget og near-wall physics, samtidigt med en gradvis overgang i cellestørrelser for at sikre solver convergens. Det er afgørende at definere en tilpasningssensor under grid refinement, der skitserer områder, der kræver yderligere forbedring. Til external aircraft analyses fungerer Mach-nummeret som en passende tilpasningsvariabel, hvor velocity magnitude i turbomachinery scenarios viser sig at være effektiv som en tilpasningssensor.
Først og fremmest lægger vi en baseline mesh for at kickstarte adaptive grid refinement i Fidelity Pointwise. Derefter kører vi en løsning på dette mesh. Her vil du skulle evaluere sensoren ved hver kant. Hvis den går over din forudbestemte grænse på et hvilket som helst sted, skal du flagge den til tilpasning. Næste skridt er at oprette en point cloud, der angiver placeringer og indstiller en ny cellestørrelse for området. Din point cloud bliver fusioneret ind i dit baseline mesh inde i Fidelity Pointwise for at skabe det opdaterede mesh. Gentag den her proces, indtil din løsning står stærkt på egen hånd, uafhængigt af meshet.
I figuren ovenfor er alle boundary conditions lagt ud for dig. Her har vi en kold stråle, der kommer en på en varm plade.
Målet her er at foretage en side-by-side sammenligning af et fuldt struktureret mesh vs. et tilpasset mesh. Til venstre har du et baseline hexahedron-mesh, mens du til højre har det indledende ikke-strukturerede mesh, klar til at tilpasse sig velocity magnitude.
Vi har highlighted skaleringen, der er nødvendig for den aktuelle kant i billedet til højre. Tilpasningsprocessen fokuserer på området mellem strålen og pladen. Vi har skabt en point cloud fra løsningen, hvor ca. en 1/4 del af noderne har nået grænsen og skal justeres.
Ved den 5. cyklus blev cirka 70% af noderne flagget, mens hele 94% kom i mål i den sidste cyklus. Når vi rammer omkring 90% tilpasning, stopper vi iterationerne.
Når vi ser på vores mesh stats, er det tydeligt, at det tilpassede mesh har færre noder og elementer sammenlignet med det omhyggeligt udformede hexahedron-mesh. Når vi zoomer ind på påvirkningsområdet, viser det sig, at det indledende mesh ramte ved siden af målet, men ved hver cyklus kom det tættere på de eksperimentelle data.
I det her scenarie tester vi en Aachen-turbine (som set ovenfor) med 41 blade, der roterer med en hastighed på 3500 RPM. Lad os tjekke flow conditions ved indløb og udløb, pænt præsenteret i tabellen nedenfor:
P total (indløb) | 169,000 Pa |
T total (indløb) | 308 K |
A (indløb) | 49.3° |
P (udløb) | 135,000 Pa (average) |
Vi holder øje med velocity magnitude som vores tilpasningsvariabel. Disse shockbølger er fremherskende i vores tilpassede mesh. Vær også opmærksom på det endelige tilpassede mesh – det er spot-on i at vise disse sekundære hvirvler og shocks.
Adaptive grid refinement er ikke kun begrænset til specifikke anvendelser; det kan også være værdifuldt i bilindustrien. På illustrationen ovenfor undersøger vi DrivAer-modellen. Vores fokus er også her på velocity magnitude som tilpasningsvariabel.
En RANS-simulation af DrivAer-modellen anvender SST two-equation turbulence model. Nedenfor finder du det tilpassede mesh og streamlines i wake-regionen. De illustrerer en stærk korrespondance og fanger effektivt hvirvlerne.
Lad os kigge på en DLR F6-model, et testtilfælde fra den anden AIAA drag prediction workshop. Her inkluderer flow condictions et Mach-nummer på 0,75 og en angrebsvinkel på 1°. Vi fokuserer på Mach-nummeret som vores tilpasningsvariabel her.
Med adaptive grid refinement kommer de shockbølger, der ligger oven på vingen, skarpt i fokus. Se figuren nedenfor, der viser de indledende og tilpassede overfladetryk. Stødene bliver skarpere med hver tilpasningscyklus.
Når vi kigger på koefficienten for lift og drag, er det tydeligt, at der sker en forbedring for hver cyklus. Mesh-adaptionen kan ubesværet integreres i enhver arbejdsgang.
Selvom der er lidt arbejde i begyndelsen for at sætte tingene op, kører det uafhængigt, når det først er etableret. Tilpasningscyklussen opretholder konsekvent meshets topologi, der vender tilbage til udgangspunktet.
Hvis du gerne vil gå mere i dybden med emnet, har Cadence et gratis on-demand webinar, hvor de fortæller, hvordan du automatisk kan generere de bedste mesh – hver gang. De tager selvfølgelig udgangspunkt i adaptive grid refinement i Fidelity Pointwise. Du kan finde webinaret lige her.
I den her artikel går vi i dybden med, hvad SISO-systemer er, og hvorfor det er et grundlæggende begreb, som udgør en af hjørnestenene i kontrolteori. Som ingeniører leder vi altid efter måder at gøre tingene hurtigere og bedre, hvorfor SISO helt sikkert er et begreb, som du bør have styr på.
Et SISO-system er en konfiguration centreret omkring en variabel og har ét enkelt input og et tilsvarende output. Det er et scenarie, hvor et enkelt kontrolsignal påvirker et enkelt respons. SISO-systemer bruges ofte til at forme og styre hvad man på engelsk kalder ‘linear time-invariant systems’, hvor adfærden ikke ændrer sig over tid og kan beskrives vha. lineære ligninger.
Der er tre essentielle styringsmetoder til SISO-systemer: transfer functions, stabilitetsanalyse og feedback-kontrol.
Rent matematikmæssigt så beskrives SISO-systemer typisk ved hjælp af differentialligninger, transfer functions eller state-space-repræsentationen. Differentialligninger giver en dynamisk beskrivelse af systemets adfærd i form af ændringshastigheder, mens overføringsfunktioner tilbyder et “frequency-domain” perspektiv, der forenkler analysen. State-space-repræsentationen beskriver systemet ved hjælp af en række førsteordens differentialligninger, hvilket gør det lettere at arbejde med moderne kontrolteknikker.
Vi taler mere om SISO’s systemstyringsfunktioner senere i artiklen.
I SISO kan inputtet have bred variation afhængigt efter den specifikke anvendelse, hvilket omfatter faktorer som spænding, styrke, tryk eller temperatur. På samme måde afspejler outputtet målbare reaktioner såsom hastighed, forskydning eller position, som bliver påvirket af inputtet. Kort fortalt – så er forholdet mellem input og output essensen af SISO, fordi de udgør sammenhængskraften i den her type systemer.
Her er nogle eksempler på anvendelsesmulighederne for SISO-systemer.
I industrielautomatisering regulerer SISO-controllere variabler som temperatur, tryk eller flowhastighed i produktionsfabrikker. Tænk på dit hjemmets termostat f.eks. Inputtet (valgt temperatur) påvirker outputtet (rumtemperaturen), og controlleren tilpasser systemet for at opretholde den ønskede tilstand. Inden for miljøkontrol er HVAC (heating, ventilation og air-conditioning) systemer et andet klassisk eksempel på netop det.
Hvis vi ser på forbrugerelektronik såsom lydsystemer, fungerer volumenknappen som inputtet, og lydstyrken er outputtet. På samme måde dikterer indstillingerne (inputtet) på din vaskemaskine vaskens intensitet og varighed (outputtet).
Inden for biomedicinsk ingeniørarbejde og medicinsk udstyr kan SISO-systemer forme og kontrollere fysiologiske variabler som blodtryk, hjertefrekvens eller medicindosering. Tænk f.eks. på en insulinpumpe. Den holder styr på patientens glukoseniveau (inputtet) og justerer insulin-doseringen derefter (outputtet).
Listen over eksempler er lang, og selvfølgelig er der mange flere end dem, vi har nævnt. Men du har med al sandsynlighed fanger pointen, og vi vil ikke kede dig med uendelige eksempler. Det vigtigste er, at du forstår, at enkelt input = enkelt output.
Tranfer functions er et af de tre nøglekoncepter inden for SISO-kontrolteori. De giver en præcis repræsentation af, hvordan et system reagerer på forskellige frekvenser fra input-signaler. Transfer functions udgør en ratio af Laplace-transformerne af output- og input-signalerne ofte angivet som:
H(s) = Y(s)/X(s), hvor Y(s) og X(s) er Laplace-transformerne af output- og input-signalerne.
Transfer function giver dig mulighed for at analysere systemets adfærd i frekvensdomænet, hvilket giver indblik i frekvensgang, stabilitet og ydeevne. De er særligt værdifuldt til at designe controllere, der kan forme et systems adfærd for at imødekomme specifikke krav. F.eks. kan du bruge transfer functions til at designfiltre, der dæmper visse frekvenskomponenter eller controllere, som sikrer, at systemet reagerer optimalt på forskellige inputs.
Stabilitet er en afgørende faktor i kontrolsystemer. Et ustabilt system kan føre til uønskede udsving eller endda fatale fejl. Der er flere måder at kontrollere stabilitet på. Et er Root-Locus-metoden, og det andet er Nyquist-kriteriet.
Root-Locus-metoden er en grafisk teknik, der hjælper med at visualisere, hvordan et systems poler ændrer sig med forskellige kontrolforstærkninger. Her kan du evaluere virkningen af forstærkningsjusteringerne på stabilitet og systemets ydeevne ved at kortlægge de potentielle rodplaceringer på det komplekse plan.
Så er der Nyquist-kriteriet. Det er også en grafisk teknik. Den repræsenterer forholdet mellem systemets frekvensgang og stabilitet. Det giver dig en måde at finde ud af, om systemet er stabilt, baseret på antallet af omgang på det kritiske punkt (-1) i det komplekse plan.
Feedback-kontrol er den tredje og sidste styringsfunktion, som vi kommer omkring i her i artiklen. I feedback-loop måler man først systemets faktiske output. Så sammenlignes målingen med det ønskede output, og bruges derefter til at justere systemets input. Dette hjælper med at holde systemet under kontrol med det formål at reducere den eventuelle difference mellem det ønskede og faktiske output.
PID (Proportional-Integral-Derivative) kontrolsystemer er et almindeligt eksempel på feedback-kontrol. De justerer kontrol-inputtet i forhold til den aktuelle fejl (forskellen mellem det ønskede og faktiske output), hvordan den fejl akkumuleres over tid, og hvor hurtigt den ændrer sig. Tænk på det som finjustering af en opskrift for at få det perfekte måltid. På samme måde som at justere/dosere krydderierne, kan du justere PID-controllernes indstillinger, så du får dit ønskede udfald – uanset om det betyder at få det til hurtigt at falde ned, undgå at “skyde over mål” eller bare holde tingene i ro.
I et SISO-radiosystem har du kun en enkelt antenne til både afsenderen og modtageren, hvilket giver færre mulige antenneopsætninger. Når vi taler om antenneteknologi, kan det komme i forskellige former, der enten indikerer enkelte eller flere indgange (input) og udgange (output), og alle er de forbundet via radiosignaler. Forestil dig det som et spil med at forbinde prikker, men med antenner og signaler.
For at gøre det enkelt, ligner inputtet afsenderen, og outputtet ligner modtageren. Senderen sender sine signaler ind i forbindelsen, som derefter opfanges af modtageren, der er placeret i slutningen af den trådløse rute.
Der er forskellige konfigurationer af setups med enten enkelte eller flere antenneforbindelser, og de er kategoriseret på denne måde:
Inden for RF-design er SISO-systemer synonym med enkelthed. De kræver ikke kompleksiteten af forskellige diversitetsteknikker. Men selvom de er enkle, er ydelsen af SISO-kanaler begrænset. Interferens og fading kan have en større indvirkning sammenlignet med MIMO-systemer, der anvender diversitetsmekanismer.
Vi har uddybet konceptet af MIMO i vores artikel ‘Gennemgang af MIMO og antennedesign‘.
Hvis du arbejder med design af SISO-radiosystemer, er du velkommen til at tjekke vores AWR-løsninger ud. Dette værktøj kan hjælpe dig med at problemfrit modellere, simulere og optimere RF-setup til forskellige antenneopsætninger og forbedringer i ydeevnen.
I modsætning til SISO-systemer gør MIMO-systemer (Multiple-Input Multiple-Output) det muligt at sende flere datastrømme fra en transmitter/afsender til en receiver/modtager. Det er endda muligt at sende flere datastrømme inden for blot en enkelt frekvenskanal, hvilket øger datahastigheden uden behov for ekstra spektrumressourcer.
Når vi taler om implementeringsmetoder til MIMO, er der tre metoder vi gerne vil fremhæme: TMD, Spatial Multiplexing og FDM.
I TMD (Time-Division Multiplexing) udsender man data til forskellige kanaler i specifikke tidsintervaller. Den klare fordel ved den her metode, ligger i enkelheden af implementeringen og de faste tidsintervaller. Dog er der en risiko for nedsat datahastighed, hvis kanalerne ikke bliver udnyttet samtidigt.
For at forbedre ydeevnen kan man kombinere TMD med Spatial Multiplexing. I den her metode anvender man beamforming inden for under-arrays for at de pågældende antenner transmitterer eller modtager data i/fra specifikke retninger. Den bruges også til at transmittere flere datastrømme samtidigt.
Med Spatial Multiplexing får man en højere datahastighed og kontrol pga. den retningsbestemte kommunikation. Dog kan det være mere udfordrende på grund af kompleksiteten ved beamforming og behovet for flere antenner.
Til sidst har vi FDM (Frequency-Division-Multiplexing. Her udsender man flere datastrømme over forskellige frekvenser i en kanal. Dette gør metoden meget effektiv til at transmittere forskellige typer information. Dog kræves der demultipleksering og filtrering for signaludvinding.
Her er en illustration af, hvordan en antenne-array bruger beamforming til at betjene flere brugere: Encoderen transmitterer signaler gennem alle antennerne samtidigt, samt justerer fasen og amplituden for hver kanal individuelt. Det giver en retningsbestemt dataoverførsel til flere brugere, hvor hver af dem arbejder på forskellige frekvenser.
Det første trin i MIMO-design er at konfigurere antennerne. Her har du et par valgmuligheder: lineære, cirkulære og falde arrays. De kommer i to forskellige former: ensartede eller ikke-ensartede. Med et ensartet array er antennens elementer placeret på samme måde (ensartet), mens et ikke-ensartet array giver dig mulighed for at justere afstanden mellem elementerne for at finjustere, hvordan alt fungerer.
Lad os kigge nærmere på begreberne beamforming, antenneplacering og crosstalk.
Teknikker inden for beamforming varierer i forskellige tilgange. Herunder digital, analog eller hybrid.
Analog-beamforming holder sig til den velkendte opsætning med fase-array, som bruger faseforskydende transceivere til at manipulere signaler.
Digital-beamforming forenkler tingene ved at håndtere signalmanipulation digitalt, hvilket hjælper med at organisere layout og routing på dit PCB.
Endelig kombinerer den hybride tilgang det bedster fra den analoge og digitale verden. Det giver en blanding af analog broadcasting og digital pre-coding. Det reducerer ikke kun den beregningsmæssige belastning, men forenkler også PCB-layoutet.
Når det kommer til MIMO-antennedesign, er antenneplacering meget vigtig ting at have in mente. Den bedste placering afhænger af forskellige faktorer som PCB-stack-up, hvilke komponenter du bruger og deres placering, din grounding-strategi, og hvordan du router det hele.
Normalt vil du placere antennerne i kanten af printet for at maksimere afstanden fra digitale komponenter. Afstanden hjælper nemlig med at minimere interferens og crosstalk mellem antennerne og komponenterne. I komplekse designs giver den nogle gange mening at placere noget af det digitale kredsløb på et separat bord for at holde det endnu mere isoleret fra antennerne.
Dårlig antenneplacering kan give problemer med crosstalk. Det opstår, når antenner transmitterer signaler, der forstyrrer nærliggende digitale kanaler. Denne interferens kan ødelægge signalkvaliteten og forårsage problemer som f.eks. mere jitter og højere støjniveauer, hvilket ultimativt fører til flere fejl i dine data.
Normalt bekymrer vi os mest om digital crosstalk ind i analoge kanaler, men det modsatte kan også gøre sig gældende. F.eks. kan støj fra skiftende regulatorer snige sig ind i de digitale kanaler og forstyrre signalintegriteten.
Så når du designer dine MIMO-antenner, er det vigtigt, du har de her faktorer med i dine overvejelser, og at du har styr på din nøjagtige antenneplacering. Gør du det rigtigt, får du den bedste ydeevne samt mindre uønsket interferens og crosstalk.
Brugen af forskellige polariseringer (lodret, vandret, skrå, osv.) kan gøre underværker for at reducere interferens mellem dine antenner. Dobbelt-polariserede antenner kan effektivt fordoble antallet af kanaler i et givet rum, hvilket øger systemets kapacitet.
CP (Circular Polarized) MIMO-antenner bruges i trådløse systemer – lige fra satellit- og mobilkommunikation til global navigation. I modsætning til deres lineært polariserede modparter er CP-antenner mindre modtagelige for tab pga. polariserings-mismatch, hvilket gør dem perfekte til langdistance- og satellitkommunikation, hvor signalernes kvalitet er altafgørende.
”The secret sauce” til cirkulær polarisering ligger i justeringer af strømfordelinger og faseskift. F.eks. kan man ved at justere på strømretning og faserne, kan du skifte mellem LHCP (Left-Hand Circular Polarization) og RHCP (Right-Hand Circular Polarization). Denne dobbelte kapacitet giver antennen mulighed for effektivt at administrere polariseringsdiversiteten, hvilket er afgørende for stærke og stabile trådløse forbindelser.
Når det kommer til strålingsmønstre, bør antenner være i stand til at udsende i alle retninger eller fokusere deres signal afhængigt af, hvad de skal bruges til. For mobile enheder foretrækkes normalt omnidirektionelle mønstre for ensartet dækning. Og glem ikke at optimere for diversity gain. Det opnår du ved at have ukorreleret eller minimalt korrelerede signaler ved receiveren/modtageren.
For det første – så er der forskellige måder at imødekomme eventuelle behov for større båndbredde og minimere interferens. F.eks. kan man forkorte hjørnerne af patch-antenner eller udnytte DRA’s (Dielectric Resonator Antenna) med optimerede coupling-slots.
Når det kommer til afstanden mellem antenneelementer, er det afgørende at opretholde en afstand på mindst halvdelen af bølgelængden (λ/2) af signalet for at reducere gensidig coupling og korrelation. Dog kan det være svært at opnå i kompakte enheder, hvorfor du som designer er nødt til at anvende decoupling og diverse tilpasningsteknikker.
For at mindske kanalkorrelation og forbedre ydeevnen er det nødvendigt at have tilstrækkelig isolering mellem antenneelementerne. Det kan du vha. EBG- (Electromagnetic Bandgap) strukturer, parasitiske elementer eller absorberende materialer.
Det er essentielt at dit MIMO-design imødekommer den nødvendige båndbredde for den gældende kommunikationsstandard. Det opnår du ved at designe wideband- eller multiband-antenner, som udnytter teknikker som f.eks. fractal shapes, inkorporering af reactive loading, eller ved at anvende justerbare materialer som tilpasser sig resonansfrekvensen.
Lad os opsummere artiklen. MIMO-systemer gør det muligt at sende flere datastrømme fra en transmitter/afsender til en receiver/modtager. Her vil vi gerne fremhæve vigtigheden af, hvordan velovervejede designvalg ikke kun kan optimere ydeevnen og forbedre forbindelsen men også være afgørende for, om dit design bliver en succes eller en fiasko.
Vi har skrevet om MIMO’s modsætning SISO, som du kan læse mere om i artiklen ’SISO-systemer og kontrolteori i praksis’.
Hvis du arbejder med MIMO-teknologi, vil vi klart anbefale, du benytter dig af simulering i de tidlige faser af processen, fordi simulering er afgørende for at kunne forudsige ydelsen og optimere designet, før du laver prototypen. Vores AWR-løsninger kan med garanti hjælpe dig med at nå i mål, og du skal være så velkommen til at se nærmere på dem.
Kvaliteten af et mesh er afgørende for en CFD simulering. Pointwise står i spidsen for dette område.
Automatisering og tilpasning er nøgleaspekter af Pointwise, der muliggør for brugere at strømline deres meshing-processer. Dette opnås hovedsageligt ved at implementere glyph scripting, især med Python.
Ved at introducere ChatGPT til blandingen, kan vi revolutionere den måde, vi tilgår glyph scripting på. I denne artikel dykker vi ned i, hvordan ChatGPT kan hjælpe dig med at strømline og forbedre glyph scripting-processen for Pointwise meshing.
Er du presset på tid til at læse hele artiklen?
Lyt i stedet til artiklens hovedpunkter og bogmærk artiklen til senere.
Glyph scriptingsgrænsefladen muliggør at automatisere et bredt udvalg af opgaver i Pointwise, lige fra simple, gentagne processer til komplekse, tilpassede meshing-strategier.
I sin kerne tjener glyph scripting tre primære formål:
Python, med sin brugervenlige syntaks og omfattende biblioteker, er et ideelt sprog for glyph scripting. Dens alsidighed og kraft gør det tilgængeligt for både begyndere og erfarne programmører, hvilket muliggør skabelsen af både simple scripts og komplekse meshing-algoritmer.
ChatGPT, drevet af OpenAI GPT-3 API, er en ‘naturlig sprogbehandling’-model, der kan anvendes sideløbende med Python og Pointwise. Med sin forståelse af sprog og grundlæggende kodningskapaciteter kan ChatGPT assistere brugere på flere måder:
Forestil dig et simpelt scenarie, hvor du har brug for et script til at oprette et struktureret net. Selvom denne opgave kan virke skræmmende for begyndere, kan ChatGPT hjælpe med at generere det indledende script eller forfine et eksisterende. Denne AI-assistent forstår dine krav og omsætter dem til effektiv, udførbar Python-kode. En sådan assistance sparer ikke kun tid, men minimerer også potentielle fejl, hvilket gør scripting-processen mere glidende.
Forestil dig, at du skal oprette et grundlæggende struktureret net. Typisk kunne denne opgave involvere en del manuel kodning. Men med ChatGPT kan du hurtigt generere et script som følgende:
# Python script for basic structured grid creation in Pointwise
from pw import *
# Create a structured grid block
block = pw.Application.createBlock()
# Define the dimensions of the grid
block.setIDimension(50)
block.setJDimension(50)
# Set the grid distribution
block.setIDistribution("Uniform")
block.setJDistribution("Uniform")
# Assign grid points (Example coordinates)
block.setGridPoint(0, 0, [0, 0, 0])
block.setGridPoint(49, 0, [1, 0, 0])
block.setGridPoint(0, 49, [0, 1, 0])
block.setGridPoint(49, 49, [1, 1, 0])
# Generate the grid
block.generate()
Dette script er et grundlæggende eksempel. Ved at give mere detaljer i din input, kan ChatGPT hjælpe med at skabe, skræddersyet til dine specifikke krav til grid-størrelse, fordeling og dimensioner.
For et mere avanceret scenarie, såsom at automatisere mesh-forfining baseret på specifikke flow karakteristika, kan ChatGPT assistere i konceptualiseringen af et mere komplekst script. Her er et eksempel på, hvordan det kunne se ud:
# Python script for automated mesh refinement in Pointwise
from pw import *
import numpy as np
def refineMeshBasedOnFlowFeature(block, featureThreshold):
# Function to refine mesh based on a flow feature threshold
# Analyze the block for flow features
flowData = analyzeBlockForFlowFeatures(block)
# Refine the grid where the flow feature exceeds the threshold
for i in range(block.getIDimension()):
for j in range(block.getJDimension()):
if flowData[i][j] > featureThreshold:
block.refineCell(i, j)
def analyzeBlockForFlowFeatures(block):
# Placeholder function to analyze flow features in the block
# In practice, this would involve complex flow analysis logic
return np.random.rand(block.getIDimension(), block.getJDimension())
# Example usage
block = pw.Application.createBlock()
# Set dimensions, distribution, and points as required
refineMeshBasedOnFlowFeature(block, 0.5)
Dette script repræsenterer en mere sofistikeret tilgang, hvor grid finjusteres dynamisk baseret på flow karakteristika, en opgave som ChatGPT kan hjælpe med at scripte og optimere.
Enhver, der har eksperimenteret med AI og ChatGPT, ved, at det output, man får, kun er lige så godt som den input, man giver. Når man bruger ChatGPT eller lignende AI-modeller til at assistere i scripting eller problemløsning, anbefaler vi at holde disse bedste praksisser i tankerne:
Inden vi runder af, skal du selvfølgelig ikke snydes for den ultimative hjælp til at komme godt i gang:
Verdenen inden for Pointwise og Python-scripting er enorm. Tøv ikke med at udforske de aktive online fællesskaber, fora og ressourcer dedikeret til disse emner. At dele dine oplevelser og søge støtte fra ligesindede entusiaster kan være utroligt gavnligt.
ChatGPT kan være en game-changer for Python-scripting i Pointwise. Det forbedrer ikke kun automatiseringen, men tilbyder også uvurderlig brugerassistance. Når du integrerer ChatGPT i dit arbejdsflow, vil du opdage nye måder at strømline meshing-operationer og effektivt fejlfinde scripting-problemer. Omfavn denne spændende synergi mellem AI og CFD for en lysere fremtid indenfor meshing og simulering.
Nordcad guider dig i den rigtige retning, når det kommer til at optimere din designproces. Vi leverer værdifuld know-how for at styrke dine CFD-projekter hvert skridt på vejen. Du vil opnå mere gennemsigtighed og bedre udnyttelse af både din tid og dit budget.
At vælge den rette software til dine fremtidige projekter kan være en udfordring – mildest talt.
Vi har oplevet dette utallige gange med potentielle kunder, der søger efter de bedste softwaremuligheder. Og vi anerkender udfordringen.
I dag, når vi opdager behovet for et nyt produkt eller værktøj, eller skal migrere/opgradere fra en eksisterende, researcher vi vores muligheden på egen hånd. Vi gennemsøger online sider for nyttig information, spørger rundt for at få indsigter fra andres erfaringer, vi ikke selv har endnu, og begynder at samle brikkerne. Men selv da er der mange huller, der skal fyldes, og mange spørgsmål, der forbliver ubesvarede.
Først og fremmest skal vi ændre det spørgsmål, vi søger et svar på.
Vi hader at ødelægge din illusion, men der er ingen universalløsning i dette. Ingen one-size-fits-all eller hellig gral inden for elektronikudviklingssoftware.
I stedet for at søge efter, hvad “den bedste” softwaremulighed er, spørg hvad den rigtige mulighed er for dig specifikt og dit projekt.
Det afhænger alt sammen af dine specifikke behov og krav til det specifikke projekt, du arbejder på.
I denne artikel vil vi give dig en ærlig sammenligning af Altium vs OrCAD X med fordele og ulemper ved begge designplatforme.
Tilmeld dig for at modtage mere detaljerede info om den nyeste platform og oplev dens mange nye funktionaliteter.
Men før vi dykker ned – lad os uddybe, hvorfor det er så udfordrende at vælge den rette software, og hvad du skal overveje i processen.
Elektronikudvikling er ikke en monolit; det er et omfattende område med applikationer, der spænder fra at skabe forbrugergadgets til at udvikle avancerede medicinske apparater eller industrielle kontrolsystemer. Denne mangfoldighed kræver specialiserede softwareværktøjer skræddersyet til hver unik applikation.
Når du søger efter den rette softwareløsning til dig, overvej disse grundigt:
Som du kan se, repræsenterer hver del af puslespillet en unik udfordring, og enhver ingeniør sigter mod at samle dem for at bringe deres projekt til live. Vi har udforsket de kritiske aspekter, der skal overvejes før yderligere beslutninger træffes.
Nu hvor vi skal til at dykke ned i de finere detaljer om funktionaliteten, der tilbydes af Altium Designer og OrCAD X, vil du måske blive overrasket. Grænsen mellem disse to softwaremuligheder er ikke altid så tydelig, da begge har udviklet sig til at tilbyde imponerende kapaciteter.
Schematic Capture | Altium | OrCAD X |
Hierarkisk schematic capture med integreret analog mixed-signal simulering | y | y |
Indbygget SPICE-simulator med modelbibliotek og migrationsstøtte til LTSpice/PSpice | y | y |
Variantstyringsværktøjer til komplekse projekter | y | y |
Anvendelse af krypterede simuleringsmodeller (PSpice) | x | y |
Integreret pre-layout signal integritetsanalyse | x | y |
PCB Layout | Altium | OrCAD X |
High speed design og rigid-flex design features egenskaber inkluderet i standardlicens | y | y |
Regelstyret design for moderne PCB (HDI, Rigid-flex, og Multiboard) | y | y |
Avancerede interaktive routing-funktioner med indbyggede signalintegritetsværktøjer | y | y |
Online 3D clearance check i 2D og 3D canvas (Check mod kasser, rammer, outlines m.m.) | y | y |
Fotorealistisk 3D-visning med realtid clearance check | y | y |
Integreret impedans og koblingsanalyse | x | y |
Hurtig og dynamisk opdatering af kobber under placement og routing | x | y |
Visuel DC strømdistributionsanalyse i PCB-layout | Kræver Power Analyzer | Kræver Sigrity OptimizePI |
Biblioteksstyring | Altium | OrCAD X |
Indbygget BOM-styring | y | y |
Forenede biblioteker med symboler, footprints, simuleringsmodeller og forhandlerlinks | y | y |
Styring af livscyklusser, validering i design, skabeloner og hvor-brugt for biblioteker | Requires Altium Subscription | y |
Fremstilling | Altium | OrCAD X |
Indbyggede værktøjer til generering af fremstilling og assembly-tegninger | y | y |
Intuitivt interface til oprettelse af manufacturing output | y | y |
Generer hurtigt ECO’er, rapporter og dokumentation | y | y |
Del og vis Gerber-filer, ODB++ filer og samletrin i en browser | y | x |
Produktdesign | Altium | OrCAD X |
Intuitiv regel håndtering med Unified Constraint Manager på både schematic og PCB | Kræver Altium Subscription | y |
Multi-board 3D produktvisning fra enhver webbrowser | Kræver Altium Subscription | y |
Multi-board mekanisk integration til SOLIDWORKS® 2020, 2021 og 2022 | Kræver Altium Subscription | y |
Cloud-service | Altium | OrCAD X |
Versionskontrol, templates og komponentbiblioteker i cloud | Kræver Altium Subscription | y |
Indbygget opgavestyring og kommentering til designfiler og BOM’er | Kræver Altium Subscription | y |
Samtidigt PCB team design internt og eksternt | Kræver Altium Subscription | y |
Intuitivt samarbejde internt og eksternt via workgroups | x | y |
Platformintegrationer | Altium | OrCAD X |
Avanceret integration med SOLIDWORKS® for MCAD-komponentplacering, kobbergeometri, kabinetudveksling og multi-board/rigid-flex synkronisering | Kræver Altium Subscription | y |
PLM-integration med Arena® PLM, PTC Windchill, Aras PLM, Oracle Agile PLM og Teamcenter® | Kræver Altium Subscription | Tillægsydelse |
PLM-integration til Highstage PLM | x | y |
Flere importeringsværktøjer til konvertering af filer fra andre ECAD-platforme | Kræver Altium Subscription | y |
Workflows | Altium | OrCAD X |
Styrede arbejdsgange for delanmodninger, designanmeldelser, projektets oprettelse/frigivelse og livscykelgodkendelser | Kræver Altium Subscription | y |
Ændringsmeddelelser og forebyggelse af konflikter i design-dokumenter | Kræver Altium Subscription | y |
Centraliseret kontrol over designmiljøer, dokument-skabeloner og outputfiler for hvert teammedlem | Requires Altium Subscription | y |
Vedligeholdelse og Support | Altium | OrCAD X |
Bagudkompatibel med filer fra alle tidligere udgivelser | y | y |
On-demand træningskurser, vidensbase og community-fora | Kræver Altium Subscription | y |
Live chat og support | Kræver Altium Subscription, som inkluderer supportbilletter, chatfunktion, dokumentationscenter og adgang til Altium community-fora | Nordcads kundeservice inkluderer lokal hotline-support, chatfunktion, adgang til COS (Cadence Online Support), software downloads og gratis online ressourcer |
Platforme | Altium | OrCAD X |
Windows 10 eller nyere | y | y |
MacOS 10.15 eller nyere | x | x |
Linux | x | y |
Licenser | Altium | OrCAD X |
Tidsbaseret abonnement | y | y |
Muligheder for evig licens | y | y |
Flere abonnementsmuligheder | y | y |
Lad mig gætte – du kan ikke spotte en markant forskel. Vi bebrejder dig ikke. Altium og OrCAD X er begge ekstremt kraftfulde og pålidelige værktøjer.
Altium har uden tvivl etableret sig robust på det mainstream marked for sin ubestridelige brugervenlighed og dets kapaciteter for en strømlinet arbejdsgang i en alt-i-en platform. Men med OrCAD X’s indtræden i rummet, hvordan konkurrerer disse to giganter egentlig mod hinanden?
Da funktionaliteterne og den (opdaterede) brugeroplevelse ligner hinanden tæt, bliver vi nødt til at zoome ud og overveje de bredere fordele og ulemper ved begge platforme.
Vær opmærksom på, at valget mellem disse PCB-designværktøjer ofte i høj grad afhænger af dine specifikke projektbehov, budget og personlige præferencer. Hvert værktøj har sine styrker og svagheder, og det bedste valg for dig kan variere afhængigt af dine behov, erfaring og kompleksiteten af dine PCB-designs.
Vi anbefaler altid at prøve gratis prøveversioner og/eller anmode om en demo for grundigt at evaluere hvert værktøj, før du træffer en beslutning.
Som vi har udforsket i denne artikel, bringer begge disse softwareløsninger unikke styrker og svagheder til bordet, hvilket gør det essentielt at nøje evaluere dine projektbehov, budgetbegrænsninger og personlige præferencer.
Valget mellem Altium og OrCAD X er ikke blot et spørgsmål om funktioner eller en tjekliste over fordele og ulemper.
Mens Altium måske udmærker sig i visse aspekter, kan OrCAD X bedre passe til kravene i et andet projekt. Det vigtige her er at tage sig tid til grundigt at vurdere dine behov og mål, før du træffer et valg.
Vi anbefaler stærkt, at du udnytter de gratis prøveversioner og demonstrationer, som både Altium og OrCAD X tilbyder. Denne praktiske erfaring vil give dig førstehåndsindsigt i, hvordan hvert værktøj passer til dine specifikke designmål.
For at hjælpe med at guide din beslutningsproces, overvej følgende faktorer:
Ved at tage disse overvejelser med i betragtning, kan du træffe en informeret beslutning, der maksimerer din produktivitet og projektsucces.
Husk, at det rigtige valg er meget individuelt og kan have stor indflydelse på resultatet af dine PCB-designs. Så uanset om du hælder mod Altium eller OrCAD X, er nøglen at vælge det værktøj, der giver dig mulighed for effektivt og effektivt at bringe dine designvisioner til live.
Altium vs OrCAD X, Altium vs OrCAD X, Altium vs OrCAD X, Altium vs OrCAD X, Altium vs OrCAD X, Altium vs OrCAD X, Altium vs OrCAD X
Det er ikke ualmindeligt, at CFD-ingeniører forenkler komplekse former for at gøre meshing lettere. Selvom dette kan spare tid, går det ofte ud over præcisionen i deres simulationer, hvilket påvirker resultaternes nøjagtighed.
I løbet af årene har vi set betydelige bestræbelser på at udvikle algoritmer, der automatiserer mesh-generering og forbedrer nøjagtigheden samtidig med at man reducerer manuel indgriben. Tag for eksempel sundhedsudstyr som kunstige trikuspidalklapper – behovet for præcision her er afgørende, da menneskeliv står på spil. Automatiseret mesh-generering kan markant reducere tiden, der bruges på gentagne opgaver, hvilket er en fordel i så kritiske scenarier. Lad os finde ud af hvordan.
Forberedelse af CAD (geometri og CAD-oprydning) er den mest kedelige og tidskrævende del af CFD-processen, og udgør generelt 80% af den samlede tid brugt på en CFD-simulation.
Når ingeniører forbereder sig til en CFD-simulation, står de over for flere udfordringer:
At vedligeholde komplekse geometriers intrikate træk under meshing kan være vanskeligt på grund af behovet for geometrisk præcision. At sikre, at meshen nøjagtigt afspejler geometriens detaljer kræver ofte manuelle justeringer og forbedringer. Forenklinger eller tilnærmelser kan føre til unøjagtigheder i CFD-simulationerne.
At skabe høj kvalitet mesh til komplekse geometrier kræver omhyggelig overvejelse af cellestørrelse, form og forbindelse. Og manuel oprettelse af disse kan være både tidskrævende og utroligt kedeligt, især for store geometrier. Ingeniører bruger ofte en betydelig del af deres tid på bare mesh-generering.
At generere mesh, der nøjagtigt fanger strømningsfænomener som adskillelse, skærlag og stagnationspunkter, kræver godt strukturerede og høj kvalitet celler. At sikre disse kvaliteter kan være udfordrende på grund af den komplekse geometris indflydelse på meshens kvalitet.
Ingeniører kan blive nødt til at bruge yderligere tid på at forfine og optimere meshen for at opnå den ønskede kvalitet. Dårlig mesh-kvalitet kan føre til unøjagtige resultater og konvergensproblemer.
At bestemme hvor og hvordan man skal forfine meshen for at sikre nøjagtighed i simulationer, især i områder med komplekse strømningsmønstre, kan være udfordrende. Denne proces involverer identifikation af områder, der kræver forbedring baseret på løsningsfejl.
Den iterative karakter af mesh-tilpasning og forbedring, hvor meshen justeres baseret på simuleringsresultater, kan forlænge simuleringsopsætningstiden.
At simulere scenarier, hvor geometrien ændrer sig over tid, som f.eks. bevægelige køretøjer eller roterende maskiner, kræver dynamiske mesh-genereringsløsninger, der tilpasser sig disse ændringer. Implementering af sådanne dynamiske mesh kan være teknisk udfordrende.
Fordelene og begrænsningerne ved manuel vs. automatiseret mesh-generering taler for sig selv:
Mesh-generering er tilsvarende at skabe et præcist blåprint for en kompleks struktur, der sikrer stabilitet og nøjagtighed. Alligevel er det langt fra en simpel opgave. Lad os dykke ned i fem forskellige udfordringer inden for mesh-generering, som konfronterer enhver CFD-ingeniør. Disse forhindringer kræver omhyggelig overvejelse, men med de rette strategier kan de overvindes – vær ikke bekymret, vi vil vise dig hvordan.
At skabe en fejlfri mesh har traditionelt været en kunst, der mestres over årene. Imidlertid tilbyder muligheden for software, der respekterer designgeometri og minimerer læringskurven, løftet om forbedret effektivitet og fleksibilitet.
Valget mellem strukturerede og uregelmæssige gitter afhænger af kompleksiteten i den aktuelle geometri. Mens strukturerede gitter excellerer i effektivitet, kommer de ofte til kort, når de håndterer komplekse former. Uregelmæssig meshing træder til for at imødekomme denne udfordring.
At opnå fremragende resultater inden for områder som bilkonstruktion kræver en omhyggelig tilgang. Dette indebærer at forfine meshen på kritiske områder, herunder grænser, vægge og områder uden for kroppen, for at fange komplekse strømningsfænomener.
Traditionelle metoder til mesh-generering kan svigte i mødet med høje Reynolds-tal og komplekse hvirvler på grund af det enorme antal celler, der kræves. Mesh-generering af høj orden, kombineret med højtydende databehandling, præsenterer en potentiel løsning, dog med omkostningsovervejelser.
I anvendelser som turbomaskiner, hvor væskeområder udvikler sig dynamisk, er opretholdelse af løsningskvalitet afgørende. Dette kræver implementering af bevægelige mesh-algoritmer for at følge med væskedynamikken.
Det kan være meget nyttigt at have en visuel projektering af, hvordan din geometri skal meshes og diskretiseres, inden du kører nogen form for mesh-genereringsværktøj. Dette giver dig mulighed for at verificere alle indstillingerne for din mesh-opsætning uden at skulle køre noget. Og i visse områder vil et højt detaljeniveau have afgørende indflydelse på din CFD-simulation og dens pålidelighed.
Fordi i sidste ende ønsker du at sikre, at det, der er på din skærm, svarer så meget som muligt til det, der kommer til at ende op i din vindtunnel eller på din testbane.
En af de mest effektive måder at spare tid på og opretholde det højeste niveau af nøjagtighed og pålidelighed i dine resultater på er at have det hele under kontrol på den samme platform eller ‘arbejdsmiljø’ med mulighed for at gøre det fuldt automatiseret. På denne måde kan du problemfrit integrere det i din eksisterende arbejdsgang i henhold til dine behov.
Med Pointwise er der ingen kompromiser. Vores nuværende rekord har reduceret forberedelsestiden fra mere end tre uger til 1-2 dage.
Som du kan se, tilbyder Pointwise en pakke med indbyggede værktøjer, der er designet til at forenkle netdiskretiseringsprocessen for komplekse geometrier.
Lad os udforske nogle af dens vigtigste funktionaliteter:
1. Flashpoint: Automatisk overflade-meshing værktøj: Med minimal input krævet genererer Flashpoint automatisk overflademeshes. Dette værktøj er særligt praktisk, når du skal fange kompleks geometrisk kurvatur, som f.eks. forkanten af en flyvinge.
2. T-Rex: Anisotropisk nær-krop meshing værktøj: T-Rex specialiserer sig i nær-krop eller grænseflademeshing. Det excellerer i håndteringen af symmetrigrænser, skarpe kanter og tynde overflader. Det genererer lag af prismer og hexahedra for at løse strømninger nær væggen og justerer automatisk ekstruderende lag for at undgå sammenstød.
3. Voxels: Automatisk off-body overflade-meshing: Voxels tilbyder høj kvalitet og ensartede celler til meshing uden for kroppen. Dette værktøj fjerner voxels, der skærer geometrien, og excellerer både i intern og ekstern strømningsgeometri.
4. Mesh-tilpasning: Automatisk værktøj til forfining: Mesh Tilpasning forfiner mesh, hvor det er nødvendigt, baseret på estimater af strømningsløsningsfejl. Det er fantastisk til at opnå ensartet og højopløselig meshing, især i områder uden for kroppen.
5. Kurvet meshing i høj opløsning: Denne avancerede teknologi udnytter High-Performance Computing (HPC) til at generere meshes med færre elementer, høj nøjagtighed og reduceret hukommelsesforbrug. Det er en spilskifter for udfordrende scenarier som høje Reynolds-tal.
6. Overset Meshing: Egnet til anvendelser med bevægelige legemer, beregner overset meshing mesh-forbindelsen på ny for ændrende fluid baggrunde. Denne metode skinner i turbomaskineri og fanger effektivt fysikken af bevægelige legemer.
Nøjagtig meshing er afgørende, da det påvirker talrige anvendelser med realverdens implikationer. Cadence Pointwises forskelligartede meshing-teknologier gør det velegnet til en bred vifte af domæner, fra turbomaskiner til medicinske anvendelser. Det tilbyder en fleksibel løsning til automatisering af komplekse netdiskretiseringsarbejdsgange uden at gå på kompromis med nøjagtigheden.
Med automatiseret meshing:
Nordcad guider dig i den rigtige retning, når det kommer til at optimere din designproces.
Vi leverer værdifuld know-how for at forbedre dine CFD-indsats på hvert trin.
Du vil opnå større gennemsigtighed og bedre udnyttelse af både din tid og dit budget.
Inden for PCB-design står ingeniører konstant over for udfordringen med at sikre optimal ydeevne og pålidelighed af deres design.
To nøglemetoder, der anvendes i denne proces, er test og simulering. Disse teknikker spiller afgørende roller i validering af design, afsløring af potentielle problemer og optimering af den overordnede funktionalitet af PCB’er.
Testing involverer fysisk evaluering af et PCB-design for at verificere dets funktionalitet og ydeevne. Denne proces indebærer typisk følgende trin:
Testopsætninger kan omfatte miljømæssige, elektriske og funktionelle tests, blandt andre.
Den største fordel ved testing er dens evne til at give nøjagtige realtidsresultater ved direkte måling af designets fysiske egenskaber.
Derudover er du også i stand til at afsløre problemer, der måske ikke er åbenlyse gennem simulering alene.
Ved fysisk at interagere med prototypen kan ingeniørerne validere designets ydeevne i virkelige scenarier og tage højde for faktorer som støj, signalintegritet og termiske effekter.
Dog har testing også sine to hovedbegrænsninger.
Testing kan være meget tidskrævende og kostbar, da det indebærer fremstilling af prototyper, opstilling af testudstyr og gennemførelse af omfattende testprocedurer.
Derudover kan nogle problemer kun blive åbenlyse i de senere faser af testprocessen. Dette kan potentielt føre til forsinkelser i udviklingscyklussen.
Vi ved alle, at tid er penge, og gentagne forsinkelser vil skade virksomhedens økonomi.
Ikke kun med hensyn til udvikling, men også med hensyn til materialer og andre interne ressourcer.
Nogle avancerede testmetoder er et godt eksempel på dette.
Tag en metode som pålidelighedstest eller i sjældne tilfælde destruktiv test.
Begge kan kræve, at prototyper ofres, hvilket gør det uhensigtsmæssigt for masseproduktion eller dyrt for begrænsede ressourcer.
Fysisk test har naturlige begrænsninger, da den ikke altid kan dække alle mulige scenarier og ekstremtilfælde.
Dette efterlader plads til potentielle problemer at opstå i specifikke situationer, der ikke blev testet.
Derudover repræsenterer dine prototyper måske ikke fuldt ud det endelige produkt med hensyn til materialer, fremstillingsprocesser eller komponentvariationer.
Dette kan potentielt føre til forskelle mellem den testede prototype og det faktiske endelige produkt.
Måske er test ikke gennemførlig eller praktisk for dine specifikke design, da det kan involvere høje frekvenser, komplekse interaktioner eller usikre miljøer.
I sådanne tilfælde vil effektiviteten være begrænset.
I traditionelle PCB-arbejdsgange er simuleringsmetoder ikke så avancerede, præcise og hyppige, som de er i dag.
Når designspecifikationerne er bekræftet, vil ingeniørerne gå videre til:
Efter PCB-samlingen vil du begynde at teste designet for at verificere, at det fungerer som hensigten var.
Men hvis det ikke virker, og du har begået en fejl, så begynder besværet.
Du bliver nødt til at fejlfinde, hvad der forårsagede fejlen, og det kan være meget tidskrævende, fordi du måske ikke har nogen direkte indikationer af rodårsagen.
Desværre er disse nogle beregnede risici, som mange ingeniører håndterer regelmæssigt.
Dette resulterer i spildt tid, penge og forsinket produktion.
Dette er præcis grunden til, at simulering er blevet et uvurderligt værktøj.
En simulering er en virtuel tilgang til at validere dit PCB-design.
I bund og grund indebærer det at bruge specialiseret software til at modellere adfærden af PCB’en og dens komponenter baseret på matematiske algoritmer og fysiske modeller.
Ved at indtaste forskellige parametre og betingelser i softwaren kan ingeniører simulere designets elektriske, termiske og mekaniske egenskaber.
Og derudover forudsige dets ydeevne uden behov for fysiske prototyper.
Der er ingen tvivl om, at simulering kommer med visse fordele.
Simulering giver ingeniører mulighed for hurtigt at gentage og evaluere forskellige designmuligheder og muliggør hurtigere designcyklusser. Uden behov for fysiske prototyper.
Muligheden for at udforske forskellige designmuligheder og vurdere deres indvirkning på ydeevnen tillader optimering og finjustering af PCB’en, inden man begår sig til den faktiske produktion af designet.
Ved at simulere PCB’en under forskellige forhold, såsom elektriske, termiske og mekaniske belastninger, kan du forudsige og optimere ydeevneegenskaber.
Dette fører til værdifulde indsigter i adfærden af PCB-designet samt vigtig feedback vedrørende komponentstatus, datablade og opdateringer.
Gennem simulering kan ingeniører identificere og håndtere potentielle problemer tidligt i designprocessen.
Tidlige simulationer hjælper med at identificere potentielle risici og fejlmekanismer, hvilket muliggør proaktive foranstaltninger, forbedrer pålideligheden og forhindrer designfejl inden produktion.
Dette kan reducere omkostninger, der ellers ville påløbe ved prototyperevisioner og fysisk testning, og mindske udviklingsomkostningerne forbundet med produktion. Såsom spildte materialer, tid, medarbejderlønninger, tabt indtjening osv.
At undgå kritiske designfejl tidligt minimerer risikoen for dyre fejl og dårlig kvalitet af det færdige produkt generelt.
Først lad os tale om indlæringskurven, der følger med at implementere simulationssoftware i dit værktøjskasse.
Det er ikke nødvendigvis en begrænsning, men vi vil gerne forberede dig, hvis din virksomhed vælger at implementere simulering i fremtiden.
Som med alle begyndelser tager det tid at lære nyt software.
Tid og uddannelse, du skal investere i at opnå uvurderlig knowhow, som du kan drage fordel af i al evighed.
Ikke desto mindre kan simulering have sine begrænsninger, hvis det ikke bruges på en velovervejet måde og hvis du ikke ved, hvad du arbejder med.
Det er i høj grad afhængig af nøjagtige modeller og antagelser, hvilket kan introducere fejl, hvis det ikke omhyggeligt valideres.
Nøjagtigheden af simuleringsresultater afhænger direkte af kvaliteten af indtastede data og modellens evne til nøjagtigt at repræsentere virkelige betingelser.
Derudover kan simuleringsværktøjer muligvis ikke tage højde for alle fysiske fænomener, hvilket kan føre til visse begrænsninger i nøjagtig forudsigelse af adfærd for komplekse design.
En moderne arbejdsgang for PCB-design er selvfølgelig, ikke overraskende, baseret på traditionelle metoder, men med en mere strategisk og metodisk tilgang til simulering.
Nedenfor finder du en grov illustration af en moderne arbejdsgang.
Det viser, hvordan simulering fungerer som en portvagt, der forhindrer fejl i at gå videre til centrale aktiviteter i arbejdsgangen.
Hver gang en central aktivitet som kravspecifikationer, skematisk eller layout er blevet fuldført, vil du gerne simulere designet for potentielle fejl eller problemer.
Dette giver dig tidlige indikationer på ting, du ellers ville have opdaget senere (for sent) i valideringsprocessen.
Med simulering behøver ingeniører ikke leve med konstant frygt for potentielle omarbejdninger.
Og ledere behøver ikke at inkludere iterationer som en beregnet udgift i deres budgetter.
📺 Spar tid og begynd at bruge simulering på dine kredsløb
En oversigt over fordelene ved at bruge simulering og hvordan man udnytter værktøjer til at undgå fejl.
📺 Test vs simulering i RF udvikling
En kombination af både simulering og test er den optimale tilgang for at opnå de bedste resultater.
Først lad os tage en hurtig opsummering.
I illustrationen nedenfor vil du se et gennemtænkt eksempel på, hvordan en investering i simulering ville se ud.
Som nævnt tidligere vil en PCB-arbejdsgang uden simulering have højere omkostninger på grund af potentielle omarbejdninger og spild.
Lad ikke den indledende stejle kurve for simulering skræmme dig.
De langsigtede gevinster ved at implementere simulering opvejer omkostningerne ved tid brugt på uddannelse og erhvervelse af værktøjerne.
Og endnu bedre, du behøver kun at foretage investeringen én gang.
Konkluderende er både test og simulering essentielle værktøjer for at opnå succes med PCB-design.
Forstå, at implementeringen af simulering ikke betyder udelukkelse af test.
Faktisk er test stadig påkrævet.
Men simulering vil sætte dig op for succes på lang sigt, hvis det bruges hensigtsmæssigt.
Her er vores tre bedste anbefalinger til at bruge begge tilgange sammen.
Begynd designprocessen ved at udnytte simuleringsværktøjer til at udforske forskellige designmuligheder og evaluere deres ydeevnemæssige karakteristika.
Dette tillader hurtigere iterationer og omkostningseffektiv optimering, inden man forpligter sig til fysiske prototyper.
Simuleringen vil hjælpe med at identificere potentielle problemer tidligt og guide resten af dine designbeslutninger og forbedre den overordnede ydeevne.
Når et design er blevet simuleret og optimeret, er det afgørende at validere simuleringsresultaterne ved at udføre målrettet testning på fysiske prototyper.
Dette hjælper med at sikre, at simuleringen nøjagtigt repræsenterer PCB’ens adfærd i virkeligheden.
Fokuser på at teste specifikke aspekter eller kritiske områder, der er identificeret under simuleringen.
Gør dette for at verificere simuleringens nøjagtighed og identificere eventuelle uoverensstemmelser eller uforudsete problemer.
Testning spiller en afgørende rolle i at validere designets ydeevne under virkelige forhold.
Efter indledende simulationer og optimeringer bør prototype-PCB’er gennemgå omfattende testning for at evaluere deres funktionalitet, pålidelighed og overholdelse af branchestandarder.
Faktorer som miljø, komponentvariationer eller komplekse interaktioner kan ikke være blevet afsløret i simulationen, fordi de ikke er blevet taget i betragtning i de indledende indtastede data.
Resultaterne fra testningen kan derefter bruges til at forfine simuleringsmodellerne og forbedre fremtidige design.
Nordcad guider dig i den rigtige retning, når det handler om at optimere din designproces.
Vi leverer værdifuld knowhow for at styrke dine PCB-indsatser i hvert trin af vejen.
Du vil få mere gennemsigtighed og bedre udnyttelse af både din tid og dit budget.
Klik nedenfor for at booke en demo
SPICE-simuleringer er et velkendt simuleringsværktøj til nøjagtigt kredsløbsdesign. For de, der stadig stoler på intuition og erfaring, er det på høje tid at omfavne software til PCB simulering og udforske dens potentiale for at fremme mindre fejlbare og mere bæredygtige design.
Mens bæredygtighedsdagsordenen primært har fokuseret på store virksomheder og selskaber, har små og mellemstore virksomheder også en betydelig rolle at spille i at reducere deres CO2-aftryk.
Simulationssoftware tilbyder stor værdi for at fremme bæredygtighed i fremstillingsindustrien ved at adressere områder som effektivitet, påvirkning, affald, designpålidelighed og forsyningskædefleksibilitet.
SPICE simulering har særligt potentiale til at spille en afgørende rolle i at fremme bæredygtige designpraksisser for elektriske produkter. Med stigende efterspørgsel efter energieffektive og miljøvenlige produkter er det afgørende for ingeniører at adoptere nye teknologier og strategier for at imødekomme disse forventninger.
Hvordan, spørger du måske? Lad os finde ud af det.
SPICE simulering revolutionerer simpelthen elektronisk kredsløbsdesign og analyse. Dets evne til nøjagtigt at modellere komplekse kredsløb giver ingeniører mulighed for at analysere ydeevneparametre som spænding, strøm, effektafsættelse og frekvensrespons.
Ved at simulere kredsløb før fysisk prototypering, produktion eller fremstilling reducerer SPICE simulering både tid og omkostninger forbundet med designiterationer. Denne iterative proces hjælper med:
Nogle typer af simuleringer, der kan udføres er:
Analysér AC kredsløb, samt uliniære komponenter og vilkårlige waveforms
Beregner DC strøm i et kredsløb som en funktion af DC indgangsspænding
Beregner kredsløbsrespons i frekvensområdet, f.eks. for et filter eller en impedans-matchende netværk
Indbefatter variation af en bestemt parameter i kredsløbet over et interval af værdier som en del af en anden simulation
Ved at simulere kredsløbets adfærd under forskellige betingelser kan SPICE-simuleringer hjælpe ingeniører og designere med at optimere kredsløbsdesign, identificere potentielle problemer og forbedre den samlede kredsløbsydelse.
Og det bedste? Det er en omkostningseffektiv metode til at teste og validere nye designs uden behov for fysiske prototyper.
Cadence® PSpice® er superhelteversionen af SPICE-simulatoren, der tilbyder en række forbedrede funktioner og muligheder til PCB-design. PSpice udvider funktionaliteten af SPICE og giver designere et omfattende værktøjssæt til at simulere, analysere og optimere elektroniske kredsløb.
Du ved måske allerede, at PCB’er ofte rummer en blanding af analoge og digitale kredsløb. En bemærkelsesværdig funktion ved PSpice er dens evne til at udføre mixed-signal-simuleringer, hvilket giver dig mulighed for at simulere interaktionen mellem disse forskellige domæner præcist.
Ved at kombinere analoge og digitale simulationsmuligheder muliggør PSpice, at designere kan validere integriteten af mixed-signal-designs, sikre korrekt funktionalitet og minimere potentielle signalintegritetsproblemer.
Forestil dig, at du har dette komplekse design, måske en IC eller en SoC, og du ønsker ikke at blive fanget i de små transistor-detaljer.
PSpice understøtter adfærdsmodellering, hvilket giver designere mulighed for at oprette og simulere komplekse kredsløbskomponenter ved hjælp af højniveau-adfærdsmodeller i stedet for detaljerede transistor-niveau-repræsentationer.
Adfærdsmodeller kan markant reducere simuleringstiden og muliggøre hurtig prototyping og optimering af komplekse design.
PSpice bringer virkelig de smarte optimeringstricks på bordet. Det inkorporerer avancerede optimeringsteknikker, der giver dig mulighed for at forfine dine design til specifikke mål.
Du kan definere optimeringsmål som f.eks. at minimere strømforbrug, maksimere signal-støj-forholdet eller opfylde specifikke ydeevnekrav, og PSpice vil automatisk justere designparametrene for at opnå disse mål.
Denne optimeringsproces kan hjælpe med at identificere de mest effektive komponentværdier, optimere kredsløbslayoutet og finjustere designet for at opfylde de ønskede specifikationer.
Sig farvel til manuel trial-and-error!
At designe til virkelige scenarier og anvendelser kan være en rigtig udfordring, ikke sandt? Med PSpice er du allerede et skridt foran.
Udover mange standardtyper af analyser, som f.eks. transient og frekvensdomæneanalyse, muliggør PSpice også mere avancerede analyser som f.eks. sensitivitets- og Monte Carlo-analyse.
Disse typer af analyser hjælper i sidste ende med at sikre robusthed over for fremstillingsvariationer og eksterne påvirkninger, hvilket fører til mere pålidelige og modstandsdygtige designs.
Ved at udnytte de avancerede muligheder i PSpice kan du opnå en dybere forståelse af dine kredsløbsdesign, evaluere præstationen under forskellige betingelser og optimere designet med henblik på effektivitet, pålidelighed og funktionalitet.
I bestræbelserne på at minimere elektronikaffald har PCB-designere en afgørende rolle som forsvarere af miljømæssigt bæredygtige praksisser. Anvendelsen af SPICE-simulering tilbyder et avanceret værktøjssæt til at opnå dette vigtige mål. Så her er 3 måder at udnytte kraften i SPICE-simulering:
Rammen er ganske enkel:
Tidlig designvalidering og fejlanalyse
=
Mindre omkostningsfuld omarbejdning og hardwarefejl.
Forestil dig dette: Du er i de tidlige faser af designet af et PCB. Du genbruger et tidligere design, laver justeringer og ændringer. Og du har nok erfaring til at føle dig tryg ved designet – eller måske er du bare under tidspres. Lad mig udfordre dig her. I stedet for at kaste dig direkte ud i fysiske prototyper eller gå videre til produktion og fremstilling – og risikere omkostningsfuld omarbejdning – kan SPICE-simuleringen komme dig til undsætning!
Du kan simulere kredsløbets adfærd under forskellige betingelser. Det er som at have en krystalkugle, der hjælper dig med at spotte potentielle problemer, før de bliver virkelige hovedbrud. Ved at fange disse problemer tidligt kan du spare ressourcer, minimere affald og sikre, at dit design rammer plet fra starten af.
Interesseret i at lære mere om dette?
Jeg afholdt et webinar om de ubenægtelige fordele ved at implementere simulering i din designproces. På bare 15 minutter får du virkelige cases og data om indvirkningen af simulering.
For lad os se det i øjnene – vi ved alle, at selv de mest omhyggeligt designede kredsløb kan støde på uventede problemer. SPICE simulerings evne til at analysere kredsløbsadfærd under fejlforhold er uvurderlig for at reducere elektronikaffald. Ved at simulere fejlsituationer som kortslutninger, åbne kredsløb eller komponentfejl kan designere identificere svagheder i designet og implementere passende tiltag.
Denne proaktive tilgang mindsker betydeligt risikoen for fejl i marken, forhindrer for tidlig kassering af enheder og bidrager til den overordnede reduktion af elektronikaffald. Og sparer penge og arbejdstimer.
Analyse af dit design muliggør identifikation af strømkrævende komponenter eller kredsløbsafsnit, hvilket gør det muligt at implementere energieffektive designstrategier som f.eks. power gating, clock gating eller voltage scaling. Ved at reducere unødvendigt strømforbrug kan designere forlænge batterilevetiden, reducere energispild og fremme bæredygtig elektronik.
PSpice muliggør også simulering og analyse af dynamiske strømstyringsteknikker som dynamisk spændingsskalering (DVS) eller dynamisk frekvensskalering (DFS). Ved at justere spændingsniveauer eller driftsfrekvenser dynamisk baseret på arbejdsbelastningskrav kan designere opnå betydelige energibesparelser uden at gå på kompromis med ydeevnen. PSpice giver en platform til evaluering af effektiviteten af disse teknikker, så du kan minimere energiforbruget.
Effektiv termisk styring er afgørende for at opretholde pålidelighed og levetid for elektroniske enheder. Overskydende varme påvirker ikke kun ydeevnen, men fører også til energispild. PSpice muliggør termisk analyse ved at simulere og forudsige temperaturprofiler inden for kredsløbet.
Ved at identificere hotspots og områder med ineffektivitet kan du optimere varmespredningsstrategier, forbedre kølingsmekanismer og reducere energitab på grund af termiske ineffektiviteter. Denne proaktive tilgang til termisk styring sikrer energieffektiv drift og forlænger levetiden for elektroniske enheder.
På missionen mod bæredygtigt og miljøvenligt PCB-design er brugen af genanvendelige materialer alpha og omega. Lad os dykke dybere ned i, hvordan SPICE simulering og PSpice kan være vores pålidelige hjælpere i at optimere materialeforbrug og fremme en mere cirkulær økonomi.
Omfavn kraften i SPICE simuleringer til bæredygtigt PCB-design. Reducer elektronikaffald, øg energieffektiviteten og optimer materialer med præcision. Lad os revolutionere elektronikindustrien og skabe en grønnere fremtid.