اکثر مطالعات و مراحل مطالعه مربوط به بخشی از پیکربندی حل‌کننده است که شامل حل‌کننده‌ای برای مسئله خاص است، همانطور که در جدول 20-1 فهرست شده است .

برخی از مراحل مطالعه وجود دارند که معادلات تولید نمی کنند و تنها می توانند در ترکیب با سایر مراحل مطالعه استفاده شوند. این مراحل گسترش مطالعه مستقیماً با هیچ بخشی از پیکربندی حل‌کننده مطابقت ندارد. در عوض، آنها با بخشی از پیکربندی شغل مطابقت دارند یا رفتار مرحله مطالعه دیگری را اصلاح می کنند.

یک Sweep پارامتریک برای فرمول‌بندی رشته‌ای از مشکلات استفاده می‌شود که با تغییر برخی پارامترها در مدل به وجود می‌آیند. مشکل در یک مقدار پارامتر ثابت با بقیه مراحل مطالعه در مطالعه تعریف می شود. این یک گره Sweep Parametric (پیکربندی های شغلی) ایجاد می کند ، مگر اینکه مشکل و پارامترها به گونه ای باشند که جابجایی پارامتریک را بتوان از طریق یک حل کننده ثابت با یک گره پارامتریک تحقق بخشید ، در این صورت چنین حل کننده ای در پیکربندی حل کننده ایجاد می شود.

مرحله مطالعه بهینه سازی و انواع آن برای حل مسائل بهینه سازی محدود شده با PDE استفاده می شود. این مراحل مطالعه امکان تعریف مستقیم توابع هدف و انتخاب پارامترهای مدل، از جمله پارامترهایی که هندسه را کنترل می‌کنند، برای بهینه‌سازی را فراهم می‌کند. آنها همچنین کنترل بر حل کننده ها و مشارکت در یک مسئله بهینه سازی تعریف شده توسط یک رابط Optimization را فراهم می کنند. این نوع مطالعات به مجوز ماژول بهینه سازی نیاز دارند.

یک مطالعه گروهی کاری ایجاد می کند که می تواند بدون رابط کاربری گرافیکی اجرا شود و راه حل را روی دیسک ذخیره می کند. این یک دسته (پیکربندی های شغلی) ایجاد می کند .

از یک Batch Sweep برای فرمول‌بندی یک سری مشکلاتی استفاده می‌شود که با تغییر برخی پارامترها در مدل به وجود می‌آیند. هر تاپل پارامتر یک کار دسته ای ایجاد می کند که مدل را با تاپل داده شده اجرا می کند. نتایج در فایل ذخیره شده و در مدل به روز می شوند. این یک دسته (پیکربندی های شغلی) و یک جابجایی پارامتریک (پیکربندی های شغلی) ایجاد می کند . یک Sweep دسته ای شبیه به یک Sweep پارامتریک است و زمانی مفید است که می خواهید راه حل های یک جارو پارامتریک را در طول فرآیند حل بازیابی کنید و زمانی که فرمول مسئله به گونه ای است که راه حل برای هر پارامتر مستقل از راه حل همه پارامترهای دیگر باشد. ، می تواند در شرایط زیر مفید باشد که در آن شما ممکن است بخواهید نتایج جزئی را در طول یک جابجایی حل کننده بررسی کنید:

اگر در هر یک از این موارد از پاک‌سازی دسته‌ای استفاده می‌کنید، هر پارامتر را می‌توان در یک فرآیند جداگانه حل کرد که می‌تواند به طور مستقل شروع و متوقف شود. نتایج مربوط به پارامترهایی که قبلاً برای آنها حل شده اند را می توان به عنوان یک فایل MPH برای هر مقدار پارامتر ذخیره کرد و می توانید هر تعداد از آنها را در طول فرآیند حل باز کنید و مرور کنید.

یک مطالعه محاسبات خوشه ای برای حل مشکل در معماری کامپیوتر با حافظه توزیع شده استفاده می شود. این یک Cluster Computing (پیکربندی‌های شغلی) و یک دسته (پیکربندی‌های شغلی) تولید می‌کند .

یک Cluster Sweep برای فرمول‌بندی رشته‌ای از مشکلات استفاده می‌شود که با تغییر برخی پارامترها در مدل به وجود می‌آیند. این برنامه راه حل را برای هر پارامتر در معماری کامپیوتر با حافظه توزیع شده محاسبه می کند. نتایج در فایل ذخیره شده و در مدل به روز می شوند. این یک Cluster Computing (پیکربندی‌های شغل) ، دسته‌ای (پیکربندی‌های شغلی) و (در صورت وجود) Sweep پارامتریک (پیکربندی‌های شغلی) تولید می‌کند .

یک گره سطح چندشبکه ای را می توان به عنوان یک گره فرعی به سایر گره های مرحله مطالعه اضافه کرد تا یک سطح چندشبکه هندسی مورد استفاده در مطالعه را توصیف کند.

مرحله مطالعه حساسیت ، توابع هدف را مشخص می کند و متغیرهایی را کنترل می کند که حساسیت با توجه به آنها محاسبه می شود. توابع هدف اسکالر کلی را می توان مستقیماً در مرحله مطالعه مشخص کرد و پارامترهای مدل را می توان به عنوان متغیرهای کنترل انتخاب کرد. علاوه بر این، مرحله مطالعه کنترل روش حلگر حساسیت و کمک به مشکل حساسیت تعریف شده با یک رابط حساسیت یا بهینه سازی را فراهم می کند.

جاروهای دسته ای و جاروهای خوشه ای به روشی متفاوت از جاروهای پارامتریک توزیع شده کار می کنند. یک جارو پارامتریک توزیع شده پارامترهای مختلف را به صورت موازی در یک کار MPI اجرا می کند (فرایندهای مختلف پارامترهای متفاوتی را محاسبه می کنند). یک Sweep دسته ای یا Cluster Sweep چندین فرآیند را به صورت موازی شروع می کند و آنها را اجرا می کند و سپس نتیجه را در فرآیند اصلی جمع آوری می کند. در بیشتر موارد، کار با یک جاروی توزیع‌شده آسان‌تر است. برای انجام این کار، در تنظیمات گره Sweep Parametric ، کادر توزیع پارامتریک Sweep را انتخاب کنید و در حالت توزیع شده شروع کنید (به Sweeps Parametric Distributed مراجعه کنید.). یک جابجایی دسته ای یا جابجایی خوشه ای مستلزم این است که تعدادی مسیر را تنظیم کنید، اما در مواردی که می خواهید استحکام و امکان راه اندازی مجدد پارامترهای جداگانه را داشته باشید، یک جاروی خوشه ای بر یک جاروی پارامتریک توزیع شده ترجیح داده می شود. بخش زیر را نیز ببینید.

علاوه بر یک جارو پارامتریک ، می توانید یک جاروی دسته ای یا یک جاروی خوشه ای نیز انجام دهید.(به بخش بالا نیز مراجعه کنید). Batch Sweep برای همه انواع مجوزهای COMSOL Multiphysics در دسترس است. اگر مجوز شبکه شناور دارید، به یک ویژگی اضافی به نام Cluster Sweep دسترسی دارید. این دو نوع Sweep مشابه هستند، اما Cluster Sweep دارای تنظیمات اضافی برای محاسبات از راه دور و تنظیمات کلاستر است. با یک Cluster Sweep، می توانید یک جاروی بزرگ را روی یک خوشه (بالقوه بزرگ) توزیع کنید. مزیت عملکرد انجام این کار می‌تواند بسیار بالا باشد، زیرا جاروهای مستقل (که گاهی اوقات محاسبات موازی شرم‌آور نامیده می‌شوند) معمولاً مقیاس بسیار خوبی دارند. اگر می‌دانید چگونه جاروهای دسته‌ای را اجرا کنید، پس قدم برای اجرای یک جاروی خوشه‌ای چندان بزرگ نیست.