Utilisation des informations de gradient dans la construction de modèles de substitution de CFDSalut,
Ne pas s'attendre à un tas de réponses à ce sujet. Je pense que c'est un peu niche!
Aujourd'hui, j'ai présenté à des ingénieurs des solutions de conception robustes utilisant des expériences de simulation DoE et Monte Carlo. Un des spectateurs a posé une question sur le krigging et quand je lui ai demandé de préciser, il s'est avéré qu'il voulait dire autre chose que ce que je pensais. Je ne connais pas beaucoup la modélisation CFD, mais il m'a dit que, en plus d'obtenir l'estimation de la réponse, ils pouvaient également obtenir des informations sur le gradient de la surface de réponse pour chaque exécution de la simulation. Je ne sais pas comment cela fonctionne, mais je peux imaginer que ce sont des informations utiles. Comment pourraient-ils intégrer cela au modèle de substitution? Voir ci-dessous pour sa description du défi.
L'aspect dont j'ai discuté avec vous consistait à inclure des informations de gradient dans la construction d'un modèle de surface de réponse. Mon intérêt est principalement d'utiliser DoE avec des analyses CFD (Computational Fluid Dynamics) où il est généralement nécessaire de limiter autant que possible le nombre de points expérimentaux afin de maîtriser le coût de calcul global. Dans le passé, j’avais utilisé avec succès des conceptions qui remplissaient l’espace (comme Latin Hypercube) avec des analyses CFD. Cependant, lorsque le nombre de points de données est assez faible, il n'est pas évident que la surface de réponse représente de manière adéquate la convexité (forme) des données sous-jacentes, à moins que les données ne soient assez lisses. L’inclusion des informations de gradient, comme nous l’avons étudié avec le professeur Andy Keane au sein du groupe de génie informatique et de conception de l’Université de Southampton, est un moyen d’améliorer la capacité de la surface de réponse à représenter la forme sous-jacente des données. L'un de nos principaux outils CFD comprend une capacité adjointe, grâce à laquelle la solution des équations adjointe dérivées des équations de Navier-Stokes utilisées pour représenter le flux fournit des informations sur la sensibilité des variables d'ingénierie telles que le glissement par rapport aux modifications de la géométrie ou aux conditions aux limites du flux. Cette information de sensibilité semble être un bon candidat pour améliorer la surface de réponse définissant le modèle de substitution.
Re: Utilisation des informations de gradient dans la construction de modèles de substitution de CFDAu cas où quelqu'un d'autre serait intéressé, j'en ai parlé à Chris Gotwalt la semaine dernière alors qu'il se trouvait au Royaume-Uni. Il a déclaré qu'il était conscient de l'idée d'utiliser les informations de gradient dans la construction de modèles de substitution pour CFD afin d'obtenir un meilleur modèle avec moins de points de conception. Cependant, ce n’est pas quelque chose que vous pouvez faire dans JMP. Et ce n’est pas quelque chose qui risque d’être ajouté à JMP, car c’est une application très spécialisée.
Merci à tous pour vos commentaires.
Phil
Re: Utilisation des informations de gradient dans la construction de modèles de substitution de CFDPas de soucis, Bill. Je pensais que c’était un long plan que quiconque aurait utilisé cette approche!
Re: Utilisation des informations de gradient dans la construction de modèles de substitution de CFDDésolé Phil, je n'avais jamais entendu parler de l'utilisation des informations de dégradé avant votre question. J'ai fait une petite recherche et il semble que cela existe depuis au moins quelques années maintenant. Si seulement je pouvais être plus utile ici.
Facture
Re: Utilisation des informations de gradient dans la construction de modèles de substitution de CFDMerci. Celles-ci semblent toutes être de bonnes idées.
Avez-vous déjà utilisé des informations sur les dégradés? Cela semble être la clé pour mon client. Comme je le disais, je pense que c'est une demande assez inhabituelle.
Merci encore,
Phil
Re: Utilisation des informations de gradient dans la construction de modèles de substitution de CFDHey Phil,
Je suis d'accord avec Nick sur le processus de Guassian. Bien que je leur recommande d’essayer également les filets neuronaux. Nous / I avons construit de nombreux modèles de substitution chez P & G pour des applications de type CFD similaires et les réseaux de neurones ont presque toujours proposé de meilleurs modèles prédictifs.
Je recommanderais également à votre client d'essayer les conceptions Fast Flexible Filling MaxPro afin de mieux "remplir" l'espace de conception. Il repoussera les points de conception plus près des coins / bords tout en maximisant la distance minimale entre les points.
Facture
Re: Utilisation des informations de gradient dans la construction de modèles de substitution de CFDSalut phil
J'ai eu un utilisateur avec un intérêt similaire, il travaillait avec des modèles de substitution pour la conception des ailes d'avion.
Nous avons passé un certain temps à explorer la plate-forme "Processus gaussien" de JMP et nous avons pu construire son modèle.
Ma recommandation serait de leur demander de construire un modèle avec leurs variables d'intérêt en utilisant "Processus Gaussien" et d'évaluer les résultats.
