在上一次發現峰會上，有一個精彩的演示，其中 SVEM 成功用於具有有限 #runs 的流程建模；這也適用於從 17 次運行的 DSD 開始構建 6 因子 RSM 嗎？在另一個演示中，為這個 6 因子 RSM 提出了 31 次運行的 OMARS，SVEM 是一個好的替代方案嗎？
嗨菲爾，感謝您的投入！ 我們現在有相當多的能源部選擇，事實上，正如您所說，做出正確的選擇取決於許多標準，就像過去選擇正確的分數經典設計一樣。 有經驗的用戶可以快速做出正確的選擇，但是對於沒有經驗的用戶來說，在類別之間進行選擇並不容易，即古典 - DSD - OMARS - SVEM - 最佳... 一個為正確選擇提供方向的流程圖會很棒，也許可以作為下一次峰會的主題，您覺得怎麼樣？
嗨弗蘭克，
我想您是在問，為了估計 6 因子 RSM 模型，使用 SVEM 建模的 17 次運行 DSD 是否是 31 次運行 OMARS 的良好替代方案。
我可以肯定地說，31 次運行的設計將為您提供更多信息。SVEM 非常有用。 但這不是魔法。 更多的運行總是會帶來更多的信息，無論是否有 SVEM。
您當然可以在 6 因子、17 次運行的 DSD 上將 SVEM 與 6 因子 RSM 模型結合使用。 這可能使您能夠實現您的目標。
我不可能說您的案例是否需要 31 次運行的 OMARS，或者 17 次運行的設計是否能為您提供一個足夠好的模型來實現您的目標。 這取決於太多其他事情。 其中很多都是未知的。
請注意，6 因子 RSM 模型有 28 個參數（我認為！）。 17 次運行的估計量很大！ 您的模型有多好將取決於您的案例中效果稀疏性的真實程度。
6 因子、17 次破壞 DSD（以及 31 次運行的 OMARS）中的二階效應之間存在相關性。 因此，這將限制估計這些影響的精度。
我建議你閱讀Lemkus 等人的論文如果您想真正了解 SVEM、它的優點和局限性。
我還建議您不要僅僅因為 SVEM 令人興奮就放棄順序 DOE 的想法。 您可以運行 17 次運行的 DSD。 使用 SVEM 和其他方法對其進行建模。 如果這能滿足您的需要，那就太好了。 如果它不能滿足您的需要，那就進行增強。
我希望這有幫助，
菲爾
