Une conception optimale D est-elle utile dans ce cas ?J'ai le problème suivant pour lequel un plan expérimental doit être créé :
La contrainte à un certain point d'un modèle doit être déterminée par FEA. Ce modèle varie en définissant trois paramètres différents. Ces paramètres doivent être modifiés de manière à minimiser les contraintes. La contrainte doit être la valeur cible. L'angle, le module et le rayon sont les facteurs dont l'influence doit être étudiée.
Vient maintenant la partie la plus complexe de la définition des facteurs et des niveaux :
Angle : 3 niveaux pour différents angles
Module : 9 modules différents
Rayon : pour chaque combinaison d'angle et de module, il existe une limite inférieure et supérieure différente entre laquelle chaque valeur peut être supposée
Ma question maintenant est la suivante : comment gérer au mieux la dépendance du rayon ? Le rayon doit-il simplement être normalisé entre 0 et 1 chez la biche puis converti lorsque le rayon est utilisé dans l'expérience ?
Supposez-vous des facteurs numériques discrets ou des facteurs catégoriels pour l'angle et le module dans ce cas... cela me confond encore.
D'après mes recherches jusqu'à présent, une conception optimale D serait préférable pour collecter les données, puis RSM pour trouver la combinaison de paramètres optimale pour le critère d'optimalité ?
Existe-t-il de meilleures façons de résoudre le problème ?
Merci beaucoup.
Analyse et modélisation des données de baseConception d'expériencesRe : Une conception optimale D est-elle utile dans ce cas ?Je pense que l'idée d'utiliser un facteur de rayon normalisé est logique.
je n'utiliserais pas Discrete Numeric à moins que vous ne soyez restreint ou obligé d'utiliser des valeurs spécifiques. La conception optimale choisira les meilleurs niveaux en fonction du modèle et du nombre de courses dont vous avez besoin.
L'optimalité D est la meilleure lorsque vous souhaitez principalement tester les effets, et l'optimalité I est la meilleure lorsque vous souhaitez principalement prédire les réponses. Je pense que vous savez que ces facteurs sont importants et qu’il n’est donc pas nécessaire de procéder à des tests. L'optimalité I semble appropriée dans ce cas. (Les conceptions RSM utilisent différentes méthodes pour atteindre le même objectif que les conceptions I-optimales.)
Re : Une conception optimale D est-elle utile dans ce cas ?Donc si, par exemple, l'angle peut prendre 3 certaines valeurs et le module 9 certaines valeurs, puis-je quand même utiliser Catégorial et ne pas utiliser Discrete Numeric ?
Quelle est alors la différence entre ces deux types de facteurs ?
Re : Une conception optimale D est-elle utile dans ce cas ?L'angle peut varier continuellement et a un effet continu sur la réponse. Je choisirais Continu, pas Catégorique. Vous définissez en outre la plage du facteur continu et les termes du modèle dans lequel il est impliqué. JMP déterminera les niveaux. Si vous disposez d'un facteur continu, mais que ses niveaux sont prédéterminés, utilisez Discrete Numeric. JMP choisira les termes du modèle en fonction des niveaux donnés.
Un facteur catégoriel présente des niveaux vraiment discrets, comme l'espèce ou le type d'alliage. Les niveaux n'existent pas sur un continuum. Chaque niveau produit un effet individuel sur la réponse.
Les facteurs continus sont généralement préférés car ils offrent plusieurs avantages. Les facteurs continus sont statistiquement plus informatifs que les facteurs catégoriels (plus petit nombre d'exécutions). Les facteurs continus sont une opportunité pour un modèle linéaire plus parcimonieux. Vous pouvez étendre la plage d'un facteur continu pour obtenir un effet plus important et améliorer la puissance des tests et la précision des estimations.
Re : Une conception optimale D est-elle utile dans ce cas ?Pour ajouter aux commentaires de Mark (ses commentaires sur les considérations concernant les numériques continus, discrets et catégoriques sont parfaits). Je traiterais les variables comme continues.
Je considérerais les questions suivantes : cette expérience doit-elle être entièrement réalisée par simulation ? FEA est une simulation basée sur un algorithme (modèle) déjà connu. La FEA fournit-elle des données qui représentent la réalité de votre situation réelle ? Étant donné que l'algorithme est déjà connu des personnes qui ont écrit la simulation FEA, les relations entre les facteurs que vous étudiez sont déjà connues. Vous ne savez peut-être pas comment le modèle FEA a été créé. On ne sait probablement pas si cela représente également votre situation. Si vous expérimentez en utilisant la simulation, la seule chose que vous accomplirez est de découvrir le modèle déjà connu. Vous n'avez pas besoin de prendre en compte les critères d'optimalité... exécutez simplement des factorielles complètes. Si, toutefois, vous comptez réellement fabriquer des unités expérimentales qui seront mesurées pour les contraintes réelles, vous pourrez alors valider le logiciel FEA ou déterminer qu'il n'est pas utile dans votre application. Essayez-vous de choisir un gagnant ou de comprendre le mécanisme et de développer une équation de prédiction utile ?
Si vous envisagez réellement de créer des unités expérimentales pour comprendre l'impact des facteurs sur la contrainte, vous pouvez commencer vos itérations avec des conceptions à 2 niveaux utilisant les extrêmes d'angles, de module et de rayon ainsi que le bruit et itérer.
Re : Une conception optimale D est-elle utile dans ce cas ?Bonjour @bjarne ,
En plus des excellentes instructions données dans les réponses précédentes, vous pouvez créer des plans factoriels pour commencer à toucher la surface de réponse et commencer à avancer vers votre objectif. Une fois que vous pensez être proche de votre objectif, vous pourriez également être intéressé par la construction d'un modèle de substitution . Pour les expériences informatiques, il existe plusieurs façons de procéder, vous utilisez une conception de remplissage d'espace, pour remplir votre espace d'inférence en utilisant différentes approches telles que l'échantillonnage Latin Hypercube (LHS), JMP prend également en charge d'autres stratégies d'échantillonnage (voir les liens ci-dessous) et une fois que vous obtenez les données, vous pouvez essayer différents ajustements et trouver celui qui convient le mieux à vos besoins, vous pouvez commencer par des régressions des moindres carrés, puis essayer des ajustements plus complexes tels que les ajustements gaussiens, les réseaux neuronaux, etc.
pour plus d'informations afin de mieux comprendre comment réaliser des expériences de simulation informatique, vous pouvez également consulter les liens suivants :
https://community.jmp.com/t5/Discovery-Summit-2014/A-Primer-on-Running-Deterministic-Computer-Simulations/ta-p/21852
https://community.jmp.com/t5/Discovery-Summit-Korea-2020/Case-Study-The-Use-of-Gaussian-Process-for-Analyzing-Computer/ta-p/333321
S'il vous plaît laissez-moi savoir si vous avez besoin de plus d'informations,
