Ist in diesem Fall ein D-optimales Design sinnvoll?Ich habe folgendes Problem für welches ein Versuchsdesign erstellt werden soll:
Die Spannung an einer bestimmten Stelle eines Modells soll mittels FEA ermittelt werden. Dieses Modell wird durch die Einstellung von drei verschiedenen Parametern variiert. Diese Parameter sind so zu variieren, dass die Spannung minimiert wird. Die Spannung soll der Zielwert sein. Winkel, Modul und Radius sind die Faktoren, deren Einfluss untersucht werden muss.
Nun kommt der komplexere Teil der Definition der Faktoren und Ebenen:
Winkel: 3 Stufen für unterschiedliche Winkel
Modul: 9 verschiedene Module
Radius: Für jede Kombination aus Winkel und Modul gibt es eine andere Unter- und Obergrenze, zwischen denen jeder Wert angenommen werden kann
Meine Frage ist nun, wie man mit der Abhängigkeit des Radius am besten umgeht. Soll man den Radius einfach im Doe zwischen 0 und 1 normieren und dann bei der Verwendung des Radius im Experiment umrechnen?
Würden Sie in diesem Fall diskrete numerische Faktoren oder kategorische Faktoren für Winkel und Modul annehmen ... das verwirrt mich immer noch.
Nach meinen bisherigen Untersuchungen wäre ein D-optimales Design am besten geeignet, um die Daten zu erfassen und anschließend RSM durchzuführen, um die optimale Parameterkombination für das Optimalitätskriterium zu finden?
Gibt es bessere Möglichkeiten, das Problem zu lösen?
Vielen Dank.
Grundlegende Datenanalyse und ModellierungVersuchsplanungBetreff: Ist in diesem Fall ein D-optimales Design nützlich?Ich denke, die Idee, einen normalisierten Radiusfaktor zu verwenden, ist sinnvoll.
Ich würde Discrete Numeric nicht verwenden, es sei denn, Sie sind eingeschränkt oder gezwungen, bestimmte Werte zu verwenden. Das optimale Design wählt die besten Ebenen basierend auf dem Modell und der Anzahl der von Ihnen benötigten Durchläufe.
D-Optimalität ist am besten, wenn Sie in erster Linie am Testen von Effekten interessiert sind, und I-Optimalität ist am besten, wenn Sie in erster Linie am Vorhersagen von Antworten interessiert sind. Ich denke, Sie wissen, dass diese Faktoren wichtig sind, sodass kein Test erforderlich ist. I-Optimalität scheint in diesem Fall angemessen. (RSM-Designs verwenden andere Methoden, um dasselbe Ziel zu erreichen als I-optimale Designs.)
Betreff: Ist in diesem Fall ein D-optimales Design nützlich?Wenn also beispielsweise der Winkel 3 bestimmte Werte und das Modul 9 bestimmte Werte annehmen kann, kann ich dann immer noch „Kategorisch“ verwenden und nicht „Diskret Numerisch“?
Was ist dann der Unterschied zwischen diesen beiden Faktorentypen?
Betreff: Ist in diesem Fall ein D-optimales Design nützlich?Der Winkel kann kontinuierlich variieren und hat eine kontinuierliche Auswirkung auf die Antwort. Ich würde „Kontinuierlich“ wählen, nicht „Kategorisch“. Sie definieren außerdem den Bereich des kontinuierlichen Faktors und die Begriffe des Modells, in das er einbezogen ist. JMP bestimmt die Ebenen. Wenn Sie einen kontinuierlichen Faktor haben, dessen Ebenen jedoch vorgegeben sind, verwenden Sie „Diskret numerisch“. JMP wählt die Begriffe im Modell passend zu den gegebenen Ebenen aus.
Ein kategorischer Faktor stellt wirklich diskrete Ebenen dar, wie z. B. Spezies oder Legierungstyp. Die Ebenen existieren nicht auf einem Kontinuum. Jede Ebene hat eine individuelle Auswirkung auf die Antwort.
Kontinuierliche Faktoren werden im Allgemeinen bevorzugt, da sie mehrere Vorteile bieten. Kontinuierliche Faktoren sind statistisch aussagekräftiger als kategorische Faktoren (geringere Anzahl von Durchläufen). Kontinuierliche Faktoren bieten die Möglichkeit für ein sparsameres lineares Modell. Sie können den Bereich eines kontinuierlichen Faktors erweitern, um einen größeren Effekt zu erzielen und die Aussagekraft der Tests und die Genauigkeit der Schätzungen zu verbessern.
Betreff: Ist in diesem Fall ein D-optimales Design nützlich?Um Marks Kommentare zu ergänzen (seine Kommentare zu den Überlegungen bezüglich kontinuierlicher, diskreter numerischer und kategorischer Variablen sind genau richtig): Ich würde die Variablen als kontinuierlich behandeln.
Ich würde mir folgende Fragen stellen: Soll dieses Experiment vollständig per Simulation durchgeführt werden? FEA ist eine Simulation, die auf einem bereits bekannten Algorithmus (Modell) basiert. Liefert die FEA Daten, die die Realität in Ihrer tatsächlichen Situation darstellen? Da der Algorithmus den Leuten, die die FEA-Simulation geschrieben haben, bereits bekannt ist, sind die Beziehungen der Faktoren, die Sie untersuchen, bereits bekannt. Wie das FEA-Modell zustande gekommen ist, ist Ihnen möglicherweise unbekannt. Ob es Ihre Situation darstellt, ist wahrscheinlich ebenfalls unbekannt. Wenn Sie mit der Simulation experimentieren, werden Sie lediglich das bereits bekannte Modell aufdecken. Sie müssen keine Optimalitätskriterien berücksichtigen ... führen Sie einfach eine vollständige Fakultätsberechnung durch. Wenn Sie jedoch tatsächlich experimentelle Einheiten herstellen, die auf die tatsächlichen Belastungen hin gemessen werden, können Sie möglicherweise die FEA-Software validieren oder feststellen, dass sie für Ihre Anwendung nicht nützlich ist. Versuchen Sie, einen Gewinner auszuwählen oder den Mechanismus zu verstehen und eine nützliche Vorhersagegleichung zu entwickeln?
Wenn Sie tatsächlich experimentelle Einheiten herstellen möchten, um die Auswirkung von Faktoren auf die Spannung zu verstehen, könnten Sie Ihre Iterationen mit zweistufigen Designs beginnen, bei denen Sie die Extremwerte von Winkeln, Modul und Radius sowie Rauschen verwenden und dann iterieren.
Betreff: Ist in diesem Fall ein D-optimales Design nützlich?Hallo @bjarne ,
Zusätzlich zu den tollen Anweisungen in den vorherigen Antworten können Sie faktorielle Designs erstellen, um die Antwortoberfläche zu berühren und sich Ihrem Ziel zu nähern. Wenn Sie glauben, dass Sie Ihrem Ziel nahe sind, könnten Sie auch daran interessiert sein, ein Ersatzmodell zu erstellen. Für Computerexperimente gibt es mehrere Möglichkeiten, dies zu tun. Sie verwenden ein raumfüllendes Design, um Ihren Inferenzraum mit verschiedenen Ansätzen wie Latin Hypercube Sampling (LHS) zu füllen. JMP unterstützt auch andere Sampling-Strategien (siehe Links unten). Wenn Sie die Daten haben, können Sie verschiedene Anpassungen ausprobieren und die beste finden, die Ihren Anforderungen entspricht. Sie können mit kleinsten Quadraten-Regressionen beginnen und dann komplexere Anpassungen wie Gaußsche Anpassungen, neuronale Netze usw. ausprobieren.
Weitere Informationen zum Durchführen von Computersimulationsexperimenten finden Sie unter den folgenden Links:
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
Bitte lassen Sie mich wissen, wenn Sie weitere Informationen benötigen,
