この場合、D 最適設計は役立ちますか?次のような問題があり、それに対して実験設計を作成する必要があります。
モデルの特定のポイントにおける応力は、FEA によって決定されます。このモデルは、3 つの異なるパラメータを設定することによって変化します。これらのパラメータは、応力が最小になるように変化します。応力は目標値である必要があります。角度、係数、半径は、影響を調査する必要がある要因です。
ここで、要因とレベルを定義するという、より複雑な部分に進みます。
角度: 3段階の角度調整が可能
モジュール: 9つの異なるモジュール
半径: 角度とモジュールの組み合わせごとに、それぞれの値が想定される下限と上限が異なります。
私の質問は、半径の依存性を最もうまく処理するにはどうすればよいかということです。半径は、doe で 0 と 1 の間で単純に正規化され、実験で半径が使用されるときに変換される必要がありますか?
この場合、角度と係数には個別の数値因子とカテゴリ因子のどちらを想定しますか...まだよくわかりません。
これまでの私の研究によると、データを収集し、次に RSM を使用して最適基準に最適なパラメータの組み合わせを見つけるには、D 最適設計が最適でしょうか?
問題を解決するより良い方法はありますか?
どうもありがとう。
基本的なデータ分析とモデリング実験計画法Re: この場合、D 最適設計は役立ちますか?正規化された半径係数を使用するという考え方は理にかなっていると思います。
特定の値の使用が制限されているか強制されていない限り、離散数値は使用しません。最適な設計では、モデルと必要な実行回数に基づいて最適なレベルが選択されます。
D 最適性は、主に効果のテストに関心がある場合に最適であり、I 最適性は、主に応答の予測に関心がある場合に最適です。これらの要因が重要であることはご存じだと思いますので、テストする必要はありません。この場合は I 最適性が適切と思われます。(RSM デザインは、I 最適デザインと同じ目標を達成するために異なる方法を使用します。)
Re: この場合、D 最適設計は役立ちますか?たとえば、角度が 3 つの特定の値を取り、モジュールが 9 つの特定の値を取ることができる場合、離散数値を使用せずにカテゴリを使用することはできますか?
では、これら 2 種類の要因の違いは何でしょうか?
Re: この場合、D 最適設計は役立ちますか?角度は連続的に変化し、応答に連続的な影響を与えます。カテゴリではなく連続を選択します。連続因子の範囲と、それが関係するモデルの項をさらに定義します。JMP がレベルを決定します。連続因子があるが、そのレベルが事前に決定されている場合は、離散数値を使用します。JMP は、指定されたレベルに合わせてモデル内の項を選択します。
カテゴリ因子は、種や合金の種類のように、完全に個別のレベルを示します。レベルは連続体として存在するわけではありません。各レベルは、応答に対して個別の効果を生み出します。
連続因子は、いくつかの利点があるため、一般的に好まれます。連続因子は、カテゴリ因子よりも統計的に有益です (実行回数が少ない)。連続因子は、より簡潔な線形モデルに適しています。連続因子の範囲を拡張して、より大きな効果を引き出し、テストの検出力と推定値の精度を向上させることができます。
Re: この場合、D 最適設計は役立ちますか?Mark のコメントに付け加えると (連続、離散数値、カテゴリに関する考慮事項についての彼のコメントは正確です)、変数は連続として扱います。
私は次の質問について考えます。この実験は完全にシミュレーションで実行されますか? FEA は、既知のアルゴリズム (モデル) に基づくシミュレーションです。FEA は、実際の状況の現実を表すデータを提供していますか? アルゴリズムは FEA シミュレーションを作成した人々には既に知られているため、調査している要因の関係は既にわかっています。FEA モデルがどのように到達したかは、あなたにはわからないかもしれません。それがあなたの状況を表しているかどうかも、おそらくわかりません。シミュレーションを使用して実験している場合、達成できる唯一のことは、既知のモデルを明らかにすることです。最適基準を考慮する必要はありません... 完全実施要因を実行するだけです。ただし、実際の応力を測定する実験ユニットを実際に作成する場合は、FEA ソフトウェアを検証するか、アプリケーションで役に立たないことを判断できる場合があります。勝者を選ぼうとしているのか、メカニズムを理解して、役立つ予測方程式を開発しようとしているのか?
実際に実験ユニットを作成して、要因が応力に与える影響を理解する場合は、角度、係数、半径の極値とノイズを使用して 2 レベルの設計で反復を開始し、反復することができます。
Re: この場合、D 最適設計は役立ちますか?こんにちは@bjarne さん
前の回答で示された優れた指示に加えて、要因設計を作成して応答曲面に触れ、目的に向かって進み始めることができます。目的に近づいていると確信したら、 代理モデルの構築にも興味を持つことができます。コンピューター実験の場合、これを行うにはいくつかの方法があります。空間充填設計を使用して、ラテンハイパーキューブサンプリング (LHS) などのさまざまなアプローチを使用して推論空間を埋めます。JMP は他のサンプリング戦略もサポートしています (以下のリンクを参照)。データを取得したら、さまざまな適合を試して、ニーズに合った最適なものを見つけることができます。最小二乗回帰から始めて、ガウス適合、ニューラルネットなどのより複雑な適合を試すことができます。
コンピュータ シミュレーション実験の実行方法をより深く理解するための詳細情報については、次のリンクも参照してください。
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
さらに詳しい情報が必要な場合はお知らせください。
