在这种情况下，D 最优设计有用吗？我有以下问题，需要创建一个实验设计：
模型某一点的应力将通过 FEA 确定。通过设置三个不同的参数来改变该模型。这些参数将以应力最小化的方式改变。应力应为目标值。角度、模量和半径是必须研究其影响的因素。
现在到了定义因素和水平的更复杂的部分：
角度：3 个级别，适合不同角度
模块：9 个不同模块
半径：对于每个角度和模数的组合，都有不同的下限和上限，每个值都可以在这两者之间假设
我现在的问题是如何最好地处理半径的依赖性？是否应该在 doe 中将半径简单地标准化为 0 到 1 之间，然后在实验中使用半径时进行转换？
在这种情况下，您是否会假设角度和模量的离散数值因子或分类因子......这仍然让我感到困惑。
根据我迄今为止的研究，D 最优设计最适合收集数据，然后使用 RSM 来找到最优标准的最佳参数组合？
有没有更好的方法来解决该问题？
太感谢了。
基础数据分析与建模实验设计回复：在这种情况下 D 最优设计有用吗？我认为使用标准化半径因子的想法是有意义的。
除非您受到限制或被迫使用特定值，否则我不会使用离散数值。最佳设计将根据模型和您需要的运行次数选择最佳级别。
当您主要对测试效果感兴趣时，D 最优性是最好的，而当您主要对预测响应感兴趣时，I 最优性是最好的。我认为您知道这些因素很重要，所以不需要测试。在这种情况下，I 最优性似乎很合适。（RSM 设计使用不同的方法来实现与 I 最优设计相同的目标。）
回复：在这种情况下 D 最优设计有用吗？因此，如果例如角度可以取 3 个特定值而模数可以取 9 个特定值，我仍然可以使用分类而不使用离散数值吗？
那么这两类因素有什么区别呢？
回复：在这种情况下 D 最优设计有用吗？角度可以连续变化，并对响应产生连续影响。我会选择连续，而不是分类。您进一步定义连续因子的范围及其所涉及的模型的项。JMP 将确定级别。如果您有一个连续因子，但其级别是预先确定的，请使用离散数值。JMP 将选择模型中的项以适合给定的级别。
分类因子代表真正离散的水平，如物种或合金类型。水平并不连续。每个水平都会对响应产生单独的影响。
连续因子通常是首选，因为它们具有多种优势。连续因子在统计上比分类因子（运行次数较少）更具信息量。连续因子为更简约的线性模型提供了机会。您可以扩展连续因子的范围以产生更大的效果并提高检验能力和估计精度。
回复：在这种情况下 D 最优设计有用吗？补充一下 Mark 的评论（他对连续、离散数字和分类的考虑的评论非常准确）。我会将变量视为连续的。
我会考虑以下问题：这个实验是否完全通过模拟进行？FEA 是基于已知算法（模型）的模拟。FEA 提供的数据是否代表了您的实际情况？由于编写 FEA 模拟的人已经知道该算法，因此您正在研究的因素之间的关系已经为人所知。您可能不知道 FEA 模型是如何得出的。它是否代表您的情况也可能是未知的。如果您正在使用模拟进行实验，那么您唯一能完成的事情就是发现已知的模型。您无需考虑最优性标准……只需运行全因子分析。但是，如果您要实际制作将要测量实际应力的实验单元，那么您可能能够验证 FEA 软件或确定它在您的应用中没有用处。您是想挑选一个赢家，还是了解机制并开发一个有用的预测方程？
如果您要实际制作实验单元来了解因素对压力的影响，则可以使用角度、模量和半径以及噪声的极端值从 2 级设计开始迭代并进行迭代。
回复：在这种情况下 D 最优设计有用吗？你好@bjarne ，
除了前面答案中给出的很好的指导之外，您还可以进行因子设计来开始接触响应面并开始朝着您的目标前进，一旦您相信您已经接近目标，您可能还会对建立代理模型感兴趣。对于计算机实验，有几种方法可以做到这一点，您可以使用空间填充设计，使用不同的方法填充您的推理空间，例如拉丁超立方抽样（LHS），JMP 也支持其他采样策略（请参阅下面的链接），一旦获得数据，您可以尝试不同的拟合并找到最适合您需要的拟合，您可以从最小二乘回归开始，然后尝试更复杂的拟合，如高斯拟合、神经网络等。
为了更好地了解如何进行计算机模拟实验，您还可以查看以下链接：
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
如果您需要更多信息，请告诉我，
