D 最優設計在這種情況下有用嗎？我有以下問題，必須創建實驗設計：
模型某一點的應力由 FEA 決定。該模型透過設定三個不同的參數而變化。這些參數的變化應使應力最小化。應力應該是目標值。角度、模量和半徑是必須研究其影響的因素。
現在是定義因素和水平的更複雜的部分：
角度：3級不同角度
模組：9個不同的模組
半徑：對於角度和模數的每種組合，都有不同的下限和上限，在該下限和上限之間可以假設每個值
我現在的問題是如何最好地處理半徑的依賴性？半徑是否應該簡單地在母鹿中標準化為 0 和 1 之間，然後在實驗中使用半徑時進行轉換？
在這種情況下，您是否會假設角度和模量的離散數值因子或分類因子......這仍然讓我感到困惑。
根據我迄今為止的研究，D最優設計最好收集數據，然後RSM找到最優標準的最優參數組合？
有更好的方法來解決問題嗎？
太感謝了。
基礎資料分析與建模實驗設計回覆：D 最優設計在這種情況下有用嗎？我認為使用標準化半徑因子的想法是有意義的。
我不會使用離散數字，除非您受到限製或被迫使用特定值。最佳設計將根據模型和您需要的運行次數選擇最佳水平。
當您主要對測試效果感興趣時，D 最優性是最好的，而當您主要對預測響應感興趣時，I 最優性是最好的。我想你知道這些因素很重要，所以不需要測試。 I-最優性在這種情況下似乎是合適的。 （RSM 設計使用不同的方法來實現與 I 最優設計相同的目標。）
回覆：D 最優設計在這種情況下有用嗎？因此，例如，如果角度可以採用 3 個特定值，則模可以採用 9 個特定值，我是否仍然可以使用類別而不使用離散數值？
那麼這兩類因素有什麼差別呢？
回覆：D 最優設計在這種情況下有用嗎？角度可以連續變化並對反應產生連續的影響。我會選擇連續，而不是分類。您進一步定義連續因子的範圍及其所涉及的模型的項。 JMP 將決定等級。如果您有連續因子，但其水平是預先確定的，請使用離散數值。 JMP 將在模型中選擇適合給定水平的項。
分類因素代表真正離散的水平，例如物種或合金類型。這些層級並不存在於連續體上。每個等級都會對回應產生單獨的影響。
連續因子通常是首選，因為它們具有多種優點。連續因素在統計上比分類因素（較少的運行次數）提供更多資訊。連續因子為更簡潔的線性模型提供了機會。您可以擴展連續因子的範圍以產生更大的影響並提高檢定的功效和估計的精度。
回覆：D 最優設計在這種情況下有用嗎？添加馬克的評論（他對連續、離散數字和分類的考慮因素的評論是正確的）。我會將變數視為連續的。
我會考慮以下問題：這個實驗是否完全透過模擬進行？ FEA 是基於已知演算法（模型）的模擬。 FEA 提供的數據是否能夠代表您的實際情況？由於編寫 FEA 模擬的人員已經知道該演算法，因此您正在研究的因素之間的關係也已經知道。您可能不知道 FEA 模型是如何得出的。它是否代表您的情況也可能是未知的。如果您正在使用模擬進行實驗，您將完成的唯一一件事就是發現已知的模型。您不需要考慮最優性標準......只需運行完整的階乘即可。然而，如果您實際上要製作實驗單元來測量實際應力，那麼您可能能夠驗證 FEA 軟體或確定它在您的應用中沒有用處。您是否想選出一個獲勝者或了解其機制並開發一個有用的預測方程式？
如果您打算實際製作實驗單元來了解因素對壓力的影響，您可以使用角度、模量和半徑以及雜訊的極值以及雜訊和迭代，從 2 級設計開始迭代。
回覆：D 最優設計在這種情況下有用嗎？你好@bjarne ，
除了前面答案中給出的重要方向之外，您還可以進行因子設計來開始接觸響應面並開始朝著您的目標邁進，一旦您相信您已接近目標，您也可能有興趣建立替代模型。對於電腦實驗，有多種方法可以做到這一點，您可以使用空間填充設計，使用不同的方法（例如拉丁超立方採樣(LHS)）來填充推理空間，JMP 也支援其他採樣策略（請參閱下面的連結），一旦您獲取數據後，您可以嘗試不同的擬合並找到最適合您需求的擬合，您可以從最小二乘回歸開始，然後嘗試更複雜的擬合，例如高斯擬合、神經網路等。
要了解更多資訊以更好地了解如何進行電腦模擬實驗，您還可以查看以下連結：
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
如果您需要任何進一步的信息，請告訴我，
