DSD avec facteur catégorielBonjour à tous,
Je suis étudiant en master et je termine actuellement mon mémoire. L'objectif de ce mémoire est d'améliorer le rendement des éoliennes à axe vertical en ajoutant des ailettes et en optimisant les paramètres de conception de ces ailettes afin de maximiser le rendement (à l'aide de la méthode des plans d'expériences).
Les paramètres de conception de ces ailettes se composent de 7 paramètres continus et de 1 paramètre catégoriel (à 2 niveaux).
Je suis un peu perdu quant à la marche à suivre après avoir terminé les 22 simulations DSD (il m'en reste encore quelques-unes à terminer, mais je m'y prends à l'avance car le temps presse). J'ai lu que l'augmentation du plan d'expérience est une bonne approche pour ajuster un modèle de surface de réponse (RSM), mais quelqu'un pourrait-il m'aider ? En particulier, j'ai un facteur catégoriel et je ne sais pas comment ajuster un RSM avec ce facteur (faut-il deux équations, une pour chaque niveau de ce facteur catégoriel, ou les combiner en une seule ?).
Merci beaucoup pour votre aide !
Conception des expériencesRe: DSD avec facteur catégorielSalut @Mohnasre ,
Bienvenue dans la communauté !
Vous pouvez consulter la documentation liée à la plateforme Conceptions Augmentées .
Le processus d'amélioration d'un design est assez simple :
- En vous basant sur la modélisation des réponses dans votre conception initiale, identifiez les principaux facteurs importants qui apparaissent en termes d'effet dans les modèles.
- Ouvrez la plateforme Conceptions Augmentées , spécifiez les facteurs clés à conserver dans l'augmentation du plan expérimental ainsi que les réponses, et choisissez une méthode d'augmentation . Je recommande à ce stade de cocher l'option « Grouper les nouvelles exécutions dans un bloc séparé » , car cela introduira un effet de bloc pour la deuxième série d'expériences. Vous pourrez ainsi vérifier si votre réponse moyenne n'a pas changé entre les deux étapes du plan (original et augmenté) et suivre toute différence de variance entre les deux étapes.
Si votre objectif est d'augmenter le DSD initial pour ajuster un modèle de surface de réponse (RSM) aux facteurs importants identifiés, vous pouvez choisir Augmenter , car cela vous permettra de spécifier le modèle supposé que vous souhaitez pouvoir ajuster grâce à la conception augmentée :
Notez que sur ma capture d'écran, j'ai conservé tous les facteurs du DSD initial à 22 essais, ce qui explique le nombre élevé d'essais à ajouter (48 au total, en incluant les 22 essais initiaux, soit 26 nouveaux essais). Dans votre cas, vous pouvez réduire le nombre de facteurs à ajouter, selon leur importance et leur pertinence d'après l'analyse de votre DSD initial.
Concernant votre deuxième question, un facteur catégoriel apparaîtra dans le modèle sous la forme d'une règle « Si… alors… », comme dans cet exemple :
Dans cet exemple, « Hydrolyse » et « Prétrempage » sont deux facteurs catégoriels à deux niveaux. Selon le niveau défini dans l'expérience, ils auront un effet positif ou négatif sur la réponse. Par exemple, en prenant l'effet principal lié au facteur « Hydrolyse » (première fonction Correspondre de l'équation), si l'expérience est réalisée au niveau L1, la réponse augmentera en moyenne de 0,3794[...]. Si l'expérience est réalisée au niveau L2, la réponse diminuera en moyenne de -0,3794[...].
Notez que les facteurs catégoriels à deux niveaux auront la même valeur absolue pour les coefficients de ces niveaux, mais des signes opposés. Si vous avez plusieurs niveaux pour un facteur catégoriel, les coefficients de ces niveaux sont liés par l'équation : L1 + L2 + L3 + ... = 0.
J'espère que cette réponse vous aidera.
Re: DSD avec facteur catégorielBonjour @Victor_G
Merci pour votre réponse !
Je prévois d'utiliser une stratégie d'augmentation optimale après le DSD, mais je ne peux pas me permettre d'effectuer 24 exécutions supplémentaires. J'espérais n'en avoir besoin que de 10 au maximum. Est-ce possible ?
Re: DSD avec facteur catégorielOui, plusieurs options sont possibles, mais les simulations que vous n'avez pas pu réaliser pour construire votre modèle augmenteront l'incertitude et le manque de précision de votre modèle RSM.
Une option consiste à créer un modèle bayésien I-optimal , où l'estimabilité de certains termes est définie sur « Si possible » au lieu de « Nécessaire ». Pour ce faire, cliquez avec le bouton gauche sur l'estimabilité des effets que vous souhaitez modifier et définissez-la sur « Si possible ».
Cela permettra de réduire le nombre d'exécutions nécessaires, mais vous risquez de ne pas pouvoir inclure les termes « si possible » dans le modèle, car la création de nouvelles exécutions imposera l'estimation des effets « nécessaires » avant celle des termes « si possible ». Il est donc essentiel de bien choisir et d'évaluer le compromis entre la réduction du nombre d'exécutions et le modèle que vous souhaitez ajuster.
Une autre option aurait pu être d'effectuer une augmentation par remplissage d'espace, mais la présence de votre facteur catégoriel vous empêchera d'opter pour cette solution.
Enfin, je vous encourage à attendre d'avoir tous vos résultats et à consacrer du temps à leur analyse. Certains facteurs et termes peuvent ne pas être significatifs ni pertinents en pratique pour l'évaluation de vos réponses ; il peut donc être judicieux de simplifier le modèle que vous souhaitez utiliser lors de la phase d'augmentation, en supprimant les termes non pertinents et en respectant les principes d' hérédité des effets , de rareté des effets et de hiérarchie des effets .
J'espère que cette réponse vous donnera quelques idées pour plus tard.
Re: DSD avec facteur catégorielPar simple curiosité, fabriquez-vous réellement des échantillons physiques et plusieurs turbines, ou utilisez-vous un logiciel de simulation pour réaliser vos tests ?
Re: DSD avec facteur catégorielMerci beaucoup @Victor_G !!
Dernière question : y a-t-il des vidéos (ateliers ou cours) que vous recommandez de regarder sur le DSD et l’augmentation ?
J'apprécie votre aide !
Re: DSD avec facteur catégorielBonjour @statman ,
Non, je ne fais que des simulations numériques. Au départ, nous avions prévu de réaliser aussi des expériences, mais faute de temps, nous ne faisons que des simulations numériques (CFD) sur ANSYS.
Re: DSD avec facteur catégorielAlors pourquoi effectuer des calculs factoriels fractionnaires ? Vos ressources de calcul sont-elles limitées ? Sachez que les modèles existent déjà pour ces programmes. Au mieux, vous pourrez identifier les modèles utilisés, mais s'ils sont inadaptés à votre situation, les résultats seront tout aussi médiocres. Par exemple, si vous souhaitez obtenir des informations sur un tracteur qui n'est pas inclus dans leur modèle, le facteur sera insignifiant. Ce qui est peu utile pour un travail de recherche.
Vous devriez lire :
Bradley Jones (2016) Expériences de criblage au XXIe siècle : quoi, pourquoi et comment, Ingénierie de la qualité , 28:1, 98-106, DOI : 10.1080/08982112.2015.1100462.
Bradley Jones (2016) Réponse, Quality Engineering , 28:1, 122-126, DOI : 10.1080/08982112.2015.1100468
Jones, B., & Nachtsheim, CJ (2011). Une classe de plans à trois niveaux pour le criblage définitif en présence d'effets de second ordre.Journal de la technologie de la qualité, 43(1), 1–15. https://doi.org/10.1080/00224065.2011.1191784
Jones, B., et Nachtsheim, C.J. (2013). Plans de criblage définitifs avec facteurs catégoriels à deux niveaux ajoutés * . Journal de la technologie de la qualité , 45 (2), 121-129. https://doi.org/10.1080/00224065.2013.11917921
De plus, Brad possède quelques présentations PowerPoint que vous pouvez trouver en effectuant une recherche.
Re: DSD avec facteur catégoriel@statman
Oui, mon temps et ma puissance de calcul sont limités.
L'objectif est de trouver la conception optimale des ailettes à l'aide de la méthode des plans d'expériences (DOE). Cependant, compte tenu du grand nombre de paramètres de conception, j'ai envisagé de commencer par une phase de criblage afin d'identifier les paramètres les plus influents, puis de les optimiser en enrichissant la structure de conception (DSD).
Chaque simulation est une simulation CFD 3D, qui peut prendre jusqu'à trois jours selon le nombre d'éléments du maillage. Je ne peux donc pas me permettre de réaliser un plan factoriel complet à huit paramètres ; cela me prendrait un temps fou. C'est pourquoi un plan d'expériences par criblage est la meilleure solution dans mon cas.
Re: DSD avec facteur catégorielPour être plus clair, je ne cherche pas à découvrir les équations de CFD intégrées à ANSYS Fluent. Le modèle de Navier-Stokes et le cadre de turbulence sont, bien entendu, fixes.
Mon objectif est d'utiliser une conception statistique (initialement une conception de criblage définitive) pour explorer comment la géométrie et les variables de conception — telles que le rapport de vitesse en bout de pale, l'angle de carrossage, la torsion en bout de pale et le nombre d'ailettes — influencent le coefficient de puissance (Cp) d'une éolienne à axe vertical dans ce modèle physique.
En d'autres termes, je ne remets pas en question la physique interne de Fluent ; j'utilise la méthode DOE pour construire une surface de réponse empirique qui quantifie comment ces entrées de conception interagissent et où se situe la région de performance optimale pour maximiser Cp .
Étant donné que chaque simulation est coûteuse en calcul, une méthode de sélection comme la DSD permet de minimiser le nombre de simulations tout en capturant la courbure et les interactions clés.
Donc, même si je partage votre avertissement général, dans ce cas précis, la méthode DOE n'est pas utilisée pour découvrir les équations du solveur, mais pour optimiser les performances de conception au sein de ce cadre de modélisation.
J'espère que c'est plus clair maintenant !
Merci!
Re: DSD avec facteur catégorielSauf que ce n'est pas empirique, c'est théorique.
Re: DSD avec facteur catégoriel@statman Vous avez tout à fait raison, la CFD est elle-même un modèle théorique basé sur la physique régissant les phénomènes plutôt que sur l'observation expérimentale directe.
Cependant, dans mon cas, le modèle de calcul a été validé à l'aide de données expérimentales issues de la littérature avant de réaliser l'étude DSD. Ainsi, bien que le solveur sous-jacent soit théorique, son comportement prédictif a été évalué afin de garantir sa précision physique.
Le DOE est ensuite utilisé pour explorer et approximer « empiriquement » la façon dont ce modèle validé réagit aux changements de conception et de variables de fonctionnement - traitant essentiellement les résultats CFD comme des « données » pour construire une surface de réponse (RSM) et identifier les interactions clés et les optima.
Ainsi, bien que la physique sous-jacente soit théorique, l'exploration de l'espace de conception et la modélisation statistique restent empiriques dans ce cadre vérifié.
Re: DSD avec facteur catégorielJe comprends, et je ne cherche pas la polémique, mais les modèles de simulation ne savent pas simuler le bruit réel. Quand je parle de données empiriques, je pense à de véritables expériences physiques menées avec du bruit réel (cela signifie que tout bruit identifié varie au cours de l'étude). Comme ce n'est pas votre démarche, on ne peut pas vraiment parler de données empiriques.
Voici ce que dit l'IA :
Dire quelque chose est unmodèle empiriquesignifie que le modèle est principalement basé surobservations, mesures ou données expérimentales, plutôt que sur la théorie des premiers principes (par exemple, la physique fondamentale ou la dérivation mathématique à partir des lois fondamentales).
Re: DSD avec facteur catégorielVous avez tout à fait raison, les modèles de simulation n'intègrent pas le bruit expérimental réel et, à ce titre, ce ne sont pas des données empiriques.
Merci pour ces précisions !
