DSD mit kategorialem FaktorHallo zusammen,
Ich bin Masterstudent und schließe gerade meine Masterarbeit ab. Ziel der Arbeit ist die Steigerung des Wirkungsgrades von Vertikalachsen-Windkraftanlagen durch das Anbringen von Winglets und die Optimierung der Winglet-Designparameter zur Maximierung des Wirkungsgrades (unter Anwendung von Versuchsplanung).
Die Designparameter dieser Winglets bestehen aus 7 kontinuierlichen Parametern und 1 kategorialen Parameter (2-stufig).
Ich bin mir unsicher, wie ich nach Abschluss der 22 DSD-Läufe vorgehen soll (ich habe noch einige Läufe vor mir, plane aber voraus, da mir die Zeit davonläuft). Ich habe gelesen, dass die Erweiterung des Versuchsdesigns ein guter Ansatz für die Anpassung eines RSM ist, aber kann mir jemand dabei helfen? Insbesondere bin ich mir unsicher, wie ich ein RSM mit diesem Faktor anpassen soll (sollte es zwei Gleichungen für jede Stufe dieses kategorialen Faktors geben oder sollten sie in einer Gleichung zusammengefasst werden?).
Vielen Dank für Ihre Hilfe!
VersuchsplanungBetreff: DSD mit kategorialem FaktorHallo @Mohnasre ,
Willkommen in der Community!
Sie können die mit der Augment Designs -Plattform verknüpfte Dokumentation lesen.
Das Verfahren zur Erweiterung eines Designs ist recht einfach:
- Identifizieren Sie auf Grundlage der Modellierung der Reaktionen in Ihrem ursprünglichen Versuchsaufbau wichtige Faktoren, die sich in den Modellen als wirksam erweisen.
- Öffnen Sie die Plattform „Designs erweitern“ , geben Sie die Schlüsselfaktoren an, die Sie in der Designerweiterung beibehalten möchten, sowie die Antworten und wählen Sie eine Erweiterungsmethode . Ich empfehle Ihnen, in diesem Schritt die Option „Neue Durchläufe in separate Blöcke gruppieren“ zu aktivieren, da dies einen Blockeffekt für die zweite Versuchsrunde einführt. Mit diesem können Sie überprüfen, ob sich Ihre durchschnittliche Antwort zwischen den beiden Phasen des Designs (Original vs. erweitert) verändert hat, und etwaige Varianzunterschiede zwischen den beiden Phasen verfolgen.
Wenn Ihr Ziel darin besteht, das ursprüngliche DSD zu erweitern, um ein Response Surface Model (RSM) an die identifizierten wichtigen Faktoren anzupassen, können Sie „Erweitern“ wählen, da Sie dadurch das angenommene Modell angeben können, das Sie dank des erweiterten Designs anpassen möchten:
Beachten Sie, dass ich in meinem Screenshot alle Faktoren des ursprünglichen DSD mit 22 Durchläufen beibehalten habe. Dadurch ist die Anzahl der hinzuzufügenden Durchläufe recht hoch (insgesamt 48, einschließlich der 22 ursprünglichen Durchläufe, also 26 neue Durchläufe). In Ihrem Fall können Sie das Design gegebenenfalls mit weniger Faktoren erweitern, abhängig von deren Wichtigkeit und Bedeutung basierend auf der Analyse Ihres ursprünglichen DSD.
Zu Ihrer zweiten Frage: Ein kategorischer Faktor erscheint im Modell als „Wenn-Dann“-Regel, wie in diesem Beispiel:
In diesem Beispiel sind „Hydrolyse“ und „Voreinweichen“ zwei kategoriale Faktoren mit jeweils zwei Ausprägungen. Je nach gewählter Ausprägung im Experiment wirkt sich dies positiv oder negativ auf die Zielgröße aus. Betrachtet man beispielsweise den Haupteffekt des Faktors „Hydrolyse“ (erste Match- Funktion in der Gleichung), so erhöht sich die Zielgröße im Durchschnitt um 0,3794[...], wenn das Experiment auf Ausprägung L1 eingestellt ist. Bei Ausprägung L2 verringert sich die Zielgröße im Durchschnitt um -0,3794[...].
Beachten Sie, dass kategoriale Faktoren mit zwei Stufen für die Koeffizienten dieser Stufen denselben Absolutwert, aber entgegengesetzte Vorzeichen aufweisen. Bei mehreren Stufen eines kategorialen Faktors sind die Koeffizienten dieser Stufen durch die Gleichung L1 + L2 + L3 + ... = 0 verknüpft.
Ich hoffe, diese Antwort hilft Ihnen.
Betreff: DSD mit kategorialem FaktorHallo @Victor_G
Vielen Dank für Ihre Antwort!
Ich plane, nach dem DSD die I-optimale Augmentierungsstrategie anzuwenden, kann mir aber 24 zusätzliche Durchläufe nicht leisten. Ich hatte gehofft, maximal 10 zusätzliche Durchläufe zu benötigen. Ist das möglich?
Betreff: DSD mit kategorialem FaktorJa, es gibt möglicherweise mehrere Optionen, aber die Läufe, die Sie sich nicht leisten konnten, um Ihr Modell zu erstellen, erhöhen die Unsicherheit und die mangelnde Präzision Ihres RSM-Modells.
Eine Möglichkeit besteht darin, ein Bayes'sches I-optimales Modell zu erstellen, bei dem die Schätzbarkeit einiger Terme auf „ Wenn möglich “ anstatt auf „Notwendig“ gesetzt wird. Klicken Sie dazu mit der linken Maustaste auf die Schätzbarkeit der Effekte, die Sie ändern möchten, und stellen Sie sie auf „Wenn möglich“ ein.
Dies reduziert zwar die Anzahl der erforderlichen Simulationsläufe, jedoch können die „Falls möglich“-Terme möglicherweise nicht in das Modell aufgenommen werden, da die Erstellung neuer Simulationsläufe die Schätzung der „Notwendigen“ Effekte vor den „Falls möglich“-Termen erzwingt. Daher müssen Sie den Kompromiss zwischen der Reduzierung der Simulationsläufe und dem gewünschten Modell sorgfältig abwägen.
Eine weitere Möglichkeit wäre die Durchführung einer raumfüllenden Augmentation gewesen, aber das Vorhandensein Ihres kategorialen Faktors schließt diese Option aus.
Abschließend möchte ich Sie ermutigen, mit der Analyse Ihrer Ergebnisse zu warten, bis alle vorliegen. Einige Faktoren und Terme sind möglicherweise nicht signifikant oder praktisch relevant für die Auswertung Ihrer Antworten. Daher kann es hilfreich sein, das in der Erweiterungsphase verwendete Modell zu vereinfachen, indem Sie unwichtige Terme entfernen und die Prinzipien der Effektvererbung , der Effektsparsamkeit und der Effekthierarchie beachten.
Ich hoffe, diese Antwort liefert Ihnen einige Ideen für später.
Betreff: DSD mit kategorialem FaktorNur aus Neugier: Stellen Sie tatsächlich physische Muster und mehrere Turbinen her, oder verwenden Sie Simulationssoftware für Ihre Tests?
Betreff: DSD mit kategorialem FaktorVielen Dank @Victor_G !!
Zu guter Letzt: Gibt es Videos (Workshops oder Kurse), die Sie zum Thema DSD und Augmentation empfehlen können?
Ich danke Ihnen für Ihre Hilfe!
Betreff: DSD mit kategorialem FaktorHallo @statman ,
Nein, ich führe lediglich numerische Simulationen durch. Anfangs hatten wir auch Experimente geplant, aber aus Zeitgründen beschränken wir uns auf numerische Simulationen (CFD) mit ANSYS.
Betreff: DSD mit kategorialem FaktorWarum berechnen Sie dann gebrochene Fakultäten? Haben Sie begrenzte Rechenleistung? Bedenken Sie, dass die Modelle für diese Programme bereits existieren. Im besten Fall finden Sie heraus, welche Modelle verwendet werden. Sind diese jedoch für Ihre Situation ungeeignet, werden die Ergebnisse ähnlich unbefriedigend sein. Wenn Sie beispielsweise etwas über einen Traktor erfahren möchten und dieser nicht im Modell enthalten ist, wird sich der Faktor als unbedeutend erweisen. Für explorative Forschung ist das wenig hilfreich.
Das solltest du lesen:
Bradley Jones (2016) Screening-Experimente des 21. Jahrhunderts: Was, warum und wie, Qualitätsmanagement , 28:1, 98-106, DOI: 10.1080/08982112.2015.1100462.
Bradley Jones (2016) Erwiderung, Quality Engineering , 28:1, 122-126, DOI: 10.1080/08982112.2015.1100468
Jones, B., & Nachtsheim, CJ (2011). Eine Klasse von dreistufigen Versuchsdesigns für das definitive Screening bei Vorliegen von Effekten zweiter Ordnung.Zeitschrift für Qualitätstechnologie, 43(1), 1–15. https://doi.org/10.1080/00224065.2011.1191784
Jones, B., & Nachtsheim, C. J. (2013). Definitive Screening Designs with Added Two-Level Categorical Factors*. Zeitschrift für Qualitätstechnologie, 45(2), 121–129. https://doi.org/10.1080/00224065.2013.11917921
Darüber hinaus verfügt Brad über einige PowerPoint-Präsentationen, die Sie über eine Suchfunktion finden können.
Betreff: DSD mit kategorialem Faktor@statman
Ja, ich habe nur begrenzt Zeit und Rechenleistung.
Ziel ist es, mithilfe von Versuchsplanung (DOE) das optimale Design für die Winglets zu finden. Aufgrund der vielen Designparameter habe ich jedoch beschlossen, zunächst ein Screening-Design durchzuführen, um die einflussreichsten Parameter zu überprüfen und diese anschließend durch Erweiterung des DSD zu optimieren.
Jeder Durchlauf ist eine 3D-CFD-Simulation, die je nach Anzahl der Elemente im Netz bis zu drei Tage dauern kann. Daher kann ich mir keinen vollständigen faktoriellen Versuchsplan mit acht Parametern leisten; das würde ewig dauern. Aus diesem Grund ist ein Screening-Design für meinen Fall die beste Lösung.
Betreff: DSD mit kategorialem FaktorUm es klarzustellen: Ich versuche nicht, die in ANSYS Fluent integrierten CFD-Gleichungen zu ermitteln . Das Navier-Stokes-Modell und das Turbulenzmodell sind selbstverständlich festgelegt.
Mein Ziel ist es, mithilfe eines statistischen Versuchsdesigns (zunächst eines definitiven Screening-Designs) zu untersuchen, wie Geometrie- und Designvariablen – wie etwa das Schnelllaufverhältnis, der Neigungswinkel, die Verwindung der Flügelspitzen und die Anzahl der Winglets – den Leistungsbeiwert (Cp) einer Vertikalachsen-Windkraftanlage innerhalb dieses physikalischen Modells beeinflussen.
Mit anderen Worten, ich stelle die interne Physik von Fluent nicht in Frage; ich verwende DOE, um eine empirische Antwortfläche zu erstellen, die quantifiziert, wie diese Designeingaben interagieren und wo der optimale Leistungsbereich liegt, um Cp zu maximieren.
Da jeder Simulationslauf rechenintensiv ist, hilft ein Screening-Design wie DSD dabei, die Anzahl der Simulationen zu minimieren und gleichzeitig Krümmung und wichtige Wechselwirkungen zu erfassen.
Ich stimme Ihrer allgemeinen Warnung zwar zu, aber in diesem Fall wird DOE nicht dazu verwendet, die Gleichungen des Lösers aufzudecken, sondern um die Leistungsfähigkeit des Entwurfs innerhalb dieses Modellierungsrahmens zu optimieren.
Ich hoffe, es ist jetzt klarer!
Danke schön!
Betreff: DSD mit kategorialem FaktorNur ist es nicht empirisch, sondern theoretisch.
Betreff: DSD mit kategorialem Faktor@statman Sie haben völlig Recht, dass CFD selbst ein theoretisches Modell ist, das auf der zugrunde liegenden Physik basiert und nicht auf direkter experimenteller Beobachtung.
In meinem Fall wurde das Rechenmodell jedoch vor der Durchführung der DSD-Studie anhand experimenteller Daten aus der Literatur validiert . Obwohl der zugrundeliegende Solver also theoretisch ist, wurde sein Vorhersageverhalten anhand von Benchmarks überprüft, um die physikalische Genauigkeit sicherzustellen.
Das DOE wird dann verwendet, um empirisch zu untersuchen und anzunähern, wie das validierte Modell auf Änderungen der Konstruktions- und Betriebsvariablen reagiert – im Wesentlichen werden die CFD-Ergebnisse als „Daten“ für den Aufbau einer Response Surface (RSM) und die Identifizierung wichtiger Wechselwirkungen und Optima behandelt.
Während die zugrundeliegende Physik also theoretischer Natur ist, bleiben die Erkundung des Designraums und die statistische Modellierung innerhalb dieses verifizierten Rahmens empirisch.
Betreff: DSD mit kategorialem FaktorVerstanden, und ich will nicht streiten, aber Simulationsmodelle können reales Rauschen nicht simulieren. Wenn ich an empirische Daten denke, stelle ich mir reale physikalische Experimente vor, bei denen tatsächliches Rauschen im Rahmen der Studie berücksichtigt wird (das heißt, jegliches von Ihnen identifizierte Rauschen variiert während der Studie). Da dies nicht Ihrem Ansatz entspricht, können Sie Ihre Ergebnisse nicht wirklich als empirisch bezeichnen.
Dies stammt von einer KI:
Zu sagen, etwas sei einempirisches Modellbedeutet, dass das Modell hauptsächlich auf Folgendem basiertBeobachtungen, Messungen oder experimentelle Daten, anstatt auf der Theorie erster Prinzipien zu beruhen (z. B. auf der fundamentalen Physik oder mathematischen Ableitungen aus grundlegenden Gesetzen).
Betreff: DSD mit kategorialem FaktorSie haben völlig Recht, Simulationsmodelle beinhalten kein reales experimentelles Rauschen, und in diesem strengen Sinne sind sie keine empirischen Daten.
Ich danke Ihnen für die Klarstellung!
