カテゴリー因子によるDSDこんにちは、みんな、
私は現在修士課程の学生で、論文を仕上げています。この論文の目的は、ウィングレットを追加し、ウィングレットの設計パラメータを最適化して効率を最大化することで、垂直軸風力タービンの効率を向上させることです（DOEを使用）。
これらのウィングレットの設計パラメータは、7 つの連続パラメータと 1 つのカテゴリ パラメータ (2 レベル) で構成されます。
DSDの22回の実行を終えた後、どう進めていけばいいのかわからず困っています（まだ数回実行する必要がありますが、時間が足りないので前もって計画を立てています）。計画を拡張することがRSMを当てはめる良い方法だと読んだのですが、どなたか教えていただけませんか？特に、カテゴリ因子があるのですが、この因子をRSMに当てはめる方法がわかりません（このカテゴリ因子の各水準ごとに2つの方程式を用意すべきでしょうか、それとも1つの方程式にまとめるべきでしょうか？）。
ご協力本当にありがとうございました！
実験計画法Re: カテゴリ因子によるDSDこんにちは@モナスレ 、
コミュニティへようこそ！
オーグメントデザインプラットフォームにリンクされたドキュメントを読むことができます。
デザインを拡張するプロセスは非常に簡単です。
- 元の設計における応答のモデリングに基づいて、モデルの観点で効果として現れる主要な重要な要素を特定します。
- オーグメントデザインプラットフォームを開き、設計拡張と応答に保持したい主要な要因を指定し、 拡張手法を選択します。この段階で「新規実行を別のブロックにグループ化」オプションをオンにすることをお勧めします。これにより、2回目の実験にブロック効果が導入され、設計の2つの段階（オリジナルと拡張）間で平均応答が変化していないかどうかを確認できるだけでなく、2つの段階間の分散の違いを追跡できます。
特定された重要な因子に応答曲面モデル (RSM) を適合させるために初期 DSD を拡張することが目的の場合は、拡張設計により適合できるように想定されるモデルを指定できるため、拡張を選択できます。
私のスクリーンショットでは、元の22回のDSDからすべての因子を残しているため、追加する実行回数がかなり多くなります（元の22回の実行を含め合計48回、つまり26回の追加実行）。状況によっては、元のDSDの分析に基づいて因子の重要性と有意性を判断し、より少ない因子で計画を拡張することもできます。
2 番目の質問に関して、カテゴリ因子は、次の例のように、モデル内で「If Then」ルールとして表示されます。
この例では、「加水分解」と「事前浸漬」は2つの2水準カテゴリ因子です。実験で設定された水準に応じて、応答に正または負の影響を与えます。例えば、因子「加水分解」（式の最初のマッチ関数）に関連付けられた主効果を例に挙げると、実験が水準L1に設定されている場合、応答は平均で0.3794[...]増加します。実験が水準L2に設定されている場合、応答は平均で-0.3794[...]減少します。
2つの水準を持つカテゴリ因子の場合、各水準の係数の絶対値は同じですが、符号は逆になります。カテゴリ因子に複数の水準がある場合、これらの水準の係数はL1 + L2 + L3 + ... = 0という式で結び付けられます。
この回答がお役に立てれば幸いです。
Re: カテゴリ因子によるDSDこんにちはビクターG
ご返信ありがとうございます！
DSD後にI-optimal augmentation戦略を使用する予定ですが、24回も追加で実行する余裕がありません。最大でも10回の追加実行で済むと期待していましたが、可能でしょうか？
Re: カテゴリ因子によるDSDはい、複数のオプションが考えられますが、モデルを構築するために実行できなかった場合、RSM モデルの不確実性と精度の欠如が増加します。
オプションとして、 ベイズI-最適モデルを作成することができます。このモデルでは、一部の項の推定可能性を「必須」ではなく「可能な場合」に設定します。これを行うには、変更したい効果の推定可能性を左クリックし、「可能な場合」に設定します。
これにより必要な実行回数は減りますが、新しい実行を作成すると「可能な場合」の項よりも先に「必要な」効果の推定が強制されるため、これらの「可能な場合」の項をモデルに含めることができなくなる可能性があります。したがって、実行回数の削減と、適合させたい仮定モデルとの間のトレードオフを慎重に選択し、評価する必要があります。
別のオプションとして、空間充填拡張を行うこともできますが、カテゴリ因子が存在するため、このオプションは使用できません。
最後に、すべての結果が出るまで待って、分析に時間をかけることをお勧めします。回答の評価において、一部の因子や項は有意ではなく、実用上も重要ではない可能性があります。そのため、重要でない項を削除し、 効果の遺伝性、 効果のスパース性、 効果の階層性の原則を尊重することで、拡張フェーズで使用する想定モデルを簡素化できる可能性があります。
この回答が、今後の参考になれば幸いです。
Re: カテゴリ因子によるDSD興味深いのですが、実際に物理的なサンプルと複数のタービンを作成しているのですか、それともシミュレーション ソフトウェアを使用してテストを実行しているのですか?
Re: カテゴリ因子によるDSD@Victor_Gさん、本当にありがとうございます!!
最後に、DSD と拡張について視聴することをお勧めするビデオ (ワークショップやコース) はありますか?
ご協力ありがとうございます!
Re: カテゴリ因子によるDSDこんにちは@statman 、
いいえ、数値シミュレーションのみを行っています。当初は実験も行う予定でしたが、時間が足りず、ANSYSを使った数値シミュレーション（CFD）のみを行っています。
Re: カテゴリ因子によるDSDでは、なぜ一部実施要因分析を行うのでしょうか？計算能力に限界があるのでしょうか？これらのプログラムには既にモデルが存在することを理解してください。せいぜい、彼らがどのようなモデルを使用しているかがわかるかもしれませんが、そのモデルがあなたの状況に適していない場合、結果も同様に不十分なものになります。例えば、あるトラクターについて調べたいのに、それが彼らのモデルに含まれていない場合、その因子は有意ではないと判断されるでしょう。これは発見作業にはあまり役に立ちません。
以下をお読みください:
ブラッドリー・ジョーンズ（2016）「21世紀のスクリーニング実験：何を、なぜ、どのように」、品質工学、28：1、98-106、DOI：10.1080/08982112.2015.1100462.
ブラッドリー・ジョーンズ（2016）反論、品質工学、28：1、122-126、DOI：10.1080/08982112.2015.1100468
Jones, B., Nachtsheim, CJ (2011). 二次効果の存在下での決定的スクリーニングのための3水準デザイン群.品質技術ジャーナル, 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*. 品質技術ジャーナル, 45(2), 121–129. https://doi.org/10.1080/00224065.2013.11917921
さらに、Brad には、検索すると見つかる Powerpoint プレゼンテーションがいくつかあります。
Re: カテゴリ因子によるDSD@statman
はい、時間と計算能力には限りがあります。
目的は、DOEを用いてウィングレットの最適設計を見つけることです。しかし、設計パラメータが多数あるため、まずスクリーニング設計を行い、最も影響の大きいパラメータを特定し、その後DSDを拡張して最適化することを考えました。
各実行は3D CFDシミュレーションであり、メッシュ内の要素数によっては最大3日かかる場合があります。そのため、8つのパラメータを持つ完全実施要因計画を作成する余裕はありません。完了するまでに永遠にかかってしまうからです。そのため、私のケースではスクリーニング計画が最適なアプローチです。
Re: カテゴリ因子によるDSD念のため明確にしておきますが、ANSYS Fluentに組み込まれているCFD方程式を解析しようとしているわけではありません。ナビエ・ストークスモデルと乱流フレームワークは当然ながら固定されています。
私の目標は、統計設計（最初は決定的スクリーニング設計）を使用して、先端速度比、傾斜角、先端ねじれ、ウィングレットの数などの形状と設計変数が、その物理モデル内の垂直軸風力タービンの出力係数（Cp）にどのように影響するかを調査することです。
言い換えれば、私は Fluent の内部物理に疑問を抱いているのではなく、DOE を使用して、これらの設計入力がどのように相互作用するか、そしてCp を最大化するための最適なパフォーマンス領域がどこにあるかを定量化する経験的応答面を構築しているのです。
各シミュレーション実行には計算コストがかかるため、DSD のようなスクリーニング設計は、曲率と主要な相互作用をキャプチャしながらシミュレーションの数を最小限に抑えるのに役立ちます。
したがって、私はあなたの一般的な警告に同意しますが、この場合、DOE はソルバーの方程式を明らかにするために使用されるのではなく、そのモデリング フレームワーク内で設計パフォーマンスを最適化するために使用されます。
今はもっと明確になっていると思います!
ありがとう！
Re: カテゴリ因子によるDSDただし、それは経験的なものではなく、理論的なものなのです。
Re: カテゴリ因子によるDSD@statman CFD 自体は、直接的な実験観察ではなく、支配的な物理法則に基づいた理論モデルであることはまったくその通りです。
しかし、私の場合、DSD研究を実行する前に、計算モデルは文献の実験データに対して検証済みです。つまり、基礎となるソルバーは理論的なものですが、その予測挙動は物理的な精度を確保するためにベンチマークされています。
次に、DOE を使用して、検証されたモデルが設計および動作変数の変化にどのように反応するかを「経験的に」調査し、概算します。つまり、CFD の結果を、応答曲面 (RSM) を構築し、主要な相互作用と最適値を特定するための「データ」として扱います。
したがって、基礎となる物理学は理論的ですが、設計空間の探索と統計モデリングは、検証されたフレームワーク内では経験的なもののままです。
Re: カテゴリ因子によるDSD分かりました。議論するつもりはありませんが、シミュレーションモデルは実際のノイズをシミュレートする方法を知りません。経験的データについて考えるとき、私は研究において実際のノイズを用いて行われる実際の物理実験を思い浮かべます（ちなみに、これはあなたが特定したノイズが研究中に変化することを意味します）。あなたが行っているのはそうではないので、実際には経験的とは言えません。
AIからのコメント:
何かを言うことは経験モデルモデルは主に観察、測定、または実験データ第一原理理論（例えば、基礎物理学や基本法則からの数学的導出）ではなく、
Re: カテゴリ因子によるDSDまったくその通りです。シミュレーション モデルには実際の実験ノイズは含まれておらず、厳密な意味では経験的データではありません。
ご説明ありがとうございます！
