DSD con factor categóricoHola a todos,
Soy estudiante de maestría y actualmente estoy terminando mi tesis. El objetivo de la tesis es aumentar la eficiencia de las turbinas eólicas de eje vertical mediante la adición de winglets y la optimización de los parámetros de diseño de los winglets para maximizar la eficiencia (utilizando DOE).
Los parámetros de diseño de estos winglets constan de 7 parámetros continuos y 1 parámetro categórico (de 2 niveles).
Estoy algo perdido sobre cómo proceder tras finalizar las 22 ejecuciones de DSD (aún me quedan algunas, pero estoy planificando con antelación porque el tiempo apremia). He leído que aumentar el diseño es una buena estrategia para ajustar una RSM, pero ¿alguien podría ayudarme con esto? En particular, dado que tengo un factor categórico, no estoy seguro de cómo ajustar una RSM con este factor (¿debería haber dos ecuaciones, una para cada nivel de este factor categórico, o combinarlas en una sola ecuación?).
¡Muchísimas gracias por tu ayuda!
Diseño de experimentosRe: DSD con factor categóricoHola @Mohnasre ,
¡Bienvenidos a la comunidad!
Puedes leer la documentación vinculada a la plataforma Diseños de aumento .
El proceso para mejorar un diseño es bastante sencillo:
- Basándote en el modelado de las respuestas en tu diseño original, identifica los factores clave importantes que aparecen en términos de efecto de los modelos.
- Abra la plataforma Diseños de aumento , especifique los factores clave que desea conservar en el diseño aumentado y las respuestas, y elija un método de aumento . Recomendaría en esta etapa marcar la opción Agrupar nuevas ejecuciones en bloques separados , ya que introducirá un efecto de bloque para la segunda ronda de experimentos que puede usar para verificar si su respuesta promedio no cambió entre las dos etapas del diseño (original vs. aumentado), así como para rastrear cualquier diferencia de varianza entre las dos etapas:
Si su objetivo es ampliar el DSD inicial para ajustarlo a un Modelo de Superficie de Respuesta (RSM) en función de los factores importantes identificados, puede elegir Ampliar , ya que le permitirá especificar el modelo supuesto que desea poder ajustar gracias al diseño ampliado:
Ten en cuenta que en mi captura de pantalla conservé todos los factores del DSD original de 22 ejecuciones, lo que hace que el número de ejecuciones a añadir sea bastante elevado (48 en total, incluidas las 22 originales, es decir, 26 nuevas ejecuciones). En tu caso, puedes ampliar el diseño con menos factores, dependiendo de la importancia y relevancia de estos factores según el análisis de tu DSD original.
En cuanto a su segunda pregunta, un factor categórico aparecerá en el modelo como una regla "Si Entonces", como en este ejemplo:
En este ejemplo, «Hidrolizar» y «Remojar previamente» son dos factores categóricos de dos niveles. Dependiendo del nivel establecido en el experimento, tendrán un efecto positivo o negativo en la respuesta. Por ejemplo, considerando el efecto principal vinculado al factor «Hidrolizar» (primera función de coincidencia que aparece en la ecuación), si el experimento se establece en el nivel L1, la respuesta aumentará en promedio en 0,3794[...]. Si el experimento se establece en el nivel L2, la respuesta disminuirá en promedio en -0,3794[...].
Tenga en cuenta que los factores categóricos con dos niveles tendrán el mismo valor absoluto para los coeficientes de dichos niveles, pero signos opuestos. Si un factor categórico tiene varios niveles, los coeficientes de estos niveles se relacionan mediante la ecuación: L1 + L2 + L3 + ... = 0.
Espero que esta respuesta te ayude.
Re: DSD con factor categóricoHola @Victor_G
¡Gracias por su respuesta!
Planeo usar la estrategia de aumento I-óptima después del DSD, pero no puedo permitirme realizar 24 ejecuciones adicionales. Esperaba necesitar un máximo de 10. ¿Es posible?
Re: DSD con factor categóricoSí, puede que haya varias opciones posibles, pero las simulaciones que no te pudiste permitir para construir tu modelo aumentarán la incertidumbre y la falta de precisión de tu modelo RSM.
Una opción consiste en crear un modelo I-óptimo bayesiano , donde la estimabilidad de algunos términos se establece en " Si es posible " en lugar de "Necesario". Para ello, haga clic con el botón izquierdo en la estimabilidad de los efectos que desea cambiar y establézcala en "Si es posible".
Esto reducirá el número de simulaciones necesarias, pero es posible que no pueda incluir los términos "Si es posible" en el modelo, ya que la creación de nuevas simulaciones priorizará la estimación de los efectos "Necesarios" antes que la de los términos "Si es posible". Por lo tanto, debe elegir y evaluar cuidadosamente el equilibrio entre la reducción de simulaciones y el modelo que desea ajustar.
Otra opción podría haber sido realizar un aumento de relleno de espacio, pero la presencia de su factor categórico le impedirá realizar esta opción.
Finalmente, les recomiendo esperar a tener todos los resultados y dedicar tiempo al análisis. Algunos factores y términos podrían no ser significativos ni relevantes en la evaluación de las respuestas, por lo que podría simplificar el modelo que desean utilizar en la fase de aumento, eliminando los términos irrelevantes y respetando los principios de Herencia del Efecto , Esparsidad del Efecto y Jerarquía del Efecto .
Espero que esta respuesta te dé algunas ideas para más adelante.
Re: DSD con factor categóricoSolo por curiosidad, ¿estás fabricando muestras físicas y varias turbinas, o estás utilizando software de simulación para realizar tus pruebas?
Re: DSD con factor categórico¡Muchísimas gracias @Victor_G !
Por último, ¿recomiendas algún vídeo (taller o curso) sobre DSD y aumento de implantes?
¡Agradezco tu ayuda!
Re: DSD con factor categóricoHola @statman ,
No, solo estoy realizando simulaciones numéricas. Al principio planeábamos hacer experimentos también, pero por falta de tiempo, solo estamos realizando simulaciones numéricas (CFD) en ANSYS.
Re: DSD con factor categóricoEntonces, ¿por qué estás usando factoriales fraccionarios? ¿Tienes recursos informáticos limitados? Ten en cuenta que los modelos para esos programas ya existen. En el mejor de los casos, podrás descubrir qué modelos utilizan, pero si no son adecuados para tu situación, los resultados serán igualmente deficientes. Por ejemplo, si tienes un tractor del que quieres obtener información y no está en su modelo, el factor resultará insignificante. No es muy útil para la investigación exploratoria.
Deberías leer:
Bradley Jones (2016) Experimentos de cribado del siglo XXI: qué, por qué y cómo, Ingeniería de Calidad , 28:1, 98-106, DOI: 10.1080/08982112.2015.1100462.
Bradley Jones (2016) Réplica, Ingeniería de Calidad , 28:1, 122-126, DOI: 10.1080/08982112.2015.1100468
Jones, B., & Nachtsheim, CJ (2011). Una clase de diseños de tres niveles para la detección definitiva en presencia de efectos de segundo orden.Revista de Tecnología de Calidad, 43(1), 1–15. https://doi.org/10.1080/00224065.2011.1191784
Jones, B. y Nachtsheim, CJ (2013). Diseños de cribado definitivos con factores categóricos de dos niveles añadidos * . Revista de Tecnología de Calidad , 45 (2), 121–129. https://doi.org/10.1080/00224065.2013.11917921
Además, Brad tiene algunas presentaciones de PowerPoint que puedes encontrar realizando una búsqueda.
Re: DSD con factor categórico@statman
Sí, tengo tiempo y capacidad informática limitados.
El objetivo es encontrar el diseño óptimo para los winglets mediante DOE. Sin embargo, debido a la gran cantidad de parámetros de diseño, pensé en realizar primero un diseño de selección para identificar los parámetros más influyentes y luego optimizarlos mediante la ampliación del DSD.
Cada ejecución es una simulación CFD 3D, que puede tardar hasta 3 días dependiendo del número de elementos en la malla. Por lo tanto, no puedo permitirme realizar un diseño factorial completo con 8 parámetros; me llevaría muchísimo tiempo terminarlo. Por eso, un diseño de cribado es la mejor opción en mi caso.
Re: DSD con factor categóricoPara que quede más claro, no estoy intentando descubrir las ecuaciones CFD integradas en ANSYS Fluent. El modelo de Navier-Stokes y el marco de turbulencia, por supuesto, están predefinidos.
Mi objetivo es utilizar un diseño estadístico (inicialmente un Diseño de Selección Definitivo) para explorar cómo la geometría y las variables de diseño —como la relación de velocidad de punta, el ángulo de inclinación, la torsión de punta y el número de aletas— influyen en el coeficiente de potencia (Cp) de una turbina eólica de eje vertical dentro de ese modelo físico.
En otras palabras, no estoy cuestionando la física interna de Fluent; estoy utilizando DOE para construir una superficie de respuesta empírica que cuantifique cómo interactúan estas entradas de diseño y dónde se encuentra la región de rendimiento óptimo para maximizar Cp .
Dado que cada simulación es computacionalmente costosa, un diseño de cribado como un DSD ayuda a minimizar el número de simulaciones al tiempo que captura la curvatura y las interacciones clave.
Así pues, aunque estoy de acuerdo con su advertencia general, en este caso el DOE no se está utilizando para descubrir las ecuaciones del solucionador, sino para optimizar el rendimiento del diseño dentro de ese marco de modelado.
¡Espero que ahora esté más claro!
¡Gracias!
Re: DSD con factor categóricoSin embargo, no es empírico, sino teórico.
Re: DSD con factor categórico@statman Tienes toda la razón en que la CFD en sí misma es un modelo teórico basado en la física que la rige, en lugar de en la observación experimental directa.
Sin embargo, en mi caso, el modelo computacional se validó con datos experimentales de la literatura antes de realizar el estudio DSD. Así pues, aunque el solucionador subyacente es teórico, su comportamiento predictivo se ha evaluado para garantizar su precisión física.
El DOE se utiliza entonces para explorar "empíricamente" y aproximar cómo responde ese modelo validado a los cambios en las variables de diseño y operación, tratando esencialmente los resultados de CFD como "datos" para construir una superficie de respuesta (RSM) e identificar interacciones clave y óptimos.
Así pues, aunque la física subyacente sea teórica, la exploración del espacio de diseño y el modelado estadístico siguen siendo empíricos dentro de ese marco verificado.
Re: DSD con factor categóricoEntiendo, y no pretendo ser polémico, pero los modelos de simulación no saben cómo simular el ruido real. Cuando pienso en datos empíricos, pienso en experimentos físicos reales realizados con ruido real en el estudio (por cierto, esto significa que cualquier ruido que hayas identificado varía durante el estudio). Dado que esto no es lo que estás haciendo, no se puede considerar empírico.
Esto proviene de la IA:
Decir algo es unmodelo empíricosignifica que el modelo se basa principalmente enobservaciones, mediciones o datos experimentales, en lugar de basarse en la teoría de primeros principios (por ejemplo, la física fundamental o la derivación matemática a partir de leyes básicas).
Re: DSD con factor categóricoTienes toda la razón, los modelos de simulación no incluyen ruido experimental real y, en ese sentido estricto, no son datos empíricos.
¡Agradezco la aclaración!
