Diese Präsentation verdeutlicht die Anwendung statistischer Modellierung zur effizienteren und effektiveren Durchführung von Sensitivitätsanalysen und Optimierungen komplexer physikalischer Modelle.
Physikalische Modelle sind oft komplex, da sie die Realität abbilden. Dies erfordert erhebliche Ressourcen für die Durchführung von Sensitivitätsanalysen und macht ihre Optimierung sehr schwierig oder gar unmöglich. Bei der Sensitivitätsanalyse werden verschiedene Szenarien untersucht, woraufhin Modelle verwendet werden, um optimale Werte für die Eingangsparameter zu bestimmen. Dieser Prozess ist oft nicht trivial, da das Modell für viele verschiedene Parameterkombinationen ausgeführt werden muss.
Jüngste Projekte haben die Vorteile statistischer Verfahren wie der Versuchsplanung zur Auswahl repräsentativer Daten für den Aufbau eines Ersatzmodells auf Basis der physikalischen Modellausgaben hervorgehoben. Anschließend wird der Prediction Profiler in JMP zur Sensitivitätsanalyse und Optimierung des Ersatzmodells eingesetzt. Diese Funktion ermöglicht die gezielte Untersuchung des experimentellen Raums und trägt dazu bei, die Zusammenhänge zwischen verschiedenen Parametern in relativ kurzer Zeit zu erklären. Dieser Ansatz wurde erfolgreich sowohl auf atomistische als auch auf ingenieurwissenschaftliche Modelle angewendet.
Diese Präsentation veranschaulicht den Einsatz statistischer Werkzeuge in JMP zur Maximierung des Nutzens komplexer physikalischer Rechenmodelle.
