Sensitivitätsanalyse

Mit Hilfe einer globalen Sensitivitätsanalyse und der automatischen Generierung des Metamodels of Optimal Prognosis (MOP) werden Optimierungspotentiale sowie die korrespondierenden wichtigsten Variablen identifiziert. Mit diesem Vorwissen können Zielfunktionen und Randbedingungen aufgabenbezogen definiert und geeignete Optimierungsalgorithmen ausgewählt werden.

Best Practice

Erfassung des gesamten Designraumes durch optimiertes Latin Hypercube Sampling und Minimierung von Korrelationsfehlern innerhalb der Inputvariablen
Automatische Identifizierung des Metamodells mit der besten Prognosefähigkeit
Quantifizierung der Prognosefähigkeit eines Metamodells (Regressionsmodells) zur Vorhersage der Ergebnisgröße durch den Coefficient of Prognosis (CoP)
Identifizierung der wichtigsten Parameter bezogen auf jede Ergebnisgröße, der Nebenbedingungen und auf das Optimierungsziel
Minimierung der Anzahl von Solver-Runs durch MOP/CoP Workflow

Methoden

Definition von Optimierungsvariablen mit oberer und unterer Grenze oder diskreten Werten
Definition und Generierung des Design of Experiments (full factorial, central composite, D-optimal, benutzerdefiniertes DoE); Latin Hypercube Sampling für optimales Scannen vieldimensionaler Parameterräume
Automatische Generierung des MOP durch das Testen verschiedener Approximationsmethoden
Quantifikation der Prognosequalität der Metamodelle mit Hilfe des CoP