
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
Praktische Anwendungsbeispiele
Distributoren

optiSLang wird weltweit vertrieben. Hier finden Sie die Liste unserer Distributoren.
Informationsmaterial
Ihr Ansprechpartner

Dr.-Ing. Johannes Will
Fon: +49 (0) 3643 9008-30
Fax: +49 (0) 3643 9008-39