ترجمه فارسی مقاله تحلیل حساسیت با استفاده از متامدل پیش‌بینی بهینه

چکیده

In real case applications within the virtual prototyping process, it is not always possible to reduce the complexity of the physical models and to obtain numerical models which can be solved quickly. Usually, every single numerical simulation takes hours or even days. Although the progresses in numerical methods and high performance computing, in such cases, it is not possible to explore various model configurations, hence efficient surrogate models are required. Generally the available meta-model techniques show several advantages and disadvantages depending on the investigated problem. In this paper we present an automatic approach for the selection of the optimal suitable meta-model for the actual problem. Together with an automatic reduction of the variable space using advanced filter techniques an efficient approximation is enabled also for high dimensional problems. This filter techniques enable a reduction of the high dimensional variable space to a much smaller subspace where meta-model-based sensitivity analyses are carried out to assess the influence of important variables and to identify the optimal subspace with corresponding surrogate model which enables the most accurate probabilistic analysis. For this purpose we investigate variance-based and moment-free sensitivity measures in combination with advanced meta-models as moving least squares and kriging.

چکیده به فارسی (ترجمه ماشینی)

در موارد واقعی برنامه های نمونه سازی مجازی ، همیشه کاهش پیچیدگی مدلهای فیزیکی و به دست آوردن مدلهای عددی که به سرعت قابل حل است ، امکان پذیر نیست.معمولاً هر شبیه سازی عددی ساعت ها یا حتی روزها طول می کشد.اگرچه پیشرفت در روشهای عددی و محاسبات با کارایی بالا ، در چنین مواردی ، کشف پیکربندی های مختلف مدل امکان پذیر نیست ، از این رو به مدل های جانشین کارآمد نیاز است.به طور کلی تکنیک های متا مدل موجود بسته به مشکل مورد بررسی ، چندین مزیت و معایب را نشان می دهد.در این مقاله ما یک روش خودکار برای انتخاب متا مدل مناسب برای مشکل واقعی ارائه می دهیم.همراه با کاهش اتوماتیک فضای متغیر با استفاده از تکنیک های فیلتر پیشرفته ، تقریب کارآمد نیز برای مشکلات ابعادی بالا فعال می شود.این تکنیک های فیلتر باعث کاهش فضای متغیر ابعادی بالا به یک فضای زیر فضای بسیار کوچکتر می شود که در آن تجزیه و تحلیل حساسیت مبتنی بر متا مدلی برای ارزیابی تأثیر متغیرهای مهم و شناسایی زیر فضای بهینه با مدل جانشین مربوطه انجام می شود که دقیق ترین را قادر می سازدتجزیه و تحلیل احتمالی.برای این منظور ما اقدامات حساسیت مبتنی بر واریانس و لحظه ای را در ترکیب با مدلهای متا پیشرفته به عنوان حداقل مربعات و کریگینگ بررسی می کنیم.