Local latin hypercube refinement for uncertainty quantification and optimization
- The design uncertainty is often ignored, although there are various random factors in any system such as production tolerances, operational conditions and so on. The number of experiments required for the uncertainty quantification and optimization of a design is often so high that they become inapplicable to complicated systems. Surrogate model-based solutions are often used to accelerate the design process by reducing the number of required experiments. This work presents an adaptive model refinement framework for the surrogate-based solution of reliability assessment and multi-objective reliability-based robust design optimization problems, which aims to maintain the freedom of surrogate choice since there is no single machine learning algorithm, which outperforms others in \(\it all\) problems.
- Die Design-Unsicherheit wird oft vernachlässigt, obwohl viele Zufallsfaktoren in jedem System existieren; u.a. die Produktionstoleranzen und die Betriebsbedingungen. Die notwendige Anzahl der Experimente für die Unsicherheitsquantifizierung und -optimierung ist für kompliziertere Systeme oft unerschwinglich hoch. Um die notwendige Anzahl der Experimente zu reduzieren und somit den Design-Prozess zu beschleunigen, werden ersatzmodelbasierte Lösungen häufig eingesetzt. In diesem Werk wird ein neues, adaptives Stützstellenverfahren für die ersatzmodellbasierte Zuverlässigkeitsanalyse und zuverlässigkeitsbasierten Mehrziel-Robust-Design-Optimierung präsentiert, das die Freiheit der Modellauswahl erhält. Dies ist von großer Bedeutung, da es kein maschinelles Lernverfahren gibt, welches geeigneter wäre im Vergleich zu allen anderen Verfahren im Hinblick auf beliebige Aufgabenstellungen.
Author: | Can BoğoçluGND |
---|---|
URN: | urn:nbn:de:hbz:294-91438 |
DOI: | https://doi.org/10.13154/294-9143 |
Subtitle (English): | accelerating the surrogate-based solutions using adaptive sampling |
Referee: | Tamara NestorovićORCiDGND, Hanno GottschalkGND, Dirk RoosGND |
Document Type: | Doctoral Thesis |
Language: | English |
Date of Publication (online): | 2022/08/31 |
Date of first Publication: | 2022/08/31 |
Publishing Institution: | Ruhr-Universität Bochum, Universitätsbibliothek |
Granting Institution: | Ruhr-Universität Bochum, Fakultät für Maschinenbau |
Date of final exam: | 2022/06/15 |
Creating Corporation: | Fakultät für Maschinenbau |
GND-Keyword: | Zuverlässigkeit; Robustheit; Ungewissheit; Optimierung; Maschinelles Lernen |
Institutes/Facilities: | Institut für Mechanik, Arbeitsgruppe Mechanik adaptiver Systeme |
Dewey Decimal Classification: | Technik, Medizin, angewandte Wissenschaften / Ingenieurwissenschaften, Maschinenbau |
faculties: | Fakultät für Maschinenbau |
Licence (German): | Creative Commons -CC BY-SA 4.0 - Namensnennung - Weitergabe unter gleichen Bedingungen 4.0 International |