Método de Kriging Jerárquico Extendida para la Generación de Modelos Aerodinámicos Incorporando Múltiples Conjuntos de Datos de Baja Fidelidad
Autores: Pham, Vinh; Tyan, Maxim; Nguyen, Tuan Anh; Lee, Jae-Woo
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Método de Kriging Jerárquico Extendida para la Generación de Modelos Aerodinámicos Incorporando Múltiples Conjuntos de Datos de Baja Fidelidad
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Aeroespacial
Palabras clave
Modelado de sustitutos de multi-fidelidad
MFSM
Kriging jerárquico
Conjuntos de datos LF
Modelo HF
Costos computacionales
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 29
Citaciones: Sin citaciones
Los métodos de modelado de sustitutos de multi-fidelidad (MFSM) están ganando reconocimiento por su efectividad en la resolución de desafíos de diseño basados en simulación. Los enfoques anteriores han dependido típicamente de técnicas recursivas, combinando un número limitado de muestras de alta fidelidad (HF) con múltiples conjuntos de datos de baja fidelidad (LF) estructurados en niveles jerárquicos para generar un modelo de aproximación HF preciso. Sin embargo, surgen desafíos al tratar con conjuntos de datos LF no nivelados, donde los niveles de fidelidad de los modelos LF son indistinguibles a través del espacio de diseño. En tales casos, los métodos convencionales que emplean marcos recursivos pueden llevar a una utilización ineficiente de los conjuntos de datos LF y a costos computacionales sustanciales. Para abordar estos desafíos, este trabajo propone el método de Kriging jerárquico extendido (EHK), diseñado para incorporar simultáneamente múltiples conjuntos de datos LF no nivelados para mejorar la construcción del modelo HF, independientemente de las pequeñas diferencias en los niveles de fidelidad. Este método aprovecha un marco MFSM único basado en Bayes, combinando simultáneamente modelos LF no nivelados utilizando factores de escalado para construir un modelo de tendencia global. Durante el procesamiento del modelo, los factores de escalado desconocidos se estiman implícitamente a través de la optimización de hiperparámetros, lo que resulta en costos computacionales mínimos durante el procesamiento del modelo, independientemente del número de conjuntos de datos LF integrados, manteniendo la precisión necesaria en el modelo HF resultante. Las ventajas del método EHK propuesto se validan frente a los métodos MFSM de última generación a través de varios ejemplos analíticos y un estudio de caso de ingeniería que involucra la construcción de una base de datos aerodinámica para la aeronave eVTOL KP-2 bajo diversas condiciones de vuelo. Los resultados demostraron la superioridad del método propuesto en términos de costo computacional y precisión al generar modelos aerodinámicos a partir de los conjuntos de datos de multi-fidelidad dados.
Descripción
Los métodos de modelado de sustitutos de multi-fidelidad (MFSM) están ganando reconocimiento por su efectividad en la resolución de desafíos de diseño basados en simulación. Los enfoques anteriores han dependido típicamente de técnicas recursivas, combinando un número limitado de muestras de alta fidelidad (HF) con múltiples conjuntos de datos de baja fidelidad (LF) estructurados en niveles jerárquicos para generar un modelo de aproximación HF preciso. Sin embargo, surgen desafíos al tratar con conjuntos de datos LF no nivelados, donde los niveles de fidelidad de los modelos LF son indistinguibles a través del espacio de diseño. En tales casos, los métodos convencionales que emplean marcos recursivos pueden llevar a una utilización ineficiente de los conjuntos de datos LF y a costos computacionales sustanciales. Para abordar estos desafíos, este trabajo propone el método de Kriging jerárquico extendido (EHK), diseñado para incorporar simultáneamente múltiples conjuntos de datos LF no nivelados para mejorar la construcción del modelo HF, independientemente de las pequeñas diferencias en los niveles de fidelidad. Este método aprovecha un marco MFSM único basado en Bayes, combinando simultáneamente modelos LF no nivelados utilizando factores de escalado para construir un modelo de tendencia global. Durante el procesamiento del modelo, los factores de escalado desconocidos se estiman implícitamente a través de la optimización de hiperparámetros, lo que resulta en costos computacionales mínimos durante el procesamiento del modelo, independientemente del número de conjuntos de datos LF integrados, manteniendo la precisión necesaria en el modelo HF resultante. Las ventajas del método EHK propuesto se validan frente a los métodos MFSM de última generación a través de varios ejemplos analíticos y un estudio de caso de ingeniería que involucra la construcción de una base de datos aerodinámica para la aeronave eVTOL KP-2 bajo diversas condiciones de vuelo. Los resultados demostraron la superioridad del método propuesto en términos de costo computacional y precisión al generar modelos aerodinámicos a partir de los conjuntos de datos de multi-fidelidad dados.