In engineering, physical systems are typically described by known functions, but such functions aren’t always available in all contexts. Unknown functions that link inputs to outputs are referred to as ”black box functions”, and are obtained from expensive experiments or simulations. The development of surrogate models becomes relevant in scenarios where balancing accuracy and efficiency is crucial. These metamodels enable rapid analysis at the tradeoff of a slight, but hopefully acceptable, reduction in accuracy. This thesis aims to develop an efficient method for selecting multiple local surrogate models. It addresses the challenges and limitations inherent in existing methodologies and proposes a novel approach to enhance accuracy and efficiency in surrogate model selection. The research employs a combination of artificial neural networks and Kriging techniques. The methodology and algorithms for selecting and optimising local surrogate models are introduced, considering factors like computational cost, accuracy, and model complexity. The proposed methodology is tested through the engineering application focusing on the design methodology of urban transit vehicles. The developed method offers a more efficient and accurate approach to selecting local surrogate models, with potential implications for a wide range of engineering applications.
특정 상황의 공학 문제에서 물리적 시스템은 알려진 함수로 표현되지만, 모든 상황에서 사용 가능한 것은 아닙니다. 일반적으로, 입력과 출력을 연결하는 함수는 ”블랙 박스 함수”로 정의되며, 비싼 실험 또는 시뮬레이션을 통해 얻어집니다. 이러한 블랙 박스 함수를 근사하기 위해 대리모델이 개발되며, 대리모델 설계를 위해 정확성과 효율성을 균형있게 고려해야 합니다. 대리모델은 약간의 정확도 저하를 감수하지만 빠른 분석을 가능하게 합니다. 이 논문은 국소적 대리모델을 선택하기 위한 효율적인 방법을 개발하는 것을 목표로 합니다. 이를 위해 기존 방법론에 내재된 한계점을 해결하고, 대리모델 선택에서 정확성과 효율성을 향상시키기 위한 새로운 접근법을 제안합니다. 이 연구는 인공 신경망과 크리깅 방법을 조합하여 사용합니다. 국소적 대리모델을 선택하고 최적화하기 위한 방법론과 알고리즘은 계산 비용, 정확도 및 모델 복잡성과 같은 요소들을 고려하여 선택됩니다. 제안된 방법론은 도시 철도 차량 공학 예제 통해 검증되었습니다. 개발된 방법은 국소적 대리모델을 선택 하는 데 있어 더 효율적이고 정확한 접근법을 제공하며, 다양한 공학 응용 분야에 적용될 수 있다는 것을 보여줍니다.
핵 심 낱 말 컴퓨터 시뮬레이션, 서로게이트 모델링, 인공 신경망, 크리깅, 컴퓨터 효율성.
