Parametric sensitivity through evolutionary optimization under uncertainty approach

• Autorzy: Mitra K.

Warianty tytułu

PL

Parametryczna analiza wrażliwości i optymalizacja z wykorzystaniem analizy niepewności pomiarów

• Języki publikacji: EN

Abstrakty

EN

While mimicking a physical phenomenon in a computational framework, there are tuning parameters quite often present in a computational model. These parameters are generally tuned with the experimental data to capture the process behavior as close as possible. Any optimization study based on this model assumes the values of these tuning parameters as constant. However, it is known that these parameters are subjected to inherent source of uncertainties such as errors in measurement or model tuning etc. for which they are not tuned for. Assuming these parameters constant for rest of the optimization is, therefore, not realistic and one should ideally check the sensitivity of these parameters on the final results. In this study, we are going to use approach based on the paradigm of optimization under uncertainty that allows a decision maker to carry out such an analysis. Additionally, this study captures the tradeoff between solution quality and solution reliability that is captured here using non-dominated genetic algorithm II. The generic concept has been applied on a grinding process model and can be extended to any other process model

PL

Modelowanie zjawisk fizycznych metodami numerycznymi często wymaga określenia wartości parametrów charakteryzujących modelowany proces w taki sposób, tak aby jak najdokładniej uchwycić przebieg zjawiska fizycznego. Proces optymalizacji wykorzystujący tak zdefiniowany model przyjmuje wartości dopasowanych parametrów jako stałe. Jednocześnie wiadomo, że parametry te zależą od źródeł niepewności związanych z błędami pomiaru lub samą regulacją modelu, i dla innych danych pomiarowych model z wcześniej dopasowanymi parametrami może nie dawać wystarczająco dokładnej odpowiedzi. Przyjęcie stałych wartość tych parametrów w optymalizacji jest zatem nierzeczywiste i należałoby sprawdzić wrażliwość odpowiedzi modelu względem tych parametrów. W niniejszej pracy zastosowano metodę opartą na optymalizacji z wykorzystaniem analizy niepewności pomiarów, która umożliwia przeprowadzenie tego typu analizy wrażliwości. Ponadto w optymalizacji za istotne uznano utrzymanie równowagi pomiędzy jakością rozwiązania i jego wiarygodnością, co było możliwe dzięki zastosowaniu niezdominowanego algorytmu genetycznego II (ang. NSGA II). Ogólną koncepcję rozwiązania zastosowano w modelu procesu szlifowania, ale może ona być rozszerzona na każdy inny rodzaj modelu procesu.

Słowa kluczowe

EN

optimization; uncertainty; parameter sensitivity; grinding; genetic algorithm; multi-objective optimization; Pareto

• Wydawca: Wydawnictwa AGH
• Czasopismo: Computer Methods in Materials Science
• Rocznik: 2013
• Tom: Vol. 13, No. 1
• Strony: 107--112
• Opis fizyczny: Bibliogr. 5 poz., rys.

Twórcy

autor

Mitra K.

• Department of Chemical Engineering, Indian Institute of Technology Hyderabad, Yeddumailaram, Hyderabad 502205, INDIA

Bibliografia

• Charnes, A., Cooper, W.W., 1959, Chance-constrained programming. Man. Sci., 6, 73-79.
• Deb, K., Pratap, A., Agarwal, S., Meyarivan, T., 2002, A fast and elitist multi-objective genetic algorithms. IEEE Trans. Evo. Comp., 6, 182.
• Mitra, K., Gopinath, R., 2004, Multiobjective optimization of an industrial grinding operation using elitist nondominated sorting genetic algorithm, Chem Engg. Sci., 59, 385-396.
• Petzold, L.R., 1983, A Description of DASSL: a differential/algebraic system solver, Scientific Computing, eds,Stepleman, R.S., et al., North-Holland, Amsterdam.
• Sahinidis, N.V., 2004, Optimization under uncertainty: State-of the-art and opportunities, Comp. and Chem. Eng., 28,971.