Les plans d’expériences

La phase d’exploration est importante pour déterminer le comportement et les caractéristiques principales du problème.

L’objectif est d’obtenir le plus d’informations possible en générant le plus petit nombre de calculs ou d’expériences.

On parle alors de plan d’expériences : physique (DAPE) ou numérique (DACE)…

Les techniques de plan d’expériences

Comment extraire un maximum d’information à partir d’une base minimale de données expérimentales ou issues de simulations?

Les plans d’expériences, Design Of Experiment sont des méthodes initialement conçue pour maximiser la connaissance issue d’un minimum de données expérimentales.

Appliquées au calcul, elles permettent de répondre à un grand nombre de question :
Quelles sont les paramètres les plus importants ?
Peut-on réduire l’espace de recherche ?
Comment choisir au mieux mes points de départ de mes algorithmes d’optimisation ?

Les algorithmes de plan d’expérience / DOE Algorithms

modeFRONTIER® propose de nombreuses techniques de plan d’expériences.

Les plans d’exploration
Ils sont utiles pour extraire des informations sur l’espace de conception. Ils servent fréquemment de points initiaux pour les méthodes d’optimisation, voire de points d’entrainement de surfaces de réponse.

• Random Sequence
• Sobol
• Uniform Latin hypercube
• Increment Space Filler

Les plans d’analyse de sensibilité
Latin Hypercube - Monte Carlo sont deux méthodes légèrement différentes pour réaliser un échantillonnage respectant des distributions statistiques. La technique par hypercube latin est généralement plus performante à iso taille d’échantillon.

Les plans factoriels
Les plans factoriels sont historiquement les premiers plans d’expérience. C’est une grande famille de plan dédiés aux études d’influences de paramètres et de modélisation par surface de réponse.

• Full Factorial
• Reduced Factorial
• Cubic Face Centered
• Box-Behnken
• Latin Square
• Taguchi Matrix
• Plackett Burman

Plan spéciaux
Ces plans réalisent des opérations bien spécifiques, et viennent en complément des plans présentés plus haut.

• Constraint Satisfaction Problem pour la recherche de points initiaux dans les domaines fortement contraint
• D-Optimal
• Uniform Reducer
• Dataset Reducer

Bénéfices des plans d’expérience de modeFRONTIER® :

• Exploration intelligente de l’espace de conception
• Economie de temps et d’argent en réduisant le nombre d’expériences physiques
• Recherche d’une solution robuste et fiable
• Permettent de créer des modèles