Öffnen Sie zunächst eine leere Tabelle, um eine Tabelle mit den Zeilen inlet1, inlet2 und inlet3 in der ersten Spalte zu erstellen. Speichern Sie die Datei unter sampling.xlsx. Führen Sie die Optimierungssoftware aus und ziehen Sie das Tabellensymbol auf den einzelnen Pfeil der ersten Aufgabe.
Doppelklicken Sie dann auf das Tabellensymbol, um das Excel-Fenster des Komponenten-Editors zu öffnen. Klicken Sie auf die Schaltfläche Durchsuchen, um sampling.xlsx zu importieren. Klicken Sie dann auf diese Zuordnung hinzufügen, um inlet1, inlet2 und inlet3 A1, A2 und A3 als Parameter zuzuordnen.
Klicken Sie auf OK, um zum Anfangsfenster zurückzukehren. Ziehen Sie das DOE-Symbol in die erste Aufgabe und doppelklicken Sie darauf, um das DOE-Fenster des Komponenten-Editors zu öffnen. Wählen Sie Optimaler lateinischer Hyperwürfel aus.
Legen Sie im allgemeinen Fenster die Anzahl der Punkte auf 15 fest. Navigieren Sie zum Fenster "Faktoren", und legen Sie 5,5 als Obergrenze und fünf als Untergrenze für A1, A2 und A3 fest. Wechseln Sie zum Design-Matrix-Fenster und klicken Sie auf Generieren, um zufällige Abtastpunkte für unterschiedliche Einlassgeschwindigkeiten zu erzeugen. Schließen Sie die Optimierungssoftware.
Kombinieren Sie die Prädiktorvariablen x1, x2 und x3 der Geschwindigkeitsarrays und y der Temperaturarrays, um eine neue Tabelle zu bilden. Speichern Sie die Tabelle als Beispiel. txt, und importieren Sie es, um es an ein Antwortflächenmodell anzupassen.
Führen Sie die Optimierungssoftware erneut aus und ziehen Sie das Näherungssymbol auf den einzelnen Pfeil der ersten Aufgabe. Doppelklicken Sie auf das Symbol für die erste Aufgabe, um das Fenster Approximation des Komponenten-Editors zu öffnen und das Antwortflächenmodell auszuwählen. Navigieren Sie zum Fenster Datendatei, und importieren Sie das Beispiel.
txt-Datei, die die Vorhersagevariablen enthält. Wechseln Sie zum Fenster Parameter, und klicken Sie auf Scannen, um die Parameter im Datendateifenster zu öffnen, in dem die Prädiktorvariablen x1, x2 und x3 als Eingabe und y als Ausgabe definiert sind. Gehen Sie als Nächstes zum Fenster Technikoptionen und wählen Sie Quadratisch in polynomialer Reihenfolge.
Wechseln Sie in das Fenster Optionen für die Fehleranalyse, und wählen Sie in der Fehleranalysemethode die Kreuzvalidierung aus. Wechseln Sie dann zum Fenster Daten anzeigen, und klicken Sie auf Jetzt initialisieren, um die Koeffizienten der quadratischen linearen Regressionsgleichung zu erhalten. Klicken Sie auf die Schaltfläche Fehleranalyse, um das Fenster Approximationsfehleranalyse zu öffnen. Überprüfen Sie, ob die Fehler die akzeptablen Standards für jeden Fehlertyp erfüllen.
Schließen Sie das Fenster Approximationskomponente. Ziehen Sie das Optimierungssymbol in die erste Aufgabe und doppelklicken Sie darauf, um das Fenster Optimierung des Komponenteneditors zu öffnen. Wählen Sie dann adaptives simuliertes Annealing in der Optimierungstechnik aus.
Navigieren Sie zum Variablenfenster und legen Sie 5,5 als Obergrenze und fünf als Untergrenze fest. Wechseln Sie zum Zielfenster und wählen Sie den y-Parameter aus, bevor Sie das Fenster Optimierung des Komponenteneditors schließen. Klicken Sie abschließend auf die Schaltfläche Optimierung ausführen und warten Sie auf die Optimierungsergebnisse.
Unsere Quadratanalyse zeigte, dass das polynomiale Antwortflächenapproximationsmodell zweiter Ordnung eine gute Anpassungsgenauigkeit aufwies. Die maximale Temperatur, die durch die Optimierung erreicht wurde, betrug 309,39 Kelvin mit spezifischen Luftströmungsgeschwindigkeiten an den Einlässen. Die optimierten Strömungsgeschwindigkeiten führten zu einer niedrigeren Maximaltemperatur von 309,39 Kelvin im Vergleich zum Ausgangsfall.
Die Summe der Luftströmungsgeschwindigkeiten des optimierten Gehäuses ist geringer als die der nicht optimierten Gehäuse. Die maximale Temperatur steigt jedoch nicht mit abnehmender Luftströmungsgeschwindigkeit an. Darüber hinaus wird die Fließlinienverteilung nach der Optimierung breiter.
Faktor x1 hat den größten Einfluss auf die Temperatur, während die Faktoren x2 und x3 ähnliche Auswirkungen haben.
