Warum intelligente Versuchsplanung entscheidend ist
In der modernen Forschung sind Computersimulationen (z.B. FEM, CFD) unverzichtbar, aber oft extrem rechenintensiv. Jede einzelne Simulation kann Stunden oder Tage dauern. Um dieses Problem zu lösen, erstellen wir schnelle Näherungsmodelle, sogenannte Surrogatmodelle. Der Schlüssel zum Erfolg liegt darin, die wenigen, aber teuren Simulationen an den richtigen Stellen durchzuführen.
Dieser Prozess wird durch einen **Probenahmeplan** (Sampling Plan) gesteuert. Er legt fest, welche Parameterkombinationen wir untersuchen. Ein guter Plan sorgt dafür, dass wir mit minimalem Aufwand maximale Informationen gewinnen. Ein schlechter Plan kann zu ungenauen Modellen und falschen Schlussfolgerungen führen. Dieser interaktive Leitfaden führt Sie durch die Kernkonzepte zur Erstellung effektiver Probenahmepläne.
Navigieren Sie durch die oberen Reiter, um die Konzepte Schritt für Schritt zu erkunden.
Das Problem: Der Fluch der Dimensionalität
Das größte Hindernis bei der Versuchsplanung ist der "Fluch der Dimensionalität". Das Volumen eines Raumes wächst exponentiell mit der Anzahl der Dimensionen (Variablen). Eine Abtastung, die in 2 Dimensionen einfach ist, wird in 10 Dimensionen rechentechnisch unmöglich. Dieses interaktive Element verdeutlicht das Problem.
Beobachtung:
Bei 3 Dimensionen und einer Kantenlänge von 80% füllt der innere Würfel nur noch ca. 51.2% des Gesamtvolumens aus.
Fast die Hälfte des Volumens befindet sich in den "Ecken". Je höher die Dimension, desto leerer wird das Zentrum.
Die Lösung: Screening und Raumfüllung
Der erste Schritt ist, unwichtige Variablen durch **Screening** zu eliminieren. Danach erstellen wir einen **raumfüllenden** Plan für die verbleibenden Variablen, um den Designraum effizient zu erkunden, ohne "Löcher" zu lassen.
Teil 1: Screening mit der Morris-Methode
Der Morris-Algorithmus identifiziert einflussreiche Variablen. Er berechnet zwei Kennzahlen:
- μ* (Mittelwert): Misst den Gesamteinfluss einer Variable. Hoch = wichtig.
- σ (Standardabweichung): Misst Nichtlinearität oder Interaktionen. Hoch = komplexer Einfluss.
Im "Screening Plot" (σ vs. μ*) werden unwichtige Variablen (nahe dem Ursprung) von wichtigen, linearen (rechts unten) und komplexen (rechts oben) getrennt.
Teil 2: Raumfüllende Pläne vergleichen
Nach dem Screening brauchen wir einen guten Plan. **Latin Hypercube Sampling (LHS)** ist eine populäre Methode. Es stellt sicher, dass jede Variable gleichmäßig abgetastet wird. Vergleichen Sie es mit einem Zufalls- und einem Gitter-Design.
Zufallsstichprobe
Beachten Sie die ungleichmäßige Verteilung und die Lücken in den Histogrammen.
Gitter-Design
Regelmäßig, aber unflexibel. Die Projektionen überlappen stark (wenige Balken im Histogramm).
Latin Hypercube (LHS)
Gut verteilt! Jeder Bereich im Histogramm wird genau einmal getroffen.
Optimierung: Vom guten zum besten Plan
Ein zufälliger LHS-Plan ist gut, aber nicht perfekt. Er kann immer noch "Löcher" und "Cluster" aufweisen. Durch Optimierung können wir den Plan so verbessern, dass die Punkte maximal weit voneinander entfernt sind. Dies wird mit Kriterien wie der **Maximin-Metrik** oder dem **Φq-Kriterium** gemessen (kleinerer Φq-Wert ist besser).
Vergleich: Zufälliger vs. Optimierter LHS
Hier sehen Sie einen zufälligen 20-Punkte LHS-Plan. Beachten Sie, wie einige Punkte nahe beieinander liegen. Klicken Sie auf "Optimiere!", um zu sehen, wie ein evolutionärer Algorithmus die Punkte verschiebt, um eine bessere Raumfüllung zu erreichen.
Ein höherer Wert deutet auf eine schlechtere Raumfüllung hin.
Fallstricke & empfohlener Workflow
Selbst ein perfekt optimierter Plan hat Risiken. Wenn die zugrundeliegende Funktion periodisch ist (z.B. Schwingungen), kann ein zu regelmäßiger Plan das Verhalten komplett falsch interpretieren – ein Phänomen namens **Aliasing**, ähnlich dem Stroboskop-Effekt.
Die Lösung: Gezielte Störung (Perturbation)
Um Aliasing zu vermeiden, wird der optimierte Plan am Ende leicht zufällig "verwackelt". Dieser Schritt bricht die schädliche Regelmäßigkeit auf, ohne die gute Raumfüllung wesentlich zu verschlechtern. Er macht den Plan robust gegenüber unbekannten Funktionseigenschaften.
Der 3-Stufen-Workflow für robuste Probenahmepläne
Screening
Reduziere die Dimensionen. Finde mit Methoden wie Morris die wirklich wichtigen Variablen.
Design
Erstelle einen optimierten, raumfüllenden Plan (z.B. Maximin-LHS) für die aktiven Variablen.
Robustheit
Füge eine kleine, zufällige Störung hinzu, um Regelmäßigkeiten zu brechen und Aliasing zu vermeiden.