Multi-Objective Optimization and Active Learning of Multi-Fidelity Simulations

Korte beschrijving

Het ontwerpen van complexe technische systemen brengt grote uitdagingen met zich mee vanwege tijdrovende simulaties en strikte eisen op het gebied van prestaties, kosten en betrouwbaarheid. Surrogaatmodellen bieden snelle, data-gedreven benaderingen ter vervanging van dure simulaties, waardoor efficiënte ontwerpoptimalisatie, en onzekerheidskwantificatie mogelijk worden. Echter, surrogaat gebaseerde optimalisatie vereist een zorgvuldige afweging tussen rekentijd en effectiviteit van de behaalde oplossingen vanwege het gebruik van een beperkte hoeveelheid data. Dit proefschrift stelt drie verschillende technieken voor op basis van Bayesiaanse optimalisatie voor robuuste en data-efficiënte optimalisatie onder onzekerheid. De CMO-ERGO-methode optimaliseert prestaties en robuustheid door zowel aleatorische als epistemische onzekerheden te modelleren. De KMO-IR-methode kan risico's bij inputonzekerheid beheren via een multi-objectieve aanpak. Tot slot vermindert CFBO-CR de rekenlast door slim gebruik te maken van simulatiemodellen met meerdere nauwkeurigheden, in het bijzonder door automatisch te schakelen tussen hoge en lage simulatienauwkeurigheden. Alle methoden zijn gevalideerd met benchmarks en toegepast op voorbeelden uit de praktijk, en tonen veelbelovende resultaten met goede robuuste oplossingen en lagere rekentijd.