Extracting Design Knowledge From Optimization Data: Application to Multi-Split Thermal Management System Configuration
Notice bibliographique
Résumé
Abstract As engineering systems become more complex, the traditional sources of design knowledge face limits in the rate and complexity of design knowledge generation. Additional sources of knowledge are needed to guide future design efforts, especially for unprecedented engineering systems that have no design heritage. One promising avenue lies in the analysis of design optimization data, which has the potential to offer valuable insights into unprecedented system design, and to break free from incremental improvements over heritage designs. This paper presents a step toward extracting knowledge from design optimization data. The resulting design knowledge can be used as a basis for successfully synthesizing engineering system configurations that are more complex than those the knowledge was derived from. These methods are studied here using the combined system topology and optimal control design of multi-split fluid-based thermal management systems. This knowledge generation approach offers several advantages over traditional strategies, including applicability in cases where there is no design heritage and the ability to provide normative guidance as opposed to descriptive (i.e., how should systems be designed vs. how have they been designed). Four significant case studies with varying levels of complexity are presented that demonstrate the effectiveness of using knowledge extracted from design optimization data in enhancing the design of complex thermal management systems. Our results show that the knowledge extracted in this way provides a good basis for more general design of complex thermal management systems. It is shown that the objective function value of the estimated optimal configuration closely approximates the true optimal configuration with less than 1 percent error, achieved using basic features based on the system heat loads without involving the corresponding optimal open loop control (OLOC) features. This eliminates the need to solve the OLOC problem, leading to reduced computation costs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».