Constrained multi-objective optimization of process design parameters in settings with scarce data: an application to adhesive bonding

要約

タイトル：不十分なデータの状況下でのプロセスデザインパラメータの制約つき多目的最適化：接着剤接合への応用

要約：
– 接着剤接合は、高い強度-重量比、設計の柔軟性、限られた応力集中、平面的な力の伝達、優れた耐損傷性、疲労強度など、好ましい特性があるため、産業界でますます使用されています。
– 接着剤接合の最適なプロセスパラメータを見つけることは、以下があるため難しい：最大ブレーク強度を最大化しつつコストを最小化する多目的最適化、制約（プロセスは材料に視覚的損傷を引き起こしてはいけない、ストレス試験は接着関連の失敗を引き起こしてはいけない）、不確実性（同じプロセスパラメータを何度もテストすると、異なるブレーク強度になる場合がある）。
– ラボで実際の物理実験は費用がかかります。従来の進化的アプローチ（遺伝的アルゴリズムなど）は、評価に必要な実験量が制限されているため、問題を解決するのに適していません。
– ベイジアン最適化ベースのアルゴリズムは、そうした高価な問題を解決するのに好まれますが、複数の（ノイズのある）目的といくつかの制約を同時に最適化する方法はほとんどありません。
– この研究では、特定の機械学習技術（ガウスプロセス回帰）を実験データの限られた量に基づいて目的関数と制約関数をエミュレートするために成功裏に適用しました。これらの技術は、ベイジアン最適化アルゴリズムに組み込まれており、少数の物理実験でペアト最適プロセス設定を高効率で検出することに成功しました（つまり、制限された数の物理実験が必要です）。

要約(オリジナル)

Adhesive joints are increasingly used in industry for a wide variety of applications because of their favorable characteristics such as high strength-to-weight ratio, design flexibility, limited stress concentrations, planar force transfer, good damage tolerance, and fatigue resistance. Finding the optimal process parameters for an adhesive bonding process is challenging: the optimization is inherently multi-objective (aiming to maximize break strength while minimizing cost), constrained (the process should not result in any visual damage to the materials, and stress tests should not result in failures that are adhesion-related), and uncertain (testing the same process parameters several times may lead to different break strengths). Real-life physical experiments in the lab are expensive to perform. Traditional evolutionary approaches (such as genetic algorithms) are then ill-suited to solve the problem, due to the prohibitive amount of experiments required for evaluation. Although Bayesian optimization-based algorithms are preferred to solve such expensive problems, few methods consider the optimization of more than one (noisy) objective and several constraints at the same time. In this research, we successfully applied specific machine learning techniques (Gaussian Process Regression) to emulate the objective and constraint functions based on a limited amount of experimental data. The techniques are embedded in a Bayesian optimization algorithm, which succeeds in detecting Pareto-optimal process settings in a highly efficient way (i.e., requiring a limited number of physical experiments).

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI