A machine learning based global simulation data mining approach for efficient design changes

استفاده مجدد از داده های شبیه سازی تاریخی برای کمک به طراح فرایند توسعه محصول ضروری است. در حال حاضر داده کاوی شبیه سازی شده به منظور کشف دانش زمینه ای برای پشتیبانی از تغییرات طراحی کارآمد به کار گرفته شده است. با این حال، اکثر روش های داده کاوی شبیه سازی موجود، توجه کمی به ارزیابی عملکرد جهانی داشتند، و به همین دلیل دشوار است که طراح بتواند تمام نتایج شبیه سازی را به راحتی و با دقت مرور کند، اگر بدون تایید واقعی عملکرد شبیه سازی باشد. در این مطالعه، یک روش داده کاوی مبتنی بر شبیه سازی ماشین بر مبنای ماشین، برای کشف رابطه بین پارامترهای طراحی کلیدی و پارامترهای عملکرد جهانی برای تحقق پیش بینی دقیق تمام نتایج شبیه سازی شده و در نتیجه حمایت از تصمیم گیری در فرآیند توسعه پیشنهاد شده است. در ابتدا، الگوریتم تقاطع پارامتر مبتنی بر مدل بین مش برای برآوردن شاخص های ارزیابی عملکرد جهانی به کار گرفته می شود. پس از آن، دو روش انتخاب ویژگی برای پارامترهای طراحی برای انتخاب پارامتر برجسته و ترکیب آنها برای کاهش پیچیدگی مدل سازی و بهبود دقت پیش بینی استفاده می شود. در نهایت یک روش داده کاوی شبیه سازی مبتنی بر یادگیری ماشین توسعه داده شده و بهبود یافته برای ارزیابی عملکرد جهانی با دقت و کارآمد. آزمایش های گسترده برای نشان دادن امکان سنجی، اثربخشی و صحت روش پیشنهادی انجام شده است.