surrogatemodellen

Surrogatemodellen, ook wel metamodels genoemd, zijn vereenvoudigde modellen die het gedrag van een duur of complex simulatiemodel nabootsen. Ze dienen als vervanging voor kostbare evaluaties en maken snelle schattingen mogelijk van outputs bij nieuwe inputs. Surrogaten zijn data-gedreven: ze leren van een verzameling resultaten die is verkregen door het hoge-fideliteitsmodel of door metingen.

Veel gebruikte methoden zijn kriging of Gaussian process regression, polynomiale respondoppervlakken (response surface models), radial basis function-netwerken, support vector regression en neuraalnetwerken. De keuze hangt af van de aard van de data, de gewenste nauwkeurigheid en de interpretatiebehoefte. Voor de trainingsfase worden experimentdesigns toegepast, zoals Latin hypercube sampling, Sobol-reeksen of factorial ontwerpen, om een ruim en informatief dataset te verkrijgen.

Toepassingen van surrogate modellen liggen veelal in engineering en design: optimalisatie van producten en processen waar elke evaluatie duur is, ontwerp-onder- onzekerheid, gevoeligheidsanalyse en onzekerheidskwantificatie. Ze maken iteratieve verbetering mogelijk en leveren snelle feedback tijdens besluitvorming. Multi-fideliteit- surrogaten combineren informatie uit verschillende niveaus van modelprecisie om efficiëntie en nauwkeurigheid te balanceren.

Validatie en evaluatie zijn cruciaal. Gebruikelijke métrieken zijn RMSE, MAE en R-kwadraat, samen met kruisvalidatie om overfitting te voorkomen. Mogelijke nadelen zijn extrapolatie in onbekend gebied, afhankelijkheid van de trainingsdata en moeilijkheden bij hoge dimensies.

Werkstroom: verzamel data uit hoge-fideliteit, kies een surrogate-type, train en valideer het model, gebruik het surrogate voor analyse of optimalisatie en werk bij met adaptieve sampling als de fout te groot wordt.