Methods for Analyzing Complex and Holistic Interactions in Early-stage design
A framework integrating Network Theory, Sensitivity Analysis, and Structural Equation Modelling for analyzing interactions among subsystems in early-stage design
Tid: To 2025-10-23 kl 10.00
Plats: Kollegiesalen, Brinellvägen 8, Stockholm
Språk: Engelska
Ämnesområde: Farkostteknik
Respondent: Sai Kausik Abburu , VinnExcellence Center for ECO2 Vehicle design, Fordonsteknik och akustik, Conceptual Vehicle Design
Handledare: Carlos Casanueva, VinnExcellence Center for ECO2 Vehicle design, Järnvägsgruppen, JVG, Fordonsteknik och akustik; Associate Professor Ciarán J. O'Reilly, VinnExcellence Center for ECO2 Vehicle design, Fordonsteknik och akustik
QC 250922
Abstract
Den konventionella metoden för fordonsdesign är i sig restriktiv när det gäller att analysera komplexa interaktioner och de resulterande kedjeeffekterna (knock-on effects). Detta leder ofta till lösningar som inte fungerar bra tillsammans och till fler interationer under designprocessen. För att övervinna detta behöver fokus flyttas till tidig designfas där det finns frihet att utforska designalternativ. Men denna fas kännetecknas typiskt av begränsad information om systembeteende, vilket medför behovet av holistiska tvärvetenskapliga modeller och robusta metoder. De tillgängliga metoderna och modellerna fokuserar dock ofta på enskilda aspekter isolerat, vilket nödvändiggör ett integrerat ramverk.
Denna avhandling föreslår ett ramverk som analyserar komplexa och holistiska interaktioner inom tvärvetenskapliga system för att undersöka hur variationen i indata sprids som kedjeeffekter och slutligen påverkar systemutdata. För att uppnå detta är ramverket strukturerat i fem distinkta faser. Varje fas syftar till att adressera de formulerade forskningsfrågorna och uppfylla ramverkets funktioner. Ramverket integrerar tvärvetenskapliga modelleringsmetoder med Nätverksteori (Network Theory) för att fånga komplexa interaktioner. Global känslighetsanalys (Global Sensitivity Analysis (GSA)) metoder kombineras med skräddarsydda nätverksalgoritmer för att identifiera de interaktioner som är relevanta för en specifik in- och utdata. Dessa identifierade interaktioner kvantifieras sedan med hjälp av kurvanpassning och två riktade känslighetsmått, Average Local Sensitivity Coefficient (ALSC) och Average Combined Sensitivity Coefficient (ACSC), vilka föreslogs i denna avhandling. Slutligen används Strukturell ekvationsmodellering (Structural Equation Modelling (SEM)) för att undersöka hur indatavariationer sprids som kedjeeffekter genom mellanliggande variabler, vilket slutligen påverkar systemutdata.
Ramverkets kapacitet demonstrerades genom två fallstudier. En interaktionsanalys inom delsystemet med framdrivningsmotor och en interaktionsanalys mellan delsystem som involverade en framdrivningsmotor och en passiv kylningsmodell för en växelriktare. I fallstudien inom delsystemet identifierade ramverket framgångsrikt tre inflytelserika indata (spänning (U), nominell effekt (Prated) och frekvens (f)) för den valda utdatan av intresse (rotorresistans (Rr')), och minskade antalet faktorer att beakta i analysen med 92.51% för U, 89.42% för Prated och 93.83% för f. Resultaten från ramverket jämfördes med resultat från GSA-metoder, vilket visade en maximal avvikelse på 3%, och därmed validerades det föreslagna ramverkets förmåga att beräkna kedjeeffekterna och den totala påverkan samtidigt som in-utdata-förhållandet bevarades. Vidare gav ramverket insikter i nyanserna av kedjeeffekter och total påverkan, såsom fyndet att den nominella effekten orsakade fler designförändringar trots att den hade liknande påverkan på utdata som frekvensen.
I interaktionsanalysen mellan delsystem kunde ramverket på liknande sätt identifiera den inflytelserika indatan (Prated) för den valda utdatan av intresse (Tbase,max), och minskade antalet faktorer att beakta med 57%. Valideringssteget visade en avvikelse på 6.77%, vilket var acceptabelt med tanke på nätverkets komplexitet som involverar 3568 vägar mellan indata och utdata. Vidare, vid beräkning av det direkta ALSC-värdet med hjälp av kurvanpassning, observerades att Tbase,max hade distinkta kluster över specifika intervall av motoreffektvärden, vilket tillskrevs förekomsten av inbyggda designmarginaler och komplexa interaktioner i framdrivningsmotormodellen.
Således levererar denna avhandling ett ramverk som systematiskt kan fånga, kvantifiera och analysera komplexa och holistiska interaktioner i ett tvärvetenskapligt system för att undersöka och kvantifiera kedjeeffekterna och den totala påverkan av en förändring i en indata på en utdata. Det fungerar som en värdefull och omfattande guide för formgivare att identifiera effektiv indata för att avsevärt påverka en specifik utdata i den tidiga designfasen och att förstå konsekvenserna av att modifiera den valda indatan.