دو نوع ورودی ممکن برای یک مدل مرتبه کاهش یافته وجود دارد: پارامترهای اساسی مانند زمان ( t ) در یک مدل گذرا و فرکانس ( freq ) در مدل دامنه فرکانس و نام پارامترهای کلی که میتوانند برای اصلاح عبارات و عبارات استفاده شوند. معادلات روشهای کاهش مدل در مورد اینکه کدام پارامترهای اساسی را میتوانند مدیریت کنند، و همچنین اینکه آیا و چگونه اجازه میدهند پارامترهای کلی استفاده شوند، متفاوت است.
در طول مرحله آموزش، فرآیند کاهش مدل باید قادر به ارزیابی وابستگی خروجی ها به ورودی ها باشد. برای پارامترهای اساسی، این در خود فرمول معادله تعبیه شده است. اما ارزیابیهای وابستگی کلی فقط با توجه به درجات آزادی در مدل قابل انجام است. بنابراین، هر کمیتی که میخواهید بهعنوان یک پارامتر ورودی کلی برای مدل کاهشیافته استفاده کنید، باید بهطور موقت بهعنوان درجه آزادی در طول مرحله آموزش دوباره تعریف شود. سپس باید به یک مقدار آموزشی ثابت، مستقل از زمان، فرکانس یا سایر ورودیها نیز ارزیابی شود.
در عین حال، یک پارامتر ورودی کلی باید مانند یک متغیر عادی تعریف شده توسط کاربر رفتار کند، زمانی که مطالعه مدل کامل و کاهش نیافته محاسبه میشود یا زمانی که به صراحت در یک مدل فراخوانی استفاده میشود. به عنوان مثال، در آن موقعیت می تواند وابسته به زمان یا فرکانس باشد.
ورودیهای مدل مرتبه کاهشیافته، متغیرهای خاصی هستند که دارای این ویژگیهای دلخواه هستند: آنها با یک عبارت در طول محاسبات عادی تعریف میشوند، جایی که میتوانند دقیقاً مانند هر متغیر دیگر تعریفشده توسط کاربر استفاده شوند. اما در صورت لزوم برای آموزش یک مدل مرتبه کاهش یافته، به صورت داخلی به عنوان درجات آزادی تعریف می شوند. مرحله مطالعه کاهش مدل (به کاهش مدل مراجعه کنید ) تنها به ورودیهای مدل با مرتبه کاهشیافته از پیش تعریفشده اجازه میدهد که ورودیهای فرآیند آموزش باشند.
به عنوان مثال، یک پارامتر ورودی f را در نظر بگیرید که نیروی متغیر بر روی یک مدل را نشان می دهد. در مدل کامل و کاهش نیافته، به عنوان تابعی از زمان f(t) تعریف میشود که اگر یک مطالعه وابسته به زمان را محاسبه کنید، استفاده میشود. این روش خوبی برای بررسی صحت مدل کاهش نیافته است. هنگامی که یک مطالعه کاهش مدل را به مدل کامل اضافه می کنید تا یک مدل با مرتبه کاهش یافته را آموزش دهید، باید رفتار را حول مقداری اسمی f 0 خطی کند . برای انجام این کار، مرحله مطالعه کاهش مدل به طور موقت f را به درجه ای از آزادی تبدیل می کند که با توجه به آن می تواند حساسیت ها را محاسبه کند. و آن درجه آزادی را به f 0 مقداردهی می کند .
در ویژگی مدل کاهشیافته ایجاد شده توسط مرحله مطالعه کاهش مدل، میتوانید عبارتی را برای مقادیر ورودی مشخص کنید که هنگام فراخوانی (برخلاف آموزش) مدل کاهشیافته استفاده شود. این می تواند هر عبارتی باشد، مثلاً g(t) که می تواند در مدل فراخوانی ارزیابی شود، اما به طور پیش فرض برابر با نام ورودی اصلی در مدل کاهش نیافته تنظیم شده است. هنگامی که مدل فراخوانی با مدل کاهش نیافته، که یک وضعیت معمول است، یکسان است، به این معنی است که نیروی ورودی به مدل مرتبه کاهش یافته در این مثال به f(t) ارزیابی می شود ، مانند مدل کاهش نیافته.
بطور مشخص، می توانید مقادیر ورودی مورد استفاده در هنگام فراخوانی یک مدل با مرتبه کاهش یافته را به سه روش مشخص کنید. برای ورودی f که توسط یک مدل با مرتبه کاهش یافته rom1 استفاده می شود ، مقدار f که هنگام فراخوانی rom1 استفاده می شود توسط متغیر rom1.f داده می شود. به طور پیش فرض، rom1.f برابر با متغیر rom1.input.f تعریف شده است، که به نوبه خود در قسمت Model Control Inputs در ویژگی مدل کاهش یافته تعریف می شود (برچسب نمایش داده شده در این بخش rom1.f خواهد بود. ، اگرچه متغیر تعریف شده در واقع rom1.input.f است). به طور پیش فرض، rom1.input.f برابر تعریف شده استf . برای تغییر مقدار ورودی rom1.f که هنگام فراخوانی مدل با سفارش کاهش یافته rom1 استفاده می شود ، از یکی از گزینه های زیر استفاده کنید:
•
|
تعریف f را در مدل فراخوانی تغییر دهید.
|
•
|
تعریف rom1.input.f (که به طور پیش فرض f است ) را در بخش Model Control Inputs در ویژگی مدل کاهش یافته تغییر دهید.
|
•
|
تعریف rom1.f (که به طور پیشفرض rom1.input.f است ) را در جدول پارامترها در ویژگیهای پسپردازش یا در یک ویژگی Global Evaluation Sweep لغو کنید. این گزینه فقط در صورتی مرتبط است که rom1 با یک رابط بدون حالت استفاده شود.
|
برای یک مدل با سفارش کاهشیافته با یک رابط بدون حالت، آخرین گزینه به شما امکان میدهد به طور تعاملی خروجیها را برای ورودیهای مختلف در طول پسپردازش مجدد محاسبه کنید.