Λεπτομέρειες βιβλιογραφικής εγγραφής
| Τίτλος: |
Kriging Tabanlı Metamodellemenin Mühendislik Tasarımındaki Rolü: Veri Kaynakları, Yöntemsel Gelişmeler ve Uygulamalar. (Turkish) |
| Alternate Title: |
The Role of Kriging-Based Metamodeling in Engineering Design: Data Sources, Methodological Advances, and Applications. (English) |
| Συγγραφείς: |
YÜKSEL, Nurullah |
| Πηγή: |
Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji; Mar2026, Vol. 14 Issue 1, p366-380, 15p |
| Θεματικοί όροι: |
Engineering design, Adaptive sampling (Statistics), Uncertainty (Information theory), Aerospace engineering, Computer simulation, Structural reliability |
| Abstract (English): |
This study is a review that comprehensively examines the current application areas, data sources, and methodological developments of Kriging-based metamodeling techniques in engineering design. In modern design processes, where the direct use of FEA, CFD, and multiphysics-based analyses is limited due to increasing computational costs, the interpolative structure, uncertainty quantification capability, and high predictive accuracy offered by Kriging models are evaluated through examples from the literature. The reviewed studies indicate that Kriging-based approaches are widely used in applications such as aerodynamic optimization, structural reliability analysis, fatigue life prediction, crashworthiness assessment, and manufacturing process parameterization across fields including aerospace, mechanical, and automotive engineering. In these applications, it is reported that Kriging models can reduce the number of high-fidelity analyses by approximately 50–90% while typically achieving performance levels exceeding 90% in accuracy metrics such as RMSE or R². Furthermore, it is reported that Kriging models integrated with uncertainty-driven adaptive sampling strategies enable convergence to the global optimum with fewer samples and significantly improve the cost–accuracy trade-off when combined with multi-fidelity modeling frameworks. Recent trends reveal that non-stationary covariance structures and hybrid Kriging architectures integrated with deep learning substantially reduce prediction error, particularly in high-dimensional and strongly nonlinear design problems. By synthesizing fragmented knowledge in the literature within a unified framework, this review systematically identifies the current limitations, methodological gaps, and future research directions of Kriging-based design optimization. [ABSTRACT FROM AUTHOR] |
| Abstract (Turkish): |
Bu çalışma, Kriging tabanlı metamodelleme tekniklerinin mühendislik tasarımındaki güncel kullanım alanlarını, veri kaynaklarını ve yöntemsel gelişmelerini kapsamlı biçimde inceleyen bir derleme çalışmasıdır. Artan hesaplama maliyetleri nedeniyle FEA, CFD ve çoklu-fizik tabanlı analizlerin doğrudan kullanımının sınırlı kaldığı modern tasarım süreçlerinde, Kriging modellerinin sunduğu interpolatif yapı, belirsizlik nicelendirme yeteneği ve yüksek tahmin doğruluğu literatür örnekleri üzerinden değerlendirilmiştir. İncelenen çalışmalar, havacılık, makine ve otomotiv gibi alanlarda aerodinamik optimizasyon, yapısal güvenilirlik analizi, yorulma ömrü tahmini, çarpışma dayanımı değerlendirmesi ve imalat süreç parametrizasyonu gibi uygulamalarda Kriging tabanlı yaklaşımların yaygın biçimde kullanıldığını göstermektedir. Bu uygulamalarda, Kriging modellerinin yüksek sadakatli analiz sayısını %50–90 oranında azaltabildiği ve Kök Ortalama Kare Hata (Root Mean Squared Error - RMSE) veya R² gibi doğruluk ölçütlerinde genellikle %90’ın üzerinde performans sağladığı rapor edilmiştir. Ayrıca, belirsizlik temelli adaptif örnekleme stratejileriyle entegre edilen Kriging modellerinin, küresel optimuma daha az sayıda örnekle ulaşılmasını mümkün kıldığı ve çoklu-fidelite modelleme çerçeveleriyle birlikte kullanıldığında maliyet–doğruluk dengesini belirgin biçimde iyileştirdiği rapor edilmiştir. Son yıllardaki eğilimler, durağan olmayan kovaryans yapıları ve derin öğrenme ile hibritleştirilmiş Kriging mimarilerinin, özellikle yüksek boyutlu ve güçlü doğrusal olmayan tasarım problemlerinde tahmin hatasını anlamlı ölçüde düşürdüğünü ortaya koymaktadır. Bu derleme, literatürdeki parçalı bilgi birikimini bütüncül bir çerçevede birleştirerek, Kriging tabanlı tasarım optimizasyonunun mevcut sınırlılıklarını, metodolojik boşluklarını ve gelecekteki araştırma yönelimlerini sistematik biçimde ortaya koymaktadır. [ABSTRACT FROM AUTHOR] |
|
Copyright of Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji is the property of Gazi University and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.) |
| Βάση Δεδομένων: |
Complementary Index |